Les détecteurs à deux étapes constituent actuellement l’état de l’art en détection d’objets ainsi qu’en détection de piétons. Toutefois, les détecteurs à deux étapes actuels sont peu efficaces, car ils effectuent la régression de boîtes englobantes en plusieurs étapes, à savoir dans les réseaux de propositions de régions (region proposal networks, RPN) et dans les têtes de boîtes englobantes. De plus, les réseaux RPN basés sur des ancres (anchors) sont coûteux en termes de calcul lors de leur entraînement. Nous proposons F2DNet, une nouvelle architecture de détection à deux étapes qui élimine les redondances des détecteurs actuels en remplaçant le réseau RPN par notre réseau de détection focalisée (focal detection network) et la tête de boîtes englobantes par notre tête de suppression rapide (fast suppression head). Nous évaluons F2DNet sur les principales bases de données de détection de piétons, comparons de manière approfondie notre méthode aux détecteurs de pointe existants, et réalisons des évaluations croisées entre bases de données afin de tester la généralisation de notre modèle sur des données non vues. F2DNet atteint des taux d’erreur de reconnaissance (MR-2) respectifs de 8,7 %, 2,2 % et 6,1 % sur les bases City Persons, Caltech Pedestrian et Euro City Persons lorsqu’il est entraîné sur une seule base de données, et atteint 20,4 % et 26,2 % de MR-2 dans des conditions de forte occlusion sur les bases Caltech Pedestrian et City Persons grâce à un ajustement progressif (progressive fine-tuning). En outre, F2DNet présente un temps d’inférence significativement plus faible par rapport aux méthodes de pointe actuelles. Le code source et les modèles entraînés seront disponibles à l’adresse suivante : https://github.com/AbdulHannanKhan/F2DNet.