In diesem Paper stellen wir eine adaptive Gewichtungs-Regression (AWR)-Methode vor, die die Vorteile von detektionsbasierten und regressionsbasierten Ansätzen nutzt. Die Koordinaten der Handgelenke werden als diskrete Integration aller Pixel in einer dichten Darstellung geschätzt, geleitet durch adaptiv generierte Gewichtskarten. Dieser lernbare Aggregationsprozess führt sowohl dichte als auch gelenkbezogene Supervision ein, was eine end-to-end-Trainierbarkeit ermöglicht und die Anpassungsfähigkeit der Gewichtskarten unterstützt. Dadurch wird die Genauigkeit und Robustheit des Netzwerks erhöht. Um die Wirksamkeit und Allgemeingültigkeit der AWR unter verschiedenen experimentellen Bedingungen zu überprüfen, werden umfassende Evaluationsexperimente durchgeführt, insbesondere hinsichtlich ihrer Eignung für verschiedene Arten dichter Darstellungen und Eingabemodalitäten. Unsere Methode erreicht auf vier öffentlich verfügbaren Datensätzen – einschließlich NYU, ICVL, MSRA und dem HANDS 2017-Datensatz – eine bessere Leistung als andere state-of-the-art-Verfahren.