توفر آلات التوضع إطارًا تنبؤيًا تسلسليًا لتعلم نماذج مكانيّة ضمنيّة غنية. في هذه الدراسة، نُقدّم تصميمًا منهجيًا لكيفية دمج الشبكات التلافيفية (convolutional networks) في إطار آلة التوضع، بهدف تعلّم ميزات الصورة ونماذج مكانيّة تعتمد على الصورة لمهام تقدير التوضع. ويتمثل إسهام هذا البحث في نمذجة ضمنية للعلاقة الطويلة المدى بين المتغيرات في مهام التنبؤ الهيكلي، مثل تقدير التوضع المفصلي. ونحقق ذلك من خلال تصميم بنية تسلسلية مكوّنة من شبكات تلافيفية تعمل مباشرة على خرائط الاعتقاد (belief maps) من المراحل السابقة، مما ينتج تقديرات أكثر دقة تدريجيًا لمواقع الأجزاء، دون الحاجة إلى استنتاج من نوع النموذج الرسومي الصريح. وتعالج طريقة عملنا الصعوبة المميزة لاختفاء التدرجات أثناء التدريب من خلال توفير دالة هدف تعلّميّة طبيعية تفرض رقابة متوسطة (intermediate supervision)، مما يعيد تعبئة التدرجات المنقولة للخلف (back-propagated gradients) ويُحسّن عملية التعلّم. ونُظهر أداءً يُعدّ من أفضل الأداء في المجال، ونتفوّق على الطرق التنافسية على معايير قياسية شهيرة، تشمل مجموعات بيانات MPII وLSP وFLIC.