Wir entwickeln eine probabilistische Interpretation des zweistufigen Objektdetektionsansatzes. Wir zeigen, dass diese probabilistische Interpretation eine Reihe gängiger empirischer Trainingspraktiken motiviert und zudem Verbesserungen für zweistufige Detektionspipelines vorschlägt. Insbesondere sollte die erste Stufe geeignete Wahrscheinlichkeiten für Objekt-Gegenüber-Hintergrund abgeben, die dann die Gesamtbewertung des Detektors beeinflussen sollten. Ein herkömmliches Region Proposal Network (RPN) kann diese Wahrscheinlichkeit nicht ausreichend genau schätzen, während viele einstufige Detektoren dies können. Wir zeigen, wie man aus jedem aktuellen State-of-the-Art einstufigen Detektor einen probabilistischen zweistufigen Detektor konstruieren kann. Die resultierenden Detektoren sind sowohl schneller als auch genauer als ihre ein- und zweistufigen Vorgänger. Unser Detektor erreicht auf dem COCO test-dev-Set eine mAP von 56,4 bei Einzelmaßstab-Tests und übertrifft damit alle bisher veröffentlichten Ergebnisse. Bei Verwendung eines leichten Backbone erreicht unser Detektor auf einem Titan Xp eine mAP von 49,2 bei 33 fps und übertrifft damit das populäre YOLOv4-Modell.