تحليل الأشخاص المتعددين هو مهمة تقسيم الصور تتطلب معلومات على مستوى المثال وعلى مستوى الفئات الدقيقة. ومع ذلك، فإن البحوث السابقة قد تعاملت عادةً مع هذين النوعين من المعلومات عبر فروع منفصلة وصيغ مخرجات مختلفة، مما أدى إلى إطارات غير فعالة ومكررة. يُقدم هذا البحث UniParser (يونيبارسر)، وهو نظام يدمج تمثيلات المستوى المثالي ومستوى الفئة في ثلاثة جوانب رئيسية: 1) نقترح نهجًا موحدًا لتعلم التمثيل المرتبط، مما يسمح لشبكتنا بتعلم خصائص المثال والفئة ضمن فضاء الكوساين (cosine space)؛ 2) نوحّد صيغة مخرجات كل الوحدات كنتائج تقسيم على مستوى البكسل بينما نراقب خصائص المثال والفئة باستخدام تسمية متجانسة مرافقة بخسارة مساعدة (auxiliary loss)؛ و3) نصمّم إجراءً مشتركًا لتحسين دمج تمثيلات المستوى المثالي ومستوى الفئة. بفضل توحيد مخرجات المستوى المثالي ومستوى الفئة، يتمكن UniParser (يونيبارسر) من تجاوز التقنيات المعالجة اللاحقة المصممة يدويًا ويتفوق على أفضل الأساليب الحالية، حيث حقق نسبة دقة 49.3% AP على MHPv2.0 ونسبة دقة 60.4% AP على CIHP. سنقوم بإصدار شفرتنا المصدرية والنموذج الأولي المدرب والمظاهر الحية عبر الإنترنت لتسهيل الدراسات المستقبلية.