في هذه الورقة البحثية، نُجري دراسة لمهام تقدير وضعية الإنسان ثلاثية الأبعاد في البيئات الطبيعية (في البرية). تُعد هذه المهمة صعبة بسبب نقص بيانات التدريب، حيث إن المجموعات المتاحة حاليًا إما تحتوي على صور من البيئات الطبيعية مع وضعيات ثنائية الأبعاد، أو على صور من البيئات المعملية مع وضعيات ثلاثية الأبعاد.نُقدّم طريقة تعلم انتقالي ضعيف التحفيز (weakly-supervised transfer learning) تستخدم تسميات مختلطة ثنائية وثلاثية الأبعاد داخل شبكة عصبية عميقة موحدة تتميز ببنية متسلسلة مزدوجة المرحلة. تعتمد شبكة العمل على تعزيز شبكة فرعية لتقدير الوضعية الثنائية الأبعاد من أحدث التقنيات بوجود شبكة فرعية لاسترجاع العمق ثلاثي الأبعاد. على عكس الطرق الثنائية المراحل السابقة التي تدرّب الشبكتين الفرعيتين بشكل منفصل ومتسلسل، فإن تدريب شبكتنا يتم بشكل متكامل (end-to-end) ويستغل بالكامل الارتباط بين مهام تقدير الوضعية الثنائية الأبعاد واسترجاع العمق. ونتيجة لذلك، تُتعلم الميزات العميقة بشكل أفضل من خلال تمثيلات مشتركة بين المهمتين. وبهذا، يتم نقل العلامات ثلاثية الأبعاد المُكتسبة في البيئات المُتحكم بها إلى الصور المأخوذة في البيئات الطبيعية. بالإضافة إلى ذلك، نُقدّم قيدًا هندسيًا ثلاثي الأبعاد لتنظيم توقع الوضعية ثلاثية الأبعاد، وهو فعّال حتى في غياب علامات العمق الحقيقية (ground truth). وقد حققت طريقة العمل نتائج تنافسية على كلا المعايير الثنائية والثلاثية الأبعاد.