La prédiction du mouvement humain constitue une tâche difficile en raison de la nature stochastique et aperiodique des postures futures. Récemment, les réseaux de convolution sur graphe (GCN) se sont avérés particulièrement efficaces pour modéliser les relations dynamiques entre les articulations du corps humain, ce qui est bénéfique pour la prédiction des postures. D’un autre côté, une posture humaine peut être abstraite de manière récursive afin d’obtenir un ensemble de postures à plusieurs échelles. Avec l’augmentation du niveau d’abstraction, le mouvement de la posture devient de plus en plus stable, ce qui contribue également à une meilleure prédiction. Dans cet article, nous proposons un nouveau modèle, le Multi-Scale Residual Graph Convolution Network (MSR-GCN), dédié à la prédiction de mouvements humains de manière end-to-end. Les GCN sont utilisés pour extraire des caractéristiques à partir de l’échelle fine vers l’échelle grossière, puis à nouveau de l’échelle grossière vers l’échelle fine. Les caractéristiques extraites à chaque échelle sont ensuite combinées et décodées afin d’estimer les résidus entre les postures d’entrée et les postures cibles. Des supervision intermédiaires sont appliquées à toutes les postures prédites, ce qui pousse le réseau à apprendre des représentations plus significatives. L’approche proposée a été évaluée sur deux jeux de données standards, à savoir Human3.6M et CMU Mocap. Les résultats expérimentaux montrent que notre méthode surpasser les approches les plus avancées de l’état de l’art. Le code source et les modèles pré-entraînés sont disponibles à l’adresse suivante : https://github.com/Droliven/MSRGCN.