تهدف تقدير وضعية الإنسان باستخدام الشبكات العصبية العميقة إلى رسم صور الإدخال ذات التباينات الكبيرة إلى نقاط مفتاحية متعددة للجسم يجب أن تحقق مجموعة من القيود الهندسية والارتباطات المفروضة بواسطة نموذج جسم الإنسان. هذا هو عملية تعلم منحنيات غير خطية معقدة للغاية في فضاء خصائص عالي الأبعاد. نعتقد أن الشبكة العصبية العميقة، التي هي بطبيعتها نظام حسابي جبري، ليست الطريقة الأكثر كفاءة لتقديم المعرفة البشرية المعقدة للغاية، مثل الخصائص الهندسية المرتبطة بشكل كبير والارتباط بين نقاط المفاتيح في وضعيات الإنسان. في هذا العمل، نقترح استكشاف كيفية تمثيل وحقن المعرفة الخارجية بفعالية في الشبكات العصبية العميقة لتوجيه عملية التدريب باستخدام التسخيرات المستفادة التي تفرض سابقاً مناسباً. تحديداً، نستخدم تصميم الساعة الرملية المتراكمة (stacked hourglass) ووحدة إنسيپشن-ريسنت (inception-resnet) لبناء شبكة كسرية (fractal network) لتقدير صور وضعيات الإنسان إلى خرائط حرارية دون نمذجة بيانية صريحة. نقوم بتشفير المعرفة الخارجية بخصائص بصرية قادرة على وصف قيود نماذج جسم الإنسان وتقييم ملاءمة إخراج الشبكة الوسيط. ثم نحقن هذه الخصائص الخارجية في الشبكة العصبية باستخدام مصفوفة تسخير مستفادة من خلال دالة تكلفة مساعدة. يتم تقييم فعالية الوحدة المقترحة إنسيپشن-ريسنت ومزايا التعلم المنظم بالمعرفة المستفادة على مقعدين معروفين على نطاق واسع للمعايير. يحقق أسلوبنا أداءً رائدًا في كلتا المجموعتين.请注意，对于一些不常见的术语，我在翻译中保留了英文并加上了括号以确保信息的完整性。例如：“stacked hourglass”、“inception-resnet” 和 “fractal network”。这些术语在阿拉伯语中可能没有通用的翻译，因此保留英文有助于读者理解。