Les estimateurs de posture multi-personnes existants peuvent être grossièrement divisés en deux catégories : les approches à deux étapes (méthodes haut-bas et bas-haut) et les approches à une seule étape. Les méthodes à deux étapes souffrent soit d’une redondance computationnelle élevée due aux détecteurs supplémentaires de personnes, soit d’un regroupement heuristique des points clés après la prédiction de tous les points clés indépendants des instances. Les méthodes à une seule étape récemment proposées ne reposent pas sur ces deux étapes supplémentaires, mais présentent une performance inférieure à celle des meilleures approches bas-haut. Dans ce travail, nous proposons une nouvelle méthode à une seule étape pour la régression de posture multi-personnes, nommée SMPR (Single-Stage Multi-Person Pose Regression). Elle suit le paradigme de la prédiction dense et prédit des points clés sensibles aux instances à partir de chaque emplacement. En plus de l’agrégation de caractéristiques, nous introduisons des stratégies améliorées pour définir des hypothèses de posture positives lors de l’entraînement, lesquelles jouent un rôle crucial dans l’estimation dense de posture. Le réseau apprend également des scores pour les postures estimées. La stratégie de notation des postures améliore davantage la performance de l’estimation en privilégiant les postures de meilleure qualité durant la suppression non maximale (NMS). Nous montrons que notre méthode dépasse non seulement les méthodes existantes à une seule étape, mais reste également compétitive par rapport aux dernières approches bas-haut, obtenant respectivement 70,2 AP et 77,5 AP75 sur le benchmark de test-dev de posture COCO. Le code est disponible à l’adresse suivante : https://github.com/cmdi-dlut/SMPR.