《表1 算法特征提取与闭环查询时间》
根据文献[21]的卷积神经网络时间复杂度公式,对三类卷积神经网络方法特征提取阶段进行时间复杂度分析。其中,d为卷积层总层数;nl为第l层输出特征图数量;fl为第l层卷积核边长;Ml为输出特征图边长。基于深度学习的闭环检测算法Places-CNN、CALC,及本文算法时间复杂度如表1所示。受益于轻量化卷积自编码网络结构,本文模型相对于Places-CNN的闭环检测方法特征提取时间和复杂度大幅度减小;由于编码器层数相较于CALC算法加深,本文算法的网络整体特征提取时间和复杂度略高于CALC算法。
图表编号 | XD00102421900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.25 |
作者 | 邱晨力、黄东振、刘华巍、袁晓兵、李宝清 |
绘制单位 | 中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院大学、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院大学、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院上海微系统与信息技术研究所微系统技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |