Nous proposons un cadre de estimation de la posture humaine qui aborde la tâche de manière régressive. Contrairement aux méthodes régressives antérieures, souvent inférieures aux approches de pointe, nous reformulons le problème d’estimation de posture comme un problème de prédiction de séquence, pouvant être efficacement résolu par des modèles à transformer. Notre cadre est simple et direct, évitant les inconvénients propres aux méthodes basées sur les cartes de chaleur. De plus, grâce au mécanisme d’attention des transformateurs, notre approche est capable d’attribuer automatiquement une importance accrue aux caractéristiques les plus pertinentes par rapport aux points clés cibles, ce qui permet de surmonter largement le problème d’alignement erroné des caractéristiques rencontré par les méthodes régressives antérieures et d’améliorer considérablement les performances. De façon importante, notre cadre peut exploiter naturellement les relations structurées entre les points clés. Des expériences menées sur les jeux de données MS-COCO et MPII démontrent que notre méthode permet d’améliorer significativement l’état de l’art des méthodes régressives d’estimation de posture, tout en atteignant des performances comparables aux meilleures méthodes basées sur les cartes de chaleur.