La detección de objetos es una tarea desafiante de visión por computadora con numerosas aplicaciones del mundo real. En los últimos años, el concepto del modelo de relación de objetos se ha vuelto útil para la detección de objetos y se ha verificado y realizado en el aprendizaje profundo. Sin embargo, la mayoría de los enfoques para modelar las relaciones entre objetos se limitan a utilizar algoritmos basados en anclas; no se pueden migrar directamente a los marcos libres de anclas. La razón es que los algoritmos libres de anclas se utilizan para eliminar el diseño complejo de anclas y predecir mapas de calor para representar las ubicaciones de puntos clave de diferentes categorías de objetos, sin considerar la relación entre puntos clave. Por lo tanto, para fusionar mejor la información entre los canales de mapas de calor, es importante modelar la relación visual entre puntos clave. En este artículo, presentamos una red impulsada por el conocimiento (KDNet): una nueva arquitectura que puede agregar y modelar relaciones de puntos clave para mejorar las características del objeto para la detección. Específicamente, procesa un conjunto de puntos clave simultáneamente a través de interacciones entre sus características locales y geométricas, lo que permite modelar su relación. Finalmente, los mapas de calor actualizados se utilizaron para obtener las esquinas de los objetos y determinar sus posiciones. Los resultados experimentales realizados en el conjunto de datos RIDER confirman la efectividad del KDNet propuesto, que superó significativamente a otros métodos de detección de objetos de última generación.