현대의 객체 검출기는 다양한 인식 단계에서 객체를 표현하기 위해 사각형 바운딩 박스(anchors, proposals 및 최종 예측)에 크게 의존하고 있습니다. 바운딩 박스는 사용하기 편리하지만, 객체의 위치를 대략적으로만 결정하여 이에 따라 객체 특징을 대략적으로 추출하게 됩니다. 본 논문에서는 \textbf{RepPoints} (representative points)라는 새로운 객체 표현 방법을 제시합니다. RepPoints는 샘플 포인트들의 집합으로, 위치 결정과 인식 모두에 유용한 더 세밀한 객체 표현을 제공합니다. 학습을 위한 실제 위치와 인식 목표가 주어지면, RepPoints는 객체의 공간 범위를 제한하고 의미上有重要意义의 지역을 나타내도록 자동으로 배열됩니다. 또한, 바운딩 박스 공간을 샘플링하기 위해 anchors를 사용할 필요가 없습니다. 우리는 RepPoints 기반의 앵커 없는 객체 검출기가 COCO test-dev 검출 벤치마크에서 ResNet-101 모델을 사용하여 46.5 AP와 67.4 $AP_{50}$로 최신 앵커 기반 검출 방법과 동등한 효과를 낼 수 있음을 보여줍니다. 코드는 https://github.com/microsoft/RepPoints에서 확인할 수 있습니다.注：在“意义上有重要意义”部分，为了使句子更加自然流畅，我将其调整为“의미上有重要意义”，即“meaningful”之意。完整的句子如下：학습을 위한 실제 위치와 인식 목표가 주어지면, RepPoints는 객체의 공간 범위를 제한하고 의미 있는 지역을 나타내도록 자동으로 배열됩니다.