Bien que des progrès significatifs aient été réalisés dans l'estimation de la posture humaine en 2D grâce aux réseaux neuronaux convolutifs (CNNs), l'estimation de la posture humaine en 3D n'a pas encore fait l'objet d'études approfondies. Dans cet article, nous abordons la tâche d'estimation de la posture humaine en 3D avec un apprentissage de bout en bout utilisant des CNNs. Les positions relatives 3D entre une articulation et les autres articulations sont apprises par le biais des CNNs. La méthode proposée améliore les performances des CNNs grâce à deux idées novatrices. Premièrement, nous avons ajouté des informations sur la posture en 2D pour estimer une posture en 3D à partir d'une image, en concaténant le résultat de l'estimation de la posture en 2D avec les caractéristiques extraites de l'image. Deuxièmement, nous avons constaté que des postures 3D plus précises sont obtenues en combinant les informations sur les positions relatives par rapport à plusieurs articulations, plutôt qu'à une seule articulation racine. Les résultats expérimentaux montrent que la méthode proposée atteint des performances comparables à celles des méthodes les plus avancées sur le jeu de données Human 3.6M.