In dieser Arbeit schlagen wir ein vollständig konvolutionsbasiertes Netzwerk für die 3D-Pose-Schätzung aus monoaularen Bildern vor. Wir verwenden Gliedmaßenorientierungen als neue Methode zur Darstellung von 3D-Posen und verbinden die Orientierung mit dem Begrenzungsrahmen jeder Gliedmaßenregion, um eine bessere Zuordnung von Bildern und Vorhersagen zu ermöglichen. Die 3D-Orientierungen werden gemeinsam mit den 2D-Schlüsselpunkterkennungen modelliert. Ohne zusätzliche Nebenbedingungen kann diese einfache Methode auf mehreren großen Benchmarks gute Ergebnisse erzielen. Weitere Experimente zeigen, dass unsere Methode sich gut auf neue Szenarien verallgemeinern lässt und robust gegenüber ungenauen Begrenzungsrahmen ist.