Verifikation und Regression sind zwei allgemeine Methodologien zur Vorhersage in neuronalen Netzen. Jede hat ihre eigenen Stärken: Verifikation lässt sich oft genauer inferieren, während Regression effizienter ist und für kontinuierliche Zielvariablen geeignet ist. Daher ist es oft vorteilhaft, sie sorgfältig zu kombinieren, um von ihren jeweiligen Vorteilen zu profitieren. In diesem Paper verfolgen wir diese Philosophie, um state-of-the-art-Objektdetektion, speziell RepPoints, zu verbessern. Obwohl RepPoints eine hohe Leistung erzielt, stellen wir fest, dass dessen starkes Engagement für Regression bei der Objektlokalisierung Verbesserungspotenzial bietet. Wir integrieren Verifikationsaufgaben in die Lokalisationsvorhersage von RepPoints und entwickeln RepPoints v2, das im Vergleich zur ursprünglichen Version von RepPoints auf dem COCO-Objektdetektionsbenchmark – unabhängig von verschiedenen Backbones und Trainingsmethoden – konsistente Verbesserungen von etwa 2,0 mAP erzielt. RepPoints v2 erreicht zudem eine mAP von 52,1 auf COCO \texttt{test-dev} mit einem einzigen Modell. Darüber hinaus zeigen wir, dass der vorgeschlagene Ansatz auch andere Objektdetektionsframeworks sowie Anwendungen wie die Instanzsegmentierung generell verbessern kann. Der Quellcode ist unter https://github.com/Scalsol/RepPointsV2 verfügbar.