ICCV 2021 | 利用在线知识蒸馏进行高效2D人体姿态估计

分享一篇最近被ICCV 2021接收的工作《Online Knowledge Distillation for Efficient Pose Estimation》，利用在线知识蒸馏进行高效2D人体姿态估计。

论文地址： https://arxiv.org/abs/2108.02092

该篇工作由杭州师范大学和浙江大学合作完成。该文章提出了一个新的在线知识蒸馏框架OKDHP去对人体姿态估计模型进行提升。特别地，OKDHP训练了一个多分支网络，其中每个分支都被当做独立的学生模型，这里的教师不是显式存在的，而是通过加权集成多个分支的结果后形成的集成heatmap来扮演教师的作用，通过优化像素级别的KL Divergence损失来优化每个学生分支模型。整个训练过程被简化到了one-stage，不需要额外预训练的教师模型。作者在MPII和COCO上都证明了该方法的有效性。

FPD^[5](CVPR 19')首先提出，利用传统的蒸馏(KD)方法，首先训一个8-stack HG作为teacher，选择一个4-stack HG作为student，然后进行KD。参考Fig. 1。

Fig. 1 FPD (CVPR 19')

那么这篇工作明显存在着几点问题：

(1). 第一步训练teacher，第二步训student，整体是一个two-stage的过程，较为繁琐。

(2). 如果要利用FPD训练一个8-stack HG的student，就需要找到一个比8-stack更高的model去作为teacher。堆叠更多的HG会存在性能收益递减，并且带来计算量直线上升。

(3). KD过程中同时使用MSE作为传统任务的监督loss和kd loss，训练时一个output同时针对两个target进行优化会带来明显的冲突。

Fig.2 Network Comparison

(1). 我们提出了一个在线知识蒸馏的框架，即一个多分支结构。这里的teacher不是显式存在的，而是通过多个学生分支的结果经过了FAU的ensemble形成的，即established on the fly，我们利用ensemble得到的结果（拥有更高的准确率）来扮演teacher的角色，来KD每个的学生分支，即在Fig.2 (b)中的三个小分支。

具体来说就是，如果要得到一个4-stack HG的网络，FPD的方式如(a)所示，先训练一个8-stack，然后进行KD。而在我们的方法，如图(b)，直接建立一个多分支网络（图中为3个分支），其中每个分支视为student，要得到一个4-stack HG，那么我们选择在前部share 2个stack（节约计算量），后面针对每一个branch，我们将剩下的2个stack HG独立出来，以保持diversity。三个分支产生的结果经过FAU进行ensemble，得到的ensemble heatmap再KD回每一个student分支。

我们的方法带来的直接的好处就是，整个的KD过程简化到One-stage，并且不需要手动的选择一个更高performance的teacher来进行KD。Online KD的方法直接训练完了之后，选择一个最好性能的分支，去除掉其他多余分支结构即可得到一个更高acc的目标HG网络。

那么从这里也可以直接看出我们的多分支网络更省计算量，粗略的算，FPD的方法总共会需要8+4=12个stack参与计算，我们的方法，只会有2x4=8个stack进行计算。

（针对diversity的问题提一下，在OKDDip^[6]中就有提及，针对这样的一个多分支模型，每个分支之间的diversity是需要考虑的，对于每个分支，如果共享的stage过多，那么留给剩下分支的优化空间就会被明显缩小，分支之间在训练的过程中会显式的趋于同质化，进而带来的结果就是ensemble结果准确率的下降。与之相反，独立的HG数量越多也可以带来KD性能的提升，分支数量同理，详情请参考paper中的Table 7和8。我们在paper中将共享的HG数量设定为目标网络HG数量的一半，即目标网络8-stack，整个网络就共享4-stack。）

(2). 既然是一个多分支结构，那么每个分支的情况可不可以是adaptive的？既然在分支里更多的stack可以产生更好的heatmap，那么必然也就会带来ensemble结果的提升，进而KD的效果就会更好。于是针对(b)的这种每个分支都是一样的balance的结构，我们更进一步提出了unbalance结构。

具体的来说，要KD得到一个4-stack HG，即Fig.2 (c)中的第一个branch，2+2=4个stack的主分支，通过在辅助分支堆叠更多的HG来产生更好的ensemble结果，这里就是第二个分支是2+4=6个stack，第三个分支2+6=8个stack的情况。

在不考虑训练计算量的情况下，在部署时移除辅助分支，相比于balance结构，可以得到更好的target student，即目标的4-stack HG。

(3). 这里的FAU，即Feature Aggregation Unit，是用来对每个分支产生的结果进行一个带有weight的channel-wise的ensemble。即将每个heatmap按照生成的权重进行集成。具体的结构如Fig.3所示。

Fig.3 Feature Aggregation Unit

针对人体姿态估计这种场景下，其实是存在着很多的尺度变化问题，就比如一个人在一张图片中，既可以是贴的很近，占满了整张图片，也可以是离得很远，只在图片中占小小的一个部分。受到SKNet^[7]的启发，在原先的3x3, 5x5的基础上，我拓展出了7x7和avg pool来捕捉更大范围的信息，进而来生成对应每个分支产生的heatmap的weight。消融实验证明了FAU确实是要比普通的attention方法提高更多。（小声：avg pool这branch我做了实验试了一下，有一丁丁的提升，灰常小）

另外值得一提的是，我们的OKDHP方法不仅是对于hourglass类别的网络有着明显的提升，对于其他的pose estimation网络也有效果，我们将其拓展到了一个非常lightweight且能够real time进行pose estimation的开源实现MobilePose^[8]上面，（在paper的末尾位置的Supplementary Material里）

这里的MobilePose可以粗略的将这个网络分为encoder（backbone）和decoder部分。我们选择去share整个的encoder部分，然后建立三个独立的分支，每个独立的分支都对应一个完整的decoder部分。FAU结构保持不变。结果如下：

可以看到，对于更加轻量化的backbone结果，我们的OKDHP方法可以获得更明显的涨点。

在Fig. 5上，我们针对2-stack，4-stack和8-stack都进行了实验，默认的实验条件是3分支结构。共享的HG数量是整个目标网络HG的一半，即要训练一个8-stack HG，会share 4个HG，独立4个HG。FAU结构不随HG数量改变。

更进一步对比我们的Balance和Unbalance结构：

更为具体的Unbalance结构的精度情况：

这里面也就对应上了Fig. 1(c)里面的结构，target就是一个4-stack HG的网络，那么这里选择6-stack和8-stack作为辅助分支，确实是取得了更好的结果。

在COCO val 2017上，

也有不错的性能提升。

Acknowledegment：

我们非常感谢浙大的陈德仿博士给出的非常nice的建议和讨论。

1. ^Stacked hourglass networks for human pose estimation. ECCV 16'

2. ^Multi-Context Attention for Human Pose Estimation. CVPR 17'

3. ^Learning Feature Pyramids for Human Pose Estimation. ICCV 17'

4. ^Multi-Scale Structure-Aware Network for Human Pose Estimation. ECCV 18'

5. ^Fast Human Pose Estimation. CVPR 19'

6. ^Online Knowledge Distillation with Diverse Peers. AAAI 2020

7. ^Selective kernel networks. CVPR 19'

8. ^https://github.com/YuliangXiu/MobilePose-pytorch

雷锋网雷锋网雷锋网