초록
기존의 인간 자세 추정 접근 방식은 종종 모델의 일반화 성능을 개선하는 방법에만 초점을 맞추고, 중요한 효율성 문제를 간과합니다. 이로 인해 실제 사용에서 확장성과 비용 효율성이 떨어지는 무거운 모델이 개발되었습니다. 본 연구에서는 아직 충분히 연구되지 않았지만 실용적으로 매우 중요한 자세 모델의 효율성 문제를 조사합니다. 이를 위해 새로운 '빠른 자세 디스틸레이션(Fast Pose Distillation, FPD)' 모델 학습 전략을 제시합니다. 구체적으로, FPD는 강력한 교사 네트워크의 자세 구조 지식을 효과적으로 전송하여 빠르게 실행되며 계산 비용이 낮은 경량 자세 신경망 아키텍처를 훈련시킵니다. 광범위한 평가 결과는 MPII Human Pose와 Leeds Sports Pose 두 표준 벤치마크 데이터셋에서 본 연구의 FPD 방법론이 다양한 최신 자세 추정 접근 방식보다 모델의 비용 효율성 측면에서 우수함을 입증하였습니다.