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

本文提出一种名为 FeatureNMS 的算法以解决对象检测中传统 NMS 算法在物体重叠区域存在瑕疵的问题，该算法能够通过特征向量的差异除了集合交并比之外，更充分地编码更多的信息，从而优于传统 NMS 和其改进方法，并达到了最先进的性能。

Feb, 2020

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

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

本文提出了基于量子计算优势的 Quantum-soft QUBO Suppression (QSQS) 算法，应用于物体检测中的冗余检测。 实验证明，相比于传统的 NMS 和 soft-NMS 算法，该算法将 PASCAL VOC 2007 数据集的平均精度从 74.20％提高到 75.11％，在基准行人检测任务中的表现也更好。

Jul, 2020

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

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

本文提出一种使用新型非极大值抑制（NMS）算法解决人群中的行人检测问题，使用自适应 NMS 和学习密度得分的子网络，可以有效改善边界框的精确度，并在 CityPersons 和 CrowdHuman 基准测试中取得了最先进的结果。

Apr, 2019

该论文介绍了一种新的基于 CNN 和 NMS 算法的人脸检测方法，可以有效处理低质量图像和小人脸，可以作为不同人脸检测方法的后处理器。

May, 2023