Les détecteurs fondés sur le deep learning produisent généralement un ensemble redondant de boîtes englobantes d’objets, comprenant de nombreuses détections superposées du même objet. Ces boîtes sont ensuite filtrées à l’aide de la suppression non maximale (NMS) afin de sélectionner exactement une seule boîte englobante par objet d’intérêt. Ce schéma glouton est simple et suffisamment précis pour des objets isolés, mais échoue fréquemment dans des environnements surpeuplés, car il est nécessaire à la fois de préserver les boîtes correspondant à des objets distincts et de supprimer les détections redondantes. Dans ce travail, nous proposons un schéma itératif alternatif, dans lequel un nouveau sous-ensemble d’objets est détecté à chaque itération. Les boîtes détectées lors des itérations précédentes sont transmises au réseau lors des itérations suivantes afin d’assurer qu’un même objet ne soit détecté qu’une seule fois. Ce schéma itératif peut être appliqué à la fois aux détecteurs à une étape et aux détecteurs à deux étapes, avec uniquement de légères modifications des procédures d’entraînement et d’inférence. Nous menons des expériences approfondies avec deux détecteurs de base sur quatre jeux de données et démontrons une amélioration significative par rapport aux méthodes de référence, atteignant des performances de pointe sur les jeux de données CrowdHuman et WiderPerson. Le code source et les modèles entraînés sont disponibles à l’adresse suivante : https://github.com/saic-vul/iterdet.