Die Segmentierung hoch überlappender Objekte ist herausfordernd, da in der Regel keine Unterscheidung zwischen echten Objektkonturen und Okklusionsgrenzen getroffen wird. Im Gegensatz zu früheren zweistufigen Instanzsegmentierungsverfahren modellieren wir die Bildentstehung als Zusammensetzung aus zwei überlappenden Schichten und schlagen das Bilayer Convolutional Network (BCNet) vor. Dabei erkennt die obere GCN-Schicht die okkludierenden Objekte (Occluder), während die untere GCN-Schicht die teilweise okkultierten Instanzen (Occludee) inferiert. Die explizite Modellierung des Okklusionsverhältnisses mit einer bilayer-Struktur trennt die Grenzen von okkludierenden und okkultierten Instanzen auf natürliche Weise voneinander ab und berücksichtigt ihre Interaktion während der Maskenregression. Wir überprüfen die Effektivität der bilayer-Trennung anhand von einstufigen und zweistufigen Objekterkennern mit verschiedenen Backbones und Netzschichtauswahlen. Trotz seiner Einfachheit zeigen umfangreiche Experimente auf COCO und KINS, dass unser okclusionsbewusstes BCNet besonders bei starken Okklusionen große und konsistente Leistungsgewinne erzielt. Der Quellcode ist unter https://github.com/lkeab/BCNet verfügbar.