Un réseau à haute résolution présente une capacité remarquable à extraire des caractéristiques à plusieurs échelles pour l’estimation de la posture humaine, mais échoue à capturer les interactions à longue portée entre les articulations et présente une complexité computationnelle élevée. Pour résoudre ces problèmes, nous proposons un réseau haute résolution léger dynamique, nommé Dite-HRNet, capable d’extraire efficacement des informations contextuelles à plusieurs échelles et de modéliser les dépendances spatiales à longue portée pour l’estimation de la posture humaine. Plus précisément, nous introduisons deux méthodes : la convolution par division dynamique et la modélisation contextuelle adaptative, que nous intégrons dans deux nouveaux blocs légers, respectivement appelés bloc dynamique de contexte multi-échelle et bloc dynamique de contexte global. Ces deux blocs, servant de composants fondamentaux dans notre Dite-HRNet, sont spécialement conçus pour les réseaux à haute résolution afin d’exploiter pleinement l’architecture parallèle multi-résolution. Les résultats expérimentaux montrent que le réseau proposé atteint des performances supérieures sur les jeux de données COCO et MPII pour l’estimation de la posture humaine, dépassant les réseaux légers les plus avancés actuellement disponibles. Le code est disponible à l’adresse suivante : https://github.com/ZiyiZhang27/Dite-HRNet.