《表5 不同算法的复杂度比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度度量学习视频指纹算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对于视频指纹算法来说，算法的时间与空间复杂度对视频指纹的提取效率非常关键.本文从网络参数量Params、浮点运行次数FLOPs以及GPU运行时间来分析CNN-L，DML，CNN+LSTM以及本文算法的空间和时间复杂度.实验统一在NVIDIA GeForce RTX 2080 8 GB显存的GPU模块上运行，采用数据集中的单一视频进行测试，并根据算法的不同要求对输入视频预处理，如表5所示.本文算法在GPU运行时间以及浮点运行次数FLOPs要优于CNN-L和CNN+LSTM算法，但网络参数最多.原因在于对比算法均以2D卷积提取视频帧特征，相比3D卷积在参数量上具有一定优势，但其需要对视频进行逐帧提取后再对时间信息进一步处理，从而增加了时间复杂度.本文算法以多层多特征融合的3D残差网络为主干网络，网络输出特征具有时空信息；同时以较小的数据样本输入，并采用P3D模块思想降低了算法的时间复杂度，与速度最快的DML算法相比，指纹特征提取时间相差甚微.