التحقق والانحدار هما طريقتان عامتان للتنبؤ في الشبكات العصبية. لكل منهما مزايا خاصة: فالتحقق يمكن أن يكون أسهل في الاستنتاج بدقة، بينما يكون الانحدار أكثر كفاءة وملائمًا للمتغيرات المستهدفة المستمرة. ولذلك، غالبًا ما يكون من المفيد دمج هاتين الطريقتين بعناية للاستفادة من مزاياهما. في هذه الورقة، نتبع هذه الفلسفة لتحسين أداء كشف الكائنات من الجيل الحديث، وبشكل خاص من خلال نموذج RepPoints. وعلى الرغم من الأداء العالي الذي يوفره RepPoints، نلاحظ أن اعتماده الكبير على الانحدار في تحديد مواقع الكائنات يترك مجالًا للتحسين. ولذلك، نُدخل مهام التحقق إلى عملية التنبؤ بتحديد المواقع في RepPoints، مما يؤدي إلى تطوير نسخة مُحسَّنة تُسمى RepPoints v2، والتي تُظهر تحسينات مستمرة تصل إلى حوالي 2.0 نقطة في مقياس mAP مقارنةً بالنسخة الأصلية من RepPoints، وذلك على معيار كشف الكائنات COCO باستخدام معماريات وطرق تدريب مختلفة. كما تحقق RepPoints v2 نتيجة قدرة على 52.1 mAP على مجموعة COCO \texttt{test-dev} باستخدام نموذج واحد فقط. علاوةً على ذلك، نُظهر أن النهج المقترح يمكنه رفع أداء أطر كشف الكائنات الأخرى، فضلًا عن تطبيقات مثل التجزئة الفردية (instance segmentation). يُمكن الاطلاع على الشفرة المصدرية على الرابط: https://github.com/Scalsol/RepPointsV2.