论文介绍

Fast-Human-Pose-Estimation下载

这篇文章的标题是“Fast Human Pose Estimation”，作者是Feng Zhang, Xiatian Zhu和Mao Ye。以下是该文档的摘要：

  • 背景：尽管现有的人体姿态估计方法在模型泛化性能上有所提高，但它们往往忽略了效率问题。这导致了在实际使用中的模型效率和成本效益较差。为了解决这个问题，作者提出了一种新的Fast Pose Distillation (FPD)模型学习策略。
  • 主要贡献：
  1. 作者研究了人体姿态模型的效率问题，这与现有的大多数方法形成了对比，后者主要关注于提高准确性，但在部署时的模型推断成本很高。
  2. 提出了一种Fast Pose Distillation (FPD)模型训练方法，可以更有效地训练非常小的人体姿态CNN网络。这基于知识蒸馏的思想，该思想已成功应用于对象图像分类的深度模型中。
  3. 设计了一个轻量级的Hourglass网络，可以构建更具成本效益的姿态估计CNN模型，同时保留足够的学习能力，以实现满意的准确率。
  • 方法：作者首先训练了一个大型的教师姿态模型，然后使用该模型的知识来训练一个目标学生模型。这种方法的关键是设计一个适当的模仿损失函数，该函数能够有效地从教师模型中提取并转移知识，以训练学生模型。
  • 实验：作者使用了两个人体姿态基准数据集，MPII和Leeds Sports Pose (LSP)，进行了实验。使用了标准的Percentage of Correct Keypoints (PCK)测量方法来评估模型的性能。

思路：先分别减少Hourglass的Features数和堆叠网络的个数来观察其性能降低多少。之后，选择一个网络作为学生网络，通过知识蒸馏的方法使得其性能再提升上来。从而实现精度基本不变而部署消耗大大减少的目的。下图为作者减少Hourglass的Feature数和Stage数的对比图：

Hourglass网络结构通常表现为一种下采样然后上采样的形状，看起来像一个沙漏。

在下采样阶段，空间分辨率逐渐降低但特征的深度（通道数）增加，使网络能够捕捉更多的语义信息。然后，在上采样阶段，网络尝试重建高分辨率的信息。这种结构允许网络在不同的空间分辨率层级上捕捉信息。