オブジェクト検出の目的は、画像内のオブジェクトのクラスおよび位置を特定することである。本論文では、アンカーフリーかつ2段階型の新規フレームワークを提案する。このフレームワークは、まず潜在的なコーナーキーポイントの組み合わせを検出することで多数のオブジェクト候補を抽出し、その後、独立した分類段階によって各候補にクラスラベルを割り当てる。我々は、これらの2段階がそれぞれリコールと精度の向上に対して効果的であることを示し、これらをエンドツーエンドネットワークに統合可能であることを実証した。本手法は「コーナープロポーザルネットワーク（Corner Proposal Network, CPN）」と命名され、さまざまなスケールのオブジェクトを検出可能であり、多数の偽陽性候補による誤検出を回避する利点を持つ。MS-COCOデータセットにおいて、CPNは49.2%のAP（平均精度）を達成し、最先端のオブジェクト検出手法と比較しても競争力を持つ結果を示した。さらに、計算効率の高いシナリオにも適しており、26.2/43.3 FPSの推論速度でそれぞれ41.6%/39.7%のAPを達成し、同等の推論速度を持つ大多数の競合手法を上回った。コードは以下のURLで公開されている：https://github.com/Duankaiwen/CPNDet