Les indices d'apparence et les indices de contrainte sont tous deux essentiels pour l'estimation de la posture humaine. Toutefois, la plupart des travaux existants présentent une tendance à surajuster les premiers tout en négligeant les seconds. Dans cet article, nous proposons une méthode appelée AID (Augmentation by Information Dropping) afin de vérifier et de résoudre ce dilemme. En tant que prérequis pour exploiter pleinement son potentiel, nous introduisons également des stratégies d'entraînement personnalisées, conçues par une analyse approfondie du comportement de la perte et de la performance au cours du processus d'entraînement, depuis la perspective de l'apport d'information. Expérimentalement, en tant qu'approche indépendante du modèle, AID améliore de manière significative diverses méthodes de pointe, tant dans les paradigmes bottom-up que top-down, quelle que soit la taille d'entrée, l'architecture, le modèle de base, ou les jeux de données d'entraînement et de test. Sur le jeu de test COCO, couramment utilisé pour l'estimation de posture humaine, AID améliore de manière cohérente les performances de différentes configurations de 0,6 AP environ dans le paradigme top-down, et jusqu'à 1,5 AP dans le paradigme bottom-up. Sur le jeu de données plus exigeant CrowdPose, l'amélioration dépasse 1,5 AP. Étant donné qu’AID permet de repousser de manière significative les limites de performance du problème d’estimation de posture humaine et établit un nouveau record, nous espérons qu’il deviendra une configuration standard pour l’entraînement des estimateurs de posture humaine. Le code source sera rendu publiquement disponible afin de favoriser les recherches futures.