摘要

贪心非极大值抑制（Greedy-NMS）本身存在一个固有的权衡困境：较低的NMS阈值可能导致召回率下降，而较高的阈值则会引入更多误检。这一问题在行人检测任务中尤为突出，因为行人间的实例密度变化更为剧烈。然而，以往关于NMS的研究大多未充分考虑或仅模糊地考虑了邻近行人存在的影响因素。为此，我们提出了一种名为“邻近物体幻觉生成器”（Nearby Objects Hallucinator, NOH）的新方法，该方法通过高斯分布精确建模每个候选框周围可能存在的邻近物体。同时，我们进一步设计了NOH-NMS，该方法能够根据空间区域中存在其他物体的高概率，动态地减轻对该区域的抑制强度。与传统的Greedy-NMS相比，我们的方法作为当前最先进的技术，在CrowdHuman数据集上分别将平均精度（AP）提升至89.0%，召回率（Recall）提升至92.9%，以及误检率指标$\text{MR}^{-2}$降低至43.9%，相较之前方法分别实现了3.9%、5.1%和0.8%的显著提升。