単一画像からの多人数3次元人体ポーズ推定は、特に屋外環境（in-the-wild）において3次元ラベル付きデータの不足により、困難な課題である。本研究では、マスクRCNNをベースとしつつ、ホアーガラス（Hourglass）アーキテクチャの利点を活かしたHG-RCNNを提案する。本手法は2段階アプローチを採用しており、まず各領域（Region of Interest: RoI）において2次元キーポイントを推定し、その後、推定されたキーポイントを3次元空間に再構築する。最後に、弱透視投影（weak-perspective projection）の仮定に基づき、焦点距離と根部の並進量を共同最適化することで、推定された3次元ポーズをカメラ座標系に配置する。この結果、複数人の3次元人体ポーズデータセットを一切必要としない、シンプルかつモジュール性の高いネットワークを実現した。単純な構成にもかかわらず、MuPoTS-3Dデータセットにおいて最先端の性能を達成するとともに、カメラ座標系における3次元ポーズの推定も正確に実現している。