针对高分辨率人体姿态估计网络存在参数量大、运算复杂度高等问题，提出一种基于高分辨率网络（HRNet）的轻量型沙漏坐标注意力网络（SCANet）用于人体姿态估计。首先引入沙漏（Sandglass）模块和坐标注意力（CoordAttention）模块；然后在此基础上构建了沙漏坐标注意力瓶颈（SCAneck）模块和沙漏坐标注意力基础 （SCAblock）模块两种轻量型模块，在降低模型参数量和运算复杂度的同时，获取特征图空间方向的长程依赖和精确位置信息。实验结果显示，在相同图像分辨率和环境配置的情况下，在COCO（Common Objects in COntext）校验集上，SCANet模型与HRNet模型相比参数量降低了52.6%，运算复杂度降低了60.6%；在MPII（Max Planck Institute for Informatics）校验集上，SCANet模型与HRNet模型相比参数量和运算复杂度分别降低了52.6%和61.1%；与常见的人体姿态估计网络如堆叠沙漏网络（Hourglass）、级联金字塔网络（CPN）和SimpleBaseline相比，SCANet模型在拥有更少的参数量与运算复杂度的情况下，仍能实现对人体关键点的高准确度预测。
