Wir überdenken einen bekannten bottom-up-Ansatz für die Mehrperson-Pose-Schätzung neu und schlagen einen verbesserten Ansatz vor. Der verbesserte Ansatz übertrifft die Baseline erheblich dank (1) einer intuitiven, jedoch sinnvolleren Darstellung, die wir als „Körperteile“ bezeichnen, um die Verbindungsinformationen zwischen Schlüsselpunkten zu kodieren, (2) eines verbesserten gestapelten Hourglass-Netzwerks mit Aufmerksamkeitsmechanismen, (3) eines neuartigen focal L2-Verlustes, der gezielt die Identifikation schwieriger Schlüsselpunkte und Schlüsselpunkt-Assoziationen (Körperteile) fördert, sowie (4) eines robusten gierigen Algorithmus zur Schlüsselpunkt-Zuweisung zur Gruppierung der detektierten Schlüsselpunkte in einzelne Körperpose. Unser Ansatz funktioniert nicht nur unkompliziert, sondern erreicht im Durchschnitt eine Verbesserung der Genauigkeit um etwa 15 % gegenüber der Baseline und ist mit dem Stand der Technik auf dem MS-COCO test-dev-Datensatz vergleichbar. Der Quellcode und vortrainierte Modelle sind öffentlich online verfügbar.