多数の深層学習物体検出器はアンカー機構に基づいており、アンカー・ボックスと真値ボックスとの間の交差率（Intersection over Union, IoU）を用いて、アンカーと物体間のマッチング品質を評価している。本論文では、このIoUの使用に疑問を呈し、トレーニング段階において位置推定と分類の両タスクの最適化をもとにした新たなアンカーマッチング基準を提案する。この手法では、一方のタスクの予測結果を用いて他方のタスクの改善を図るために、サンプルアンカーを動的に割り当てることが可能となる。逆に、分類タスクの予測も位置推定タスクの性能向上に活用される。本手法は単純であるが、PASCAL VOCおよびMS COCOデータセット上で複数の最先端深層学習アーキテクチャを用いた実験により、提案する相互誘導（Mutual Guidance）戦略の有効性と汎用性が示された。