In dieser Arbeit stellen wir MultiPoseNet vor, eine neuartige bottom-up Architektur zur Mehrpersonen-Pose-Schätzung, die ein Multitask-Modell mit einer neuen Zuordnungsmethode kombiniert. MultiPoseNet kann gleichzeitig die Probleme der Personenerkennung, Keypoint-Erkennung, Personensegmentierung und Pose-Schätzung bearbeiten. Die neuartige Zuordnungsmethode wird durch das Pose Residual Network (PRN) implementiert, das Keypoints und Personen-Erkennungen als Eingabe erhält und durch die Zuordnung von Keypoints zu Personinstanzen genaue Posen erzeugt. Auf dem COCO Keypoints Datensatz übertrifft unsere Pose-Schätzmethode alle früheren bottom-up Methoden sowohl in Bezug auf Genauigkeit (+4 Punkte mAP im Vergleich zum bisher besten Ergebnis) als auch auf Geschwindigkeit; sie erreicht zudem vergleichbare Leistungen wie die besten top-down Methoden, ist aber mindestens 4-mal schneller. Unsere Methode ist das schnellste Echtzeitsystem mit 23 Bildern pro Sekunde. Der Quellcode ist unter folgender URL verfügbar: https://github.com/mkocabas/pose-residual-network