基于重叠双层的深度遮挡感知实例分割
计算机视觉与模式识别
2021-03-24 v1
摘要
分割高度重叠的物体具有挑战性，因为通常无法区分真实物体轮廓与遮挡边界。与以往的两阶段实例分割方法不同，我们将图像形成建模为两个重叠图层的组合，并提出双层卷积网络（Bilayer Convolutional Network, BCNet），其中顶层 GCN 层检测遮挡物体（occluder），底层 GCN 层推断被部分遮挡的实例（occludee）。通过双层结构对遮挡关系进行显式建模，自然地解耦了遮挡物与被遮挡物实例的边界，并在掩码回归过程中考虑二者之间的交互。我们在具有不同骨干网络和网层选择的一阶段与两阶段目标检测器上验证了双层解耦的有效性。尽管方法简单，在 COCO 和 KINS 上的大量实验表明，我们的遮挡感知 BCNet 取得了大幅且一致的性能提升，尤其在严重遮挡情况下。代码见 https://github.com/lkeab/BCNet。
引用
@article{arxiv.2103.12340,
title = {Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers},
author = {Lei Ke and Yu-Wing Tai and Chi-Keung Tang},
journal= {arXiv preprint arXiv:2103.12340},
year = {2021}
}
备注
Accepted by CVPR2021. BCNet Code: https://github.com/lkeab/BCNet