本論文では、複雑な多人数ビデオにおける人間の身体キーポイントの推定と追跡の問題を取り扱っています。私たちは最新の人間検出とビデオ理解の進歩に基づいて、非常に軽量でありながら効果的なアプローチを提案します。私たちの手法は2段階で動作します：フレームまたは短いクリップ内のキーポイント推定、その後軽量な追跡を行い、全体のビデオにわたる連続したキーポイント予測を生成します。フレームレベルでの姿勢推定には、Mask R-CNNを実験し、さらにこのモデルの独自の3次元拡張版も提案しています。これは、小さなクリップ上の時間情報を活用してより堅牢なフレーム予測を生成します。新しく公開された多人数ビデオ姿勢推定ベンチマークPoseTrackにおいて、我々のモデル設計選択肢を検証するために広範なアブレーション実験を行いました。当該手法はMulti-Object Tracking Accuracy (MOTA) 評価指標を使用して、検証セットで55.2%、テストセットで51.8%の精度を達成しており、ICCV 2017 PoseTrack キーポイント追跡チャレンジにおいて最先端の性能を発揮しています。