本研究提出UNSCT-HRNet框架，旨在解决全髋关节置换术中因患者姿势不当或解剖标志遮挡导致的标志检测问题。通过引入空间关系融合模块和不确定性估计模块，模型在无结构数据上的准确性提高超过60%，展现出良好的鲁棒性，具有自动化解决方案的潜力。

HigherHRNet是一种新的下向人体姿态估计方法，使用高分辨率特征金字塔学习尺度感知表示，具有多分辨率监督训练和多分辨率聚合推理的能力。它能够解决下向多人姿势估计中的尺度变化挑战，从而更精确地定位关键点，特别适用于小尺寸人体。在COCO test-dev中，它比以前最好的下向方法提高了2.5% AP，在CrowdPose test上甚至超过了所有自上而下的方法，表明其在拥挤场景中具有鲁棒性。

本文介绍了Pixel-in-Pixel Net（PIPNet）对面部关键点检测的改进方法，解决了热图回归模型的问题。实验结果显示，该模型在基准测试和跨领域测试中表现出色。同时，PIPNet的轻量级版本在CPU和GPU上运行速度快，精度与最先进方法相当。