تعتبر معظم الدراسات الحالية في تقدير وضعية المشاة (pedestrian pose estimation) غير قادرة على تقدير وضعية المشاة المُحَجَّبَة، وذلك لأن بيانات التسمية الخاصة بالجزء المُحَجَّب غير متوفرة في مجموعات البيانات المرتبطة بالسيارات. على سبيل المثال، لا تقدم مجموعة بيانات CityPersons، التي تُعد من أشهر مجموعات البيانات المستخدمة في كشف المشاة في المشاهد ذاتية القيادة، أي تسميات لوضعية المشاة، في حين أن مجموعة بيانات MS-COCO، التي تُصنف كمجموعة بيانات غير ذات صلة بالسيارات، تحتوي على تسميات لتقدير وضعية الإنسان. في هذا العمل، نقترح إطارًا متعدد المهام لاستخراج ميزات المشاة من خلال مهام كشف المشاة والتقسيم الحديدي (instance segmentation) التي تُنفَّذ بشكل منفصل على هاتين المجموعتين المُختلفتين. ثم، يقوم معالج (encoder) بتعلم ميزات مخصصة لوضعية المشاة باستخدام طريقة تكييف مجالي على مستوى المثيل (unsupervised instance-level domain adaptation) لInstances المشاة من كلا المجموعتين. وقد أظهر الإطار المقترح تحسنًا في الأداء مقارنة بأفضل النتائج المُحقَّقة سابقًا في مجالات تقدير الوضعية، وكشف المشاة، والتقسيم الحديدي.