from 电子科技大学

姿态估计CVPR2019
论文地址
升级版论文

Abstract

姿态估计精度方面越来越好，但是网络越来越大。想通过减少少量精度得到一个可以在轻量级设备上运行的模型。
使用一个 Fast Pose Distillation (FPD)。在强teacher network中学习一个小网络。在MPII和Leeds Sports Pose（LSP）上取得了很有效的效果

Introduction

本文作者针对Hourglass做的实验，将训练好的大参数量的HourglassNet作为教师网络。通过知识蒸馏Knowledge Distillation方法应用到Pose上训练学生网络。
现状为：

1. 现有模型更多牺牲内存，效率来提高性能
2. 我们提出FPD网络的训练方法，使用知识蒸馏方法，不到20%的资源达到相同精度
3. 设计了a lightweight Hourglass network轻量级的Hourglass网络

Related Work

pose上，高效工作较少
知识蒸馏上，具体传递的就是教师网络的预测输出，即将教师网络的输出也作为监督信息的一部分。这相对于人工标注的数据更利于小网络的学习。因为其包含的信息变多了，也利于机器的拟合。

3 Fast Human Pose Estimation

姿态估计榜单
https://paperswithcode.com/task/pose-estimation
https://blog.csdn.net/b_lack/article/details/99986088
https://blog.csdn.net/Murdock_C/article/details/84143072