Pour l'estimation de la posture humaine dans des images monoculaires, les occultations articulaires et les superpositions sur les corps humains entraînent souvent des prédictions de posture déviées. Dans ces conditions, des prédictions de posture biologiquement invraisemblables peuvent être produites. En revanche, la vision humaine est capable de prédire les postures en exploitant les contraintes géométriques de l'interconnexion des articulations. Pour résoudre ce problème en intégrant des a priori sur la structure des corps humains, nous proposons un nouveau réseau neuronal convolutif structuré pour prendre implicitement en compte ces a priori lors de l'entraînement du réseau profond. L'apprentissage explicite de telles contraintes est généralement difficile. À la place, nous concevons des discriminateurs pour distinguer les postures réelles des postures fausses (comme celles qui sont biologiquement invraisemblables). Si le générateur de postures (G) produit des résultats que le discriminateur ne parvient pas à distinguer des vrais, le réseau réussit alors à apprendre les a priori.