ニューラルネットワークにおける予測において、検証（verification）と回帰（regression）は2つの一般的なアプローチである。それぞれに固有の利点がある：検証は正確な推論が比較的容易であり、回帰は計算効率が高く、連続的なターゲット変数に対して適用しやすい。したがって、これらの手法を慎重に組み合わせることで、双方の利点を活かすことがしばしば有益である。本論文では、この考え方を基に最先端の物体検出手法であるRepPointsの性能向上を図るものである。RepPointsは高い性能を発揮するが、物体の位置推定において回帰に過度に依存しているため、改善の余地が残っている。そこで、RepPointsの位置推定プロセスに検証タスクを導入し、RepPoints v2を提案する。この手法は、異なるバックボーンネットワークおよび学習方法を用いた場合において、COCO物体検出ベンチマーク上で元のRepPointsと比較して約2.0 mAPの一貫した性能向上を達成した。また、単一モデルによる推論でCOCO \texttt{test-dev} において52.1 mAPを達成した。さらに、提案手法が他の物体検出フレームワークやインスタンスセグメンテーションなどの応用分野においても一般に有効であることを示した。コードは https://github.com/Scalsol/RepPointsV2 で公開されている。