Diese Arbeit stellt eine neue Faltungsnetzarchitektur für die Aufgabe der menschlichen Pose-Schätzung vor. Merkmale werden auf allen Skalen verarbeitet und zusammengefasst, um die verschiedenen räumlichen Beziehungen des Körpers optimal zu erfassen. Wir zeigen, wie wiederholte bottom-up, top-down-Verarbeitung in Verbindung mit intermediärer Überwachung entscheidend für die Verbesserung der Netzleistung ist. Aufgrund der nacheinander durchgeführten Pooling- und Upsampling-Schritte, die zur Erzeugung einer endgültigen Menge von Vorhersagen dienen, bezeichnen wir diese Architektur als „gestapeltes Stundenglas“-Netz (stacked hourglass). Spitzenpositionen wurden bei den Benchmarks FLIC und MPII erreicht, wobei alle jüngsten Methoden übertroffen wurden.