本研究旨在系统地解决非极大值抑制（NMS）的问题，提出了利用卷积神经网络执行给定众多检测结果的 NMS 方法，摆脱贪心 NMS 的固有限制并获得更好的检出率和精度。

Nov, 2015

通过端到端学习范式，提出了一种利用端盒和分数执行非极大值抑制的新型网络架构，适用于个人检测和一般物体类别（基于 COCO 数据集），能够提供更好的定位和遮挡处理。

May, 2017

本文提出了一种新的代表区域 NMS 方法，利用较少被遮挡的可见部分，有效地去除冗余框而不带来太多的误报，同时还提出了一种新颖的配对框模型，以同时预测行人的全身和可见框，并在充满挑战的 CrowdHuman 和 CityPersons 基准测试上表明了所提出的方法在人群密集情况下的行人检测是有效的。

Mar, 2020

针对密集环境下行人检测中存在的遮挡和高度拥挤等问题，本文提出了一种基于属性感知的行人检测器，采用深度学习框架，利用属性特征进行检测和区分，引入了基于属性特征的非极大值抑制，设计了一种新的数据集以缓解训练过程中的困难，实验表明该方法在行人检测方面优于目前的最新方法。

Oct, 2019

通过引入模糊学习到非极大值抑制（NMS）中，我们提出了一种新的广义 Fuzzy-NMS 模块，以实现对候选边界框的更细致过滤，通过模糊分类方法将体积和聚类密度相结合，优化适当的抑制阈值并减少 NMS 过程中的不确定性，通过对 KITTI 和 Waymo 等基准测试进行充分验证实验，结果表明所提出的 Fuzzy-NMS 模块能够显著提高许多基于 NMS 的检测器的准确性，尤其对于行人和自行车等小目标。作为即插即用模块，Fuzzy-NMS 无需重新训练并且不会显著增加推论时间。

Oct, 2023

该研究提出了一种名为 NOH 的方法，它可以通过确定每个提案附近的对象来改进 Greedy-NMS 算法，NOH-NMS 可以动态地减少可能包含其他对象的空间的抑制，并在行人检测领域 State-of-the-art 水平与传统算法相比，该方法分别提高了 3.9％的 AP，5.1％的召回率和 0.8％的 MR^-2。

Jul, 2020

本文提出一种名为 SG-Det 的模型，使用一种新颖的嵌入机制来联合利用检测框的语义和几何特征，从而在面对类内遮挡较多的场景时显著提高了检测召回率，特别适用于城市场景的汽车和行人检测，在 KITTI 和 CityPersons 数据集上展示了 SG-Det 模型的最优性能。

Dec, 2019

本文提出一种基于迭代方案的物体检测算法，通过在每次迭代中检测新的子集，然后将之前的检测结果传递到后续迭代以确保不会检测到同一对象，改进了现有的基于深度学习的物体检测算法，并在 CrowdHuman 和 WiderPerson 数据集上实现了最先进的性能。

May, 2020

本文介绍了一种基于 FCOS 检测模型的 NMS-free 端到端的目标检测框架，使用紧凑的 PSS head 实现单个目标实例的自动选择并消除后处理的 NMS，通过停梯度操作成功解决了一对多和一对一标签分配之间的冲突问题，实现了对 COCO 数据集的优越性能。

Jan, 2021

Soft-NMS 算法通过将检测框与最大得分检测框的重叠度作为连续函数的信号降低其得分以替代一般的 NMS 算法进行非极大值抑制，从而提高了目标检测的效果和精度，不需要额外训练，且与常规 NMS 算法的计算复杂度相同。

Apr, 2017