Die Erkennung von Fußgängern in einer Menschenmenge ist ein sehr herausforderndes Problem. In dieser Arbeit wird dieses Problem durch einen neuartigen Algorithmus zur Nicht-Maximalen Unterdrückung (Non-Maximum Suppression, NMS) angegangen, der die von Detektoren bereitgestellten Begrenzungsrahmen besser verfeinert. Die Beiträge sind dreifach:(1) Wir schlagen adaptive-NMS vor, die eine dynamische Unterdrückungsschwelle für eine Instanz anwendet, abhängig von der Ziel-Dichte;(2) Wir entwickeln ein effizientes Teilknetzwerk zur Lernung von Dichtewerten, das leicht sowohl in einstufige als auch in zweistufige Detektoren integriert werden kann;(3) Wir erzielen Stand-der-Technik-Ergebnisse auf den Benchmarks CityPersons und CrowdHuman.