论文地址：https://arxiv.org/abs/1811.05419v1
github网址：https://github.com/ilovepose/fast-human-pose-estimation.pytorch
全文总结
该论文并未提出啥有意思的东西，总体就是知识蒸馏和“自定义模型压缩”的应用，提供一个思路。
该方法名为 FTD，Fast Pose Distillation，也就是知识蒸馏应用在pose检测上的意思。
文章内容介绍
文中的方法应用对象为Hourglass网络，其有8个stage的hourglass block，每个stage有9个残差块，每个残差块中的channel数为256。作者提出，在depth和width上进行模型的压缩，即压缩后的模型为4个stage的hourglass block，每个残差块中的channel数为128。
其训练“压缩模型”的思路，和传统的知识蒸馏没啥区别，也就是教师-学生模式：（1）先训练一个完整的模型，（2）再训练一个较小的模型。训练目标为教师模型的输出 与 ground-truth，即有两个训练目标，进行加权和（但文中使用的权重为一样的，是通过实验出来的参数）。
Pose检测一般会采用“中间监督”的策略，需要注意的是，文中每个中间监督学习的目标不是对应的stage，而是教师模型的输出，如下图所示；
实验结果
知识蒸馏带来的提升为0.8%（从90.1%到90.9%），实验结果如下：
交叉熵损失函数的尝试，结果并无大区别：
自定义的模型压缩方案，也是尝试出来的：
