要約
重複する物体のセグメンテーションは困難であり、通常、実際の物体輪郭と被塞界（occlusion）境界との区別がなされないためです。従来の2段階インスタンスセグメンテーション手法とは異なり、画像形成を2つの被塞界する層の合成としてモデル化し、双層畳み込みネットワーク（Bilayer Convolutional Network, BCNet）を提案します。このネットワークでは、上位のGCN層が被塞界物体（occluder）を検出し、下位のGCN層が部分的に被塞界されたインスタンス（occludee）を推論します。被塞界関係を双層構造で明示的にモデル化することで、被塞界物体と被塞界される物体の両方の境界が自然に分離され、マスク回帰時にそれらの相互作用が考慮されます。我々は異なるバックボーンやネットワーク層選択を使用した1段階および2段階オブジェクト検出器に対して双層分離の有効性を検証しました。その単純さにもかかわらず、COCOおよびKINSでの広範な実験により、特に重度の被塞界状況において当社の被塞界認識BCNetが大幅かつ一貫した性能向上を達成することが示されました。コードはhttps://github.com/lkeab/BCNet で利用可能です。