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

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

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

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

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

本文提出了一种将 Deformable Parts Models 和 Convolutional Networks 相结合的新模型，并使用结构化损失函数进行训练，使得之前作为单独后处理步骤的 NMS 操作成为了模型的一部分，从而使得我们的系统在 PASCAL VOC 2007 和 2011 数据集上实现了竞争性的结果。

Nov, 2014

本文提出了一种基于置信传播聚类（CP-Cluster）的物体检测方法，它采用了置信度信息的信息传递机制，能够同时去除冗余的检测框并增强真正的正类检测框。与传统的基于 NMS 的方法相比，在不重新训练检测器的情况下，我们的方法能够显著提高各种主流检测器的平均精度。

Dec, 2021

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