Les méthodes basées sur les cartes de chaleur dominent actuellement l’estimation de la posture 2D humaine, malgré le fait que la régression semble plus intuitive. L’introduction de la méthode de régression intégrée, qui, au niveau de l’architecture, utilise implicitement une carte de chaleur, rapproche davantage les deux approches. Cela soulève une question fondamentale : la détection surpasse-t-elle réellement la régression ? Dans cet article, nous examinons la différence de supervision entre la détection basée sur les cartes de chaleur et la régression intégrée, car il s’agit de la principale différence restante entre les deux méthodes. Au cours de cette étude, nous identifions un biais sous-jacent inhérent à la régression de posture intégrée, qui provient du fait de prendre l’espérance après la fonction softmax. Pour corriger ce biais, nous proposons une méthode de compensation que nous montrons améliorer significativement la précision de la régression intégrée sur toutes les benchmarks d’estimation de posture 2D. En outre, nous introduisons une méthode simple combinant détection et régression corrigée du biais, qui surpassent considérablement les états de l’art actuels avec très peu de composants supplémentaires.