我们提出了一种高效且高分辨率的人体姿态估计网络——Lite-HRNet。首先，我们简单地将ShuffleNet中的高效通道混洗模块（shuffle block）引入HRNet（高分辨率网络），从而在性能上超越了多种主流轻量级网络，如MobileNet、ShuffleNet以及小型HRNet。在研究中，我们发现shuffle模块中广泛使用的逐点卷积（1×1卷积）成为计算瓶颈。为此，我们提出了一种轻量级单元——条件通道加权（conditional channel weighting），用于替代shuffle模块中计算开销较大的逐点卷积。该方法的计算复杂度与通道数呈线性关系，显著低于逐点卷积的二次时间复杂度。该方案能够从HRNet并行分支中自然存在的多尺度特征中学习通道权重，并利用这些权重作为跨通道与跨分辨率信息交换的桥梁，从而有效弥补了传统1×1卷积所承担的功能。实验表明，Lite-HRNet在人体姿态估计任务上显著优于现有主流轻量级网络。此外，Lite-HRNet可轻松扩展至语义分割任务，仍保持轻量化特性。相关代码与模型已公开发布于GitHub：https://github.com/HRNet/Lite-HRNet。