Diese Arbeit präsentiert ein neuartiges Modell zum gegenseitigen Lernen zur Anpassung (Mutual Learning to Adapt, MuLA) für die gleichzeitige menschliche Segmentierung und Pose-Schätzung. Es nutzt effektiv die wechselseitigen Vorteile beider Aufgaben aus und steigert gleichzeitig deren Leistungsfähigkeit. Im Gegensatz zu bestehenden Methoden, die auf Nachverarbeitung oder mehrfach gestütztem Lernen basieren, berechnet MuLA dynamische, auf die Aufgabe zugeschnittene Modellparameter durch wiederholte Nutzung von Anleitungsinformationen aus den parallelen Aufgaben. Dadurch kann MuLA die Segmentierungs- und Pose-Modelle schnell anpassen, um mithilfe von Informationen aus den jeweiligen Gegenparten leistungsfähigere Darstellungen zu generieren, was zu robusteren und genauereren Ergebnissen führt. MuLA basiert auf Faltungsneuralen Netzen und ist end-to-end trainierbar. Umfassende Experimente auf den Benchmarks LIP und extended PASCAL-Person-Part belegen die Wirksamkeit des vorgeschlagenen MuLA-Modells, das gegenüber etablierten Baselines eine überlegene Leistung erzielt.