Dans cet article, nous proposons une méthode de régression à pondération adaptative (AWR) afin d’exploiter les avantages des approches basées sur la détection et celles basées sur la régression. Les coordonnées des articulations de la main sont estimées comme une intégration discrète de tous les pixels dans une représentation dense, guidée par des cartes de pondération adaptatives. Ce processus d’agrégation apprenable introduit à la fois une supervision dense et une supervision par joint, permettant une entraînement end-to-end et conférant une adaptabilité aux cartes de pondération, ce qui rend le réseau plus précis et plus robuste. Des expériences d’exploration approfondies sont menées afin de valider l’efficacité et la généralité de l’AWR dans diverses configurations expérimentales, en particulier son utilité pour différents types de représentations denses et de modalités d’entrée. Notre méthode surpasser les autres méthodes de pointe sur quatre jeux de données publiques, notamment NYU, ICVL, MSRA et le jeu de données HANDS 2017.