In dieser Arbeit schlagen wir vor, Informationen über menschliche Aktivitäten zu nutzen, um die Pose-Schätzung in monoaularen Videos zu verbessern. Zu diesem Zweck präsentieren wir ein bildhaftes Strukturmodell (pictorial structure model), das hochwertige Informationen über Aktivitäten nutzt, um höhere Ordnungsteileabhängigkeiten durch Modellierung von aktionspezifischen Erscheinungsmodellen und Pose-Priors zu berücksichtigen. Allerdings verwenden wir anstelle eines zusätzlichen, aufwendigen Aktionserkennungsrahmens effizient geschätzte Aktionspriors in unserem Pose-Schätzungsrahmen. Dies wird erreicht, indem man mit einem gleichmäßigen Aktionsprior beginnt und diesen während der Pose-Schätzung aktualisiert. Wir zeigen außerdem, dass das Lernen der richtigen Menge an Erscheinungsüberlappungen zwischen Aktionsklassen die Pose-Schätzung verbessert. Die Effektivität des vorgeschlagenen Verfahrens demonstrieren wir anhand zweier anspruchsvoller Datensätze für Pose-Schätzung und Aktionserkennung mit mehr als 80.000 Testbildern.