#CVPR 2021##实例分割#

Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers

一般情况下，真实物体的轮廓和被遮挡边界是没有区别，因此对高度被遮挡物体进行实例分割是非常具有挑战性的。

在本次研究中，不同于以往的两阶段实例分割方法，作者将 image formation（影像形成）建模为两个重叠层的组成，并提出双层卷积网络（BCNet）

其中顶部的GCN 层检测遮挡物体（遮挡者），底部的 GCN 层推断部分遮挡的实例（被遮挡者）

利用双层结构对遮挡关系进行明确建模，自然地解耦了遮挡和被遮挡实例的边界，并考虑了掩码回归过程中它们之间的相互作用

BCNet架构

在具有不同主干和网络层选择的 one-stage 和 two-stage 物体检测器上验证了双层解耦的功效。

在 COCO 和 KINS 上的大量实验表明，occlusion-aware BCNet 实现了大量的、一致的性能提升，特别是在严重遮挡的情况下。

作者 | Lei Ke, Yu-Wing Tai, Chi-Keung Tang

单位 | 香港科技大学；快手

论文 |https://arxiv.org/abs/2103.12340

代码 |https://github.com/lkeab/BCNet

备注 | CVPR2021

转载请注明：《CVPR2021，BCNet：解决 two-stage 实例分割中存在的高度遮挡物体》