本研究は、ヒューマンポーズ推定のタスクに向けた新しい畳み込みネットワークアーキテクチャを提案します。特徴量はすべてのスケールで処理され、身体に関連する様々な空間的な関係を最適に捉えるために統合されます。私たちは、中間監督と組み合わせて使用される反復的なボトムアップ・トップダウン処理が、ネットワークの性能向上において重要な役割を果たすことを示しています。このアーキテクチャは、プーリングとアップサンプリングの逐次的なステップによって最終的な予測セットが生成されることから、「スタックされたアワーガラス（stacked hourglass）」ネットワークと呼んでいます。FLICおよびMPIIベンチマークにおいて最先端の結果が得られ、最近の全ての手法を上回っています。