本文提出了一种名为残差步长网络（Residual Steps Network, RSN）的新方法。RSN 通过高效聚合具有相同空间尺寸的特征（即同层级特征，Intra-level features），获得精细的局部表征，从而保留丰富的低层空间信息，实现精准的关键点定位。此外，我们观察到输出特征对最终性能的贡献程度各不相同。为解决这一问题，我们设计了一种高效的注意力机制——姿态精炼机（Pose Refine Machine, PRM），在输出特征中权衡局部与全局表征，进一步优化关键点位置。本方法在 COCO 关键点挑战赛 2019 中获得第一名，并在 COCO 与 MPII 两个基准测试上均取得了当前最优（state-of-the-art）的结果，且无需使用额外训练数据或预训练模型。单模型在 COCO test-dev 上达到 78.6 的 AP 值，在 MPII 测试集上达到 93.0 的准确率；集成模型在 COCO test-dev 上达到 79.2，在 COCO test-challenge 数据集上达到 77.1。相关源代码已公开，可供后续研究使用，地址为：https://github.com/caiyuanhao1998/RSN/。