Basiert auf Deep Learning entwickelte Detektoren erzeugen typischerweise eine redundante Menge an Objektbegrenzungsboxen, die viele doppelte Erkennungen desselben Objekts enthalten. Diese Boxen werden anschließend mittels Non-Maximum-Suppression (NMS) gefiltert, um pro interessierendem Objekt genau eine Begrenzungsbox auszuwählen. Dieses gierige Verfahren ist einfach und liefert ausreichende Genauigkeit für isolierte Objekte, versagt jedoch oft in überfüllten Umgebungen, da sowohl Boxen für verschiedene Objekte erhalten als auch doppelte Erkennungen unterdrückt werden müssen. In dieser Arbeit entwickeln wir ein alternatives iteratives Verfahren, bei dem in jeder Iteration eine neue Teilmenge von Objekten detektiert wird. Die aus vorherigen Iterationen stammenden erkannten Boxen werden in den nachfolgenden Iterationen an das Netzwerk übergeben, um sicherzustellen, dass dasselbe Objekt nicht zweimal erkannt wird. Dieses iterative Verfahren lässt sich mit nur geringfügigen Anpassungen sowohl für einstufige als auch zweistufige Objektdetektoren einsetzen. Wir führen umfangreiche Experimente mit zwei unterschiedlichen Baseline-Detektoren auf vier Datensätzen durch und zeigen eine signifikante Verbesserung gegenüber der Baseline, was zu einem state-of-the-art-Ergebnis auf den Datensätzen CrowdHuman und WiderPerson führt. Der Quellcode und die trainierten Modelle sind unter https://github.com/saic-vul/iterdet verfügbar.