摘要
现代目标检测器在各种识别阶段（如锚框、提议框和最终预测）中严重依赖矩形边界框来表示目标。虽然边界框便于使用，但只能提供粗略的目标定位，并导致相应粗糙的目标特征提取。本文提出了一种新的、更为精细的目标表示方法——RepPoints（代表性点），该方法通过一组采样点来表示目标，这些点对于定位和识别都非常有用。给定用于训练的真实目标定位和识别标签，RepPoints能够自动调整自身位置，以限定目标的空间范围并指示语义上重要的局部区域。此外，它们不需要使用锚框来采样边界框空间。我们展示了基于RepPoints的无锚框目标检测器可以与最先进的基于锚框的检测方法一样有效，在COCO测试开发集上的检测基准达到了46.5的平均精度（AP）和67.4的$AP_{50}$，使用的是ResNet-101模型。代码可在https://github.com/microsoft/RepPoints 获取。