초록
고도로 겹쳐진 객체를 분할하는 것은 실제 객체 윤곽과 가림 경계 사이에 일반적으로 구분이 이루어지지 않기 때문에 어려운 문제입니다. 이전의 두 단계 인스턴스 분할 방법과 달리, 우리는 이미지 형성을 두 개의 겹쳐진 층으로 구성되는 것으로 모델링하고, 상위 GCN 층에서 가림 객체(occluder)를 감지하고 하위 GCN 층에서 부분적으로 가려진 인스턴스(occludee)를 추론하는 이중층 합성곱 네트워크(Bilayer Convolutional Network, BCNet)를 제안합니다. 이중층 구조를 사용하여 가림 관계를 명시적으로 모델링함으로써, 가림 객체와 가려진 객체의 경계가 자연스럽게 분리되며, 마스크 회귀 과정에서 이들 간의 상호작용을 고려합니다. 우리는 다양한 백본과 네트워크 층 선택을 사용한 한 단계 및 두 단계 객체 검출기에서 이중층 분리의 효과를 검증하였습니다. 그 간단함에도 불구하고, COCO와 KINS 데이터셋에서 수행된 광범위한 실험 결과는 우리의 가림 인식 BCNet이 특히 심각한 가림 사례에서 큰 성능 향상을 일관되게 보여주었습니다. 코드는 https://github.com/lkeab/BCNet 에서 확인할 수 있습니다.