DOC：基于单幅图像的深度遮挡估计

恢复物体之间的遮挡关系是人类基本的视觉能力，它产生关于3D世界的重要信息。本文中，我们提出一种称为DOC的深度网络架构，它作用于单幅图像，检测物体边界并估计边界归属（即边界的哪一侧是前景哪一侧是背景）。我们通过二值边缘图表示遮挡关系以指示物体边界，以及一个遮挡方向变量，该变量与边界相切且其方向通过左手法则指定边界归属。我们训练两个相关的深度卷积神经网络，称为DOC，它们利用局部和非局部图像线索来估计这种表示从而恢复遮挡关系。为了训练和测试DOC，我们使用PASCAL VOC图像构建了一个大规模实例遮挡边界数据集，称之为PASCAL实例遮挡数据集（PIOD）。它包含10,000幅图像，因此比现有的室外图像遮挡数据集大两个数量级。我们在PIOD和BSDS遮挡数据集上测试了DOC的两个变体，并显示它们优于最先进的方法。最后，我们进行了大量实验研究DOC的多种设置以及BSDS和PIOD之间的迁移，这为遮挡估计的进一步研究提供了更多见解。