Ce travail présente une nouvelle architecture de réseau convolutif pour la tâche d'estimation de la posture humaine. Les caractéristiques sont traitées à toutes les échelles et consolidées afin de capturer au mieux les différentes relations spatiales associées au corps. Nous démontrons comment le traitement répété bas-niveau, haut-niveau (bottom-up, top-down) utilisé en conjonction avec une supervision intermédiaire est crucial pour améliorer les performances du réseau. Nous désignons cette architecture par un réseau « en sablier empilé » (stacked hourglass), en raison des étapes successives de regroupement (pooling) et d'échantillonnage ascendant (upsampling) effectuées pour produire un ensemble final de prédictions. Des résultats d'avant-garde sont obtenus sur les bancs d'essai FLIC et MPII, surpassant toutes les méthodes récentes.