人間中心の知覚は、監視、自動運転、メタバースなど、幅広い産業応用を持つ様々なビジョンタスクを含みます。多様な人間中心の下流タスクに適応可能な一般的な事前学習モデルの開発が望まれています。本論文では、ベンチマークと事前学習手法の両面からこの方向性に進展を遂げています。具体的には、既存のデータセットに基づいて19のデータセットで6つの異なる下流タスク（人物再識別（ReID）、姿勢推定、人間パーシング、歩行者属性認識、歩行者検出、群衆カウント）の一般化能力を包括的に評価するための HumanBench を提案します。また、人間体における粗粒度および細粒度の知識を学習するために、Projector Assisted Transfer Hierarchical 事前学習手法（PATH）を提案し、異なる粒度レベルでの多様な知識を学習します。HumanBench 上での包括的な評価により、我々の PATH は17つの下流データセットで新しい最先端の結果を達成し、残り2つのデータセットでも同等の結果を得ました。コードは \href{https://github.com/OpenGVLab/HumanBench}{https://github.com/OpenGVLab/HumanBench} で公開されます。注：「\textbf{PATH}」は「Projector Assisted Transfer Hierarchical」の頭文字から成る略語です。