RepPoints V2：验证与回归相结合的目标检测

验证（verification）与回归（regression）是神经网络中用于预测的两种通用方法。二者各具优势：验证方法通常更易于实现高精度的推理，而回归方法在计算效率上更具优势，且适用于连续型目标变量。因此，将二者有机结合，往往能够充分发挥各自的优势。本文秉承这一理念，旨在提升当前最先进的目标检测方法——RepPoints。尽管RepPoints已展现出卓越的性能，但我们发现其在目标定位上过度依赖回归，存在进一步优化的空间。为此，我们引入了验证任务来增强RepPoints的定位预测能力，提出改进版本RepPoints v2。在COCO目标检测基准上，使用不同骨干网络和训练方法，RepPoints v2相较原始RepPoints实现了约2.0 mAP的稳定提升。此外，仅凭单一模型，RepPoints v2在COCO \texttt{test-dev} 上达到了52.1 mAP的性能。进一步实验表明，所提出的方法具有更广泛的适用性，可有效提升其他目标检测框架以及实例分割等下游任务的性能。代码已开源，地址为：https://github.com/Scalsol/RepPointsV2。