通过 Bilayer 卷积网络和视觉 Transformer 对遮挡的目标进行建模，以同时检测遮挡物和部分遮挡实例，并使用遮挡物和遮挡实例查询将遮挡关系分离，从而实现图像实例分割。

Aug, 2022

本文提出了一种基于双向学习流程和插拔式遮挡处理算法的深度全景分割方案，用于同时执行前景实例的实例分割和背景物品的语义分割，并能有效地处理不同物体实例之间的遮挡问题。在 COCO 全景基准测试中，实验结果验证了我们所提出的方法的有效性。

Mar, 2020

本文提出了一种用于解决实例分割问题的新方法，即通过对象分层实现，通过将重叠的对象分组到不同的层中，可以轻松分离实例并获得竞争性的结果。

Oct, 2022

本研究提出了一种采用深度神经网络进行多对象实例分割的方法，该方法能够通过 bounding box 监督训练，具有鲁棒性并能处理复杂场景中的遮挡问题，从而提高图像分类精度。

Dec, 2020

本文介绍了一种名为 OBG-FCN 的全卷积神经网络，它能够利用物体边界信息以完成更为精细的语义分割，其在 PASCAL VOC 分割基准测试上得到了显著的优化。

Mar, 2016

该论文介绍了一种基于距离变换的对象段表示方法和基于残差解卷积结构的对象掩码网络，实现了跨越边界框的对象分割；并将其整合到一个多任务网络级联框架中，学习了最终二进制对象掩码。实验表明，这种方法在目标生成和实例分割方面优于现有的技术。

Dec, 2016

本文提出了一种名为 OCFusion 的轻量级方法来解决 Panoptic 分割中目标实例之间的重叠问题，该方法通过二元关联建模来实现物体实例的非重叠分割。该方法利用现有数据集注释自动推导出的真实关联进行训练，在 COCO 数据集上表现出最先进的效果，并在 Cityscapes panoptic 分割基准测试中展示了竞争力的结果。

Jun, 2019

本文利用深度学习网络结构，使用单个深度图像为输入，实现了语义分割中对可见和遮挡物体及其部分的类型预测，将语义类别进一步细分为背景和多个前景物体组，并改进了标准的交叉熵损失函数以适应这种情况，实验证明所提出的分类方法能够验证预测出被遮挡物体部分的语义类别，无需增加网络结构规模，其性能在由 SUNCG 数据集生成的新数据集上得到验证。

Jun, 2019

我们提出了一种基于卷积神经网络的 Occlusion-shared and Feature-separated Network (OFNet) 来进行物体分割的任务，在理解和处理欠遮挡和遮挡物体的关系方面，该网络在 PIOD 和 BSDS ownership 数据集上取得了显著的性能优势。

Aug, 2019

该研究提出了一种名为 Bilateral Segmentation Network (BiSeNet V2) 的神经网络架构，通过将空间细节和分类语义分别处理来实现高效准确的实时语义分割，并使用 Detailed Branch 和 Semantic Branch 来分别处理低级和高级特征。

Apr, 2020