Das Ziel der Objektdetektion besteht darin, die Kategorie und Position von Objekten in einem Bild zu bestimmen. In diesem Artikel wird ein neuartiger, anchor-freier, zweistufiger Ansatz vorgestellt, der zunächst eine Reihe von Objektvorschlägen durch die Identifizierung potenzieller Ecken-Keypoint-Kombinationen extrahiert und anschließend jeder Vorschlagsregion durch eine eigenständige Klassifikationsstufe eine Klassenbezeichnung zuweist. Wir zeigen, dass diese beiden Stufen jeweils effektive Lösungen zur Verbesserung von Recall und Präzision darstellen und nahtlos in ein end-to-end-Netzwerk integriert werden können. Unser Ansatz, der Corner Proposal Network (CPN) genannt wird, zeichnet sich durch die Fähigkeit aus, Objekte verschiedener Skalen zu detektieren, und vermeidet zudem Verwirrung durch eine große Anzahl falsch positiver Vorschläge. Auf dem MS-COCO-Datensatz erreicht CPN eine AP von 49,2 %, was sich mit den besten aktuellen Methoden vergleichen lässt. Zudem eignet sich CPN gut für rechenzeitoptimierte Anwendungen: Bei einer Inferenzgeschwindigkeit von 26,2/43,3 FPS erzielt es eine AP von 41,6 %/39,7 % und übertrifft damit die meisten Konkurrenten mit vergleichbarer Geschwindigkeit. Der Quellcode ist unter https://github.com/Duankaiwen/CPNDet verfügbar.