مع ظهور التعلم العميق، تحولت مشكلة الكشف عن الأشياء من نهج تحليلي من الأسفل إلى الأعلى إلى نهج تحليلي من الأعلى إلى الأسفل. الخوارزميات الرائدة اليوم تقوم بإدراج قائمة شبه شاملة لمواقع الأشياء وتقوم بتصنيف كل موقع منها على أنه: شيء أو ليس شيئًا. في هذا البحث، نوضح أن النهج التحليلية من الأسفل إلى الأعلى لا تزال تؤدي بشكل تنافسي. نكشف عن أربع نقاط متطرفة (أعلى نقطة، أقصى نقطة يمينًا، أدنى نقطة، أقصى نقطة يسارًا) ونقطة مركزية واحدة للأجسام باستخدام شبكة تقدير النقاط الرئيسية القياسية. إذا كانت هذه النقاط الخمس محاذاة هندسياً، فإننا نقوم بتجميعها في صندوق حدودي. ثم يكون الكشف عن الأجسام مشكلة تقدير النقاط الرئيسية تعتمد بالكامل على المظهر، دون تصنيف المناطق أو تعلم خصائص ضمني. الطريقة المقترحة تؤدي بشكل مماثل للطرق الرائدة القائمة على المناطق، مع نسبة دقة صناديق الحدود (bounding box AP) قدرها 43.2% على مجموعة اختبار COCO test-dev. بالإضافة إلى ذلك، النقاط المتطرفة التي نقدرها مباشرة تمتد لتشكل قناعاً ثمانياً خشناً، بمعدل دقة القناع (Mask AP) على COCO قدره 18.9%， وهو أفضل بكثير من معدل دقة القناع لصناديق الحدود التقليدية. يحسن التجزئة الموجهة بالنقاط المتطرفة هذا الأمر أكثر ليصل إلى نسبة دقة القناع (Mask AP) 34.6%.