ニューラルネットワークは姿勢推定に非常に効果的なツールです。しかし、他のコンピュータビジョンのタスクと同様に、ドメイン外データに対する堅牢性は依然として課題であり、特に実世界のアプリケーションで一般的な小さな訓練データセットではその問題が顕著です。本研究では、MobileNetV2s、ResNets、EfficientNetsの3つのアーキテクチャクラスを用いて姿勢推定の汎化能力を調査しました。私たちは30頭の馬からなるデータセットを開発し、「ドメイン内」と「ドメイン外」（未見の馬）のベンチマークテストが可能となりました。これは現在の人間の姿勢推定ベンチマークが直接対処していない重要な堅牢性テストです。私たちは、これらのアーキテクチャがまずImageNetで事前学習された場合、ドメイン内およびドメイン外データにおいてより優れた性能を示すことを示しました。さらに、ImageNetでより高性能なモデルが動物種間でもより良い汎化性能を示すことも確認しました。また、Horse-Cという新しいベンチマークを導入しました。これは姿勢推定における一般的な Corruption（腐敗）に対する評価を行うためのものです。このドメインシフトの文脈でも事前学習が性能向上に寄与することを確認しています。全体的に、私たちの結果は転移学習がドメイン外堅牢性にとって有益であることを示しています。