Wir schlagen eine neue bottom-up Methode zur Mehrpersonen-2D-Pose-Schätzung vor, die sich insbesondere für städtische Mobilität wie autonome Fahrzeuge und Lieferroboter eignet. Die neue Methode, PifPaf, verwendet ein Part Intensity Field (PIF), um Körperteile zu lokalisieren, und ein Part Association Field (PAF), um Körperteile miteinander zu verbinden und vollständige menschliche Poses zu bilden. Unser Verfahren übertrifft frühere Methoden bei niedriger Auflösung und in dicht besetzten, verworrenen und verdeckten Szenen dank (i) unseres neuen kompositen Felds PAF, das feingranulare Informationen kodiert, und (ii) der Wahl des Laplace-Verlusts für Regressionen, der einen Unsicherheitsbegriff einbezieht. Unsere Architektur basiert auf einem voll konvolutiven, Einzelschuss-Design ohne Bounding Boxen. Wir erzielen vergleichbare Ergebnisse mit dem aktuellen Stand der Technik bei bottom-up Methoden in der Standard-COCO-Keypoint-Aufgabe und produzieren Spitzenleistungen in einer modifizierten COCO-Keypoint-Aufgabe für den Transportbereich.