全卷积网络与UNET谁计算复杂度高

在计算复杂度方面，全卷积网络（FCN）和UNet有一些区别。

FCN是由卷积层和反卷积层组成的全卷积神经网络，用于图像分割任务。FCN的计算复杂度与输入图像的大小和网络的深度有关，具体而言，它的计算复杂度可以表示为O(kn^2L)，其中k是卷积核的大小，n是输入图像的大小，L是网络的层数。因此，FCN的计算复杂度较高，尤其是在较深的网络中。

UNet是一种用于图像分割的卷积神经网络，它具有编码器和解码器两个部分。在编码器中，图像被不断下采样以提取特征，而在解码器中，图像被上采样以恢复分辨率。UNet的计算复杂度主要取决于网络的深度和特征图的大小，可以表示为O(n^2L)，其中n是特征图的大小，L是网络的层数。因此，相对于FCN，UNet的计算复杂度较低。

综上所述，FCN的计算复杂度比UNet高。