目标检测的目标是确定图像中物体的类别及其位置。本文提出了一种新颖的无锚框（anchor-free）、两阶段检测框架：首先通过寻找潜在的角点关键点组合来生成若干物体候选区域，随后通过独立的分类阶段为每个候选区域分配类别标签。我们证明，这两个阶段分别有效提升了召回率和精确率，且可无缝集成至端到端网络中。所提出的检测方法称为角点候选网络（Corner Proposal Network, CPN），具备检测多尺度物体的能力，同时有效避免了大量误检候选区域带来的干扰。在MS-COCO数据集上，CPN取得了49.2%的平均精度（AP），在当前主流检测方法中具有较强竞争力。此外，CPN在计算效率方面表现优异，在26.2 FPS和43.3 FPS的推理速度下，分别达到41.6%和39.7%的AP，显著优于同推理速度下的多数现有方法。代码已开源，地址为：https://github.com/Duankaiwen/CPNDet。