L'objectif de la détection d'objets consiste à déterminer la classe et la localisation des objets présents dans une image. Ce papier propose un nouveau cadre à deux étapes, sans ancres (anchor-free), qui commence par extraire un certain nombre de propositions d'objets en identifiant des combinaisons potentielles de points-clés angulaires, puis attribue une étiquette de classe à chaque proposition via une étape de classification indépendante. Nous démontrons que ces deux étapes constituent respectivement des solutions efficaces pour améliorer le rappel et la précision, et qu'elles peuvent être intégrées dans un réseau end-to-end. Notre approche, baptisée Corner Proposal Network (CPN), bénéficie de la capacité à détecter des objets de tailles variées tout en évitant d'être perturbée par un grand nombre de propositions fausses positives. Sur le jeu de données MS-COCO, CPN atteint un AP de 49,2 %, ce qui le place parmi les méthodes les plus avancées en détection d'objets. De plus, CPN s'adapte efficacement aux contraintes de performance computationnelle : il atteint un AP de 41,6 % / 39,7 % à 26,2 / 43,3 FPS, dépassant la plupart des concurrents ayant une vitesse d'inférence similaire. Le code est disponible à l'adresse suivante : https://github.com/Duankaiwen/CPNDet