我们提出了一种对两阶段目标检测的概率化解释。研究表明，这一概率视角能够解释多种常见的经验性训练实践，并为两阶段检测流程的改进提供新思路。具体而言，第一阶段应准确估计目标与背景的似然概率，该概率应进一步用于决定检测器的综合得分。传统的区域建议网络（RPN）难以充分建模此类似然，而许多单阶段检测器则具备这一能力。我们展示了如何基于任意先进的单阶段检测器构建一个概率化的两阶段检测器。所提出的检测器在速度和精度上均优于其对应的单阶段与两阶段基线模型。在仅使用单尺度测试的情况下，该检测器在COCO test-dev数据集上取得了56.4 mAP的性能，超越了所有已发表的结果。此外，采用轻量级主干网络时，该检测器在Titan Xp上以33 fps的推理速度实现了49.2 mAP的COCO性能，显著优于广泛使用的YOLOv4模型。