《表5 不同算法的复杂度比较》
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.
图表编号 | XD00150207500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.01 |
作者 | 李新伟、徐良浩、杨艺、费树岷 |
绘制单位 | 河南理工大学电气工程与自动化学院、河南理工大学电气工程与自动化学院、河南理工大学电气工程与自动化学院、东南大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |