Le NMS glouton soulève intrinsèquement un dilemme : un seuil de NMS plus faible peut entraîner un taux de rappel plus faible, tandis qu’un seuil plus élevé augmente le nombre de faux positifs. Ce problème est particulièrement prononcé dans la détection de piétons, en raison de la variation plus intense de la densité des instances. Toutefois, les travaux antérieurs sur le NMS ne prennent pas en compte, ou de manière vague, le facteur lié à la présence de piétons proches. Ainsi, nous proposons Nearby Objects Hallucinator (NOH), qui localise précisément les objets voisins de chaque proposition en utilisant une distribution gaussienne, ainsi que NOH-NMS, qui ajuste dynamiquement la suppression dans les zones susceptibles d’abriter d’autres objets avec une forte probabilité. Par rapport au NMS glouton, notre méthode, qui représente l’état de l’art, améliore les performances de $3,9\%$3,9% en AP, de $5,1\%$5,1% en rappel et de $0,8\%$0,8% en $\text{MR}^{-2}$MR−2 sur CrowdHuman, atteignant respectivement $89,0\%$89,0% en AP, $92,9\%$92,9% en rappel et $43,9\%$43,9% en $\text{MR}^{-2}$MR−2.