عادةً ما تُنتج كاشفات التعلم العميق مجموعة مُتكررة من مربعات الحدود الخاصة بالكائنات، تضم العديد من الكشفات المكررة لنفس الكائن. ثم يتم تصفية هذه المربعات باستخدام خوارزمية القمع الأقصى غير النمطي (NMS) لاختيار مربع حدود واحد فقط لكل كائن مطلوب. تُعد هذه الطريقة الجشعة بسيطة وتوفر دقة كافية للكائنات المنعزلة، لكنها غالبًا ما تفشل في البيئات المزدحمة، نظرًا لضرورة الحفاظ على المربعات الخاصة بكائنات مختلفة وقمع الكشفات المكررة في آنٍ واحد. في هذه الدراسة، نطوّر بديلًا مُتكررًا، حيث يتم اكتشاف مجموعة جديدة من الكائنات في كل تكرار. وتعمل المربعات المكتشفة في التكرارات السابقة على إرسالها إلى الشبكة في التكرارات التالية، لضمان عدم اكتشاف نفس الكائن مرتين. يمكن تطبيق هذه الطريقة المتكررة على كاشفات الكائنات من المرحلة الواحدة (one-stage) والمرحلتين (two-stage) مع تعديلات بسيطة جدًا في إجراءات التدريب والاستنتاج. أجرينا تجارب واسعة باستخدام كاشفين أساسيين (baseline) على أربع مجموعات بيانات، وبيّنا تحسينًا ملحوظًا مقارنة بالأساس، مما يقود إلى أداء من الدرجة الأولى (state-of-the-art) على مجموعتي بيانات CrowdHuman وWiderPerson. يُتاح كود المصدر والنموذج المدرب عبر الرابط التالي: https://github.com/saic-vul/iterdet.