نستكشف أهمية المعلومات السياقية المكانية في تقدير وضع الجسم البشري. يتم تدريب معظم شبكات الوضع المتقدمة حاليًا بطريقة متعددة المراحل وتنتج عدة توقعات مساعدة للرقابة العميقة. وفقًا لهذا المبدأ، نقدم وحدتين بسيطتين من الناحية المفهومية ومع ذلك فعالتين من الناحية الحسابية، وهما دمج التوقع التتابعي (Cascade Prediction Fusion - CPF) وشبكة العصبونات الرسومية للوضع (Pose Graph Neural Network - PGNN)، لاستغلال المعلومات السياقية الكامنة. يقوم دمج التوقع التتابعي بتجميع خرائط التوقع من المراحل السابقة لاستخراج الإشارات المعلوماتية. تعمل الخرائط الناتجة أيضًا كمسبق (prior) لتوجيه التوقع في المراحل اللاحقة. لتعزيز الارتباط المكاني بين المفاصل، يتعلم PGNN تمثيلًا مهيكلًا لوضع الجسم البشري كرسم بياني. يتم تمكين نقل الرسائل المباشر بين المفاصل المختلفة ويتم التقاط العلاقة المكانية. تتطلب هاتان الوحدتان تعقيدًا حاسوبيًا قليلًا جدًا. تظهر النتائج التجريبية أن طريقتنا تتفوق بشكل مستمر على الطرق السابقة في مقاييس MPII وLSP.