摘要
现有的人体姿态估计方法通常只关注如何提高模型的泛化性能，而忽视了重要的效率问题。这导致了在实际应用中可扩展性和成本效益较差的重型模型的开发。在这项工作中，我们研究了一个较少被探讨但在实际应用中至关重要的姿态模型效率问题。为此，我们提出了一种新的快速姿态蒸馏（Fast Pose Distillation, FPD）模型学习策略。具体而言，FPD 训练了一种轻量级的姿态神经网络架构，该架构能够在低计算成本下快速执行。这是通过有效地转移强大教师网络的姿态结构知识来实现的。广泛的评估表明，我们的 FPD 方法在两个标准基准数据集（MPII 人体姿态和利兹体育姿态）上，相较于多种最先进的姿态估计方法，在模型的成本效益方面具有显著优势。