基于重叠双层的深度遮挡感知实例分割（CVPR 2021）

1. Motivation

对高度重叠的物体进行分割是一项极具挑战性的任务，主要原因是现实中物体的轮廓与遮挡边界之间往往难以明确区分。此前的相关研究在遮挡区域的掩码回归方面涉及较少，且COCO数据集中的多数物体缺乏遮挡信息。Mask R-CNN及其后续改进方法通常直接通过全卷积网络回归被遮挡物体实例，这种处理方式未能充分考虑遮挡物本身以及物体之间相互重叠的关系。

2. Related Work and Contribution

2.1 Related Work

Amodal Instance Segmentaion：即无模态实例分割，主要针对被遮挡区域进行预测任务，此前相关研究多集中于增加标注信息及构建数据集。

Occlusion Handling：此前针对遮挡问题所开展的相关研究工作。

2.2 Contribution

本文提出了一种名为BCNet（Bilayer Convolutional Network）的双层卷积网络结构，该网络由两个GCN层构成，其中顶层GCN用于检测遮挡物，底层GC