通过将深度卷积神经网络应用于边界检测任务，结合精心设计的损失、多分辨率架构和外部数据的训练，结合基于 Normalized Cuts 技术的聚类方法的深度学习，将边界检测的最优分割数据量的 F 测量从 0.780 提高到 0.808，成功提升了现有技术水平，并在与语义分割任务相结合的测试中表现出对现有系统的明显改进。

Nov, 2015

本文介绍了一种结合两种方法的物体检测算法，以有效地检测高分辨率图像中的小物体，主要利用了深度学习中的特征提取模型 AlexNet。

Oct, 2015

我们提出了一个可微分模型，用于明确地建模边界，包括轮廓、角点和交叉点，并使用我们称之为边界注意力的新机制。我们展示了即使边界信号非常弱或被噪声淹没，我们的模型也能提供准确的结果。与找到微弱边界的先前经典方法相比，我们的模型具有可微的优势，适用于更大的图像，并自动适应图像每个部分的适当几何细节水平。与通过端到端训练找到边界的先前深度方法相比，它具有提供亚像素精度、更具噪声鲁棒性以及能够以原生分辨率和长宽比处理任何图像的优势。

Jan, 2024

本文提出了一种利用目标相关特征进行轮廓检测的多尺度深度网络，取得了当前最先进的轮廓检测效果。

Dec, 2014

该论文提出一种基于场景的目标边界检测方法，通过针对各种情况训练特定的模型，并利用图像外观进行上下文建模，实现了对测试图像的场景分类。实验证明该方法可以显著提高分割准确度，并且远远优于一些基准模型。

Apr, 2015

本文介绍了第一次尝试使用图像级别的类别标签作为监督来学习语义边界检测的方法，并且提出了一种基于多实例学习的任务形式，在区别不同类别的领域之间通过互相连线代表边界。我们提出的神经网络模型可以可靠地学习估计语义边界，即使是在多实例学习策略的不确定监督下，将其用于生成训练图像的伪语义边界标签，并使用这些标签来训练完全监督模型。最终模型在 SBD 数据集上取得了出色的表现，与一些使用更强监督的模型相当竞争。

Dec, 2022

通过结合语义分割和语义感知边缘检测，将类边界显式地融入模型，有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题，从而显著地提高了基于卷积神经网络的语义分割准确度，该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。

Dec, 2016

本文提出了一种 Attention Loss 函数结合多任务深度对象遮挡边界检测网络，并采用编码器 - 解码器结构，通过共享卷积特征来同时预测对象边界和遮挡方向，大幅度提高了 PIOD 数据集和 BSDS 拥有数据集上的检测速度（每图像 0.037s）并显著超过了之前的最优结果（ODS F 分数分别为 0.702 和 0.555）。

Jun, 2018

本研究通过系统性分析表明使用基于卷积神经网络的边缘检测器的检测结果并未正确定位边缘像素，通过一种新的优化架构，使用自上而下的反向优化路径对特征图进行逐步加精，本研究获得了比人类更准确的性能表现，在计算机视觉中的多个重要应用中取得了较好效果，尤其是在语义分割这一应用领域表现突出。

Jan, 2018

研究了边界估计和预测未来未观察到帧的边界能力，结合直观物理的概念，通过自然视频帧和合成序列的实验，发现 rgb 融合和边缘预测能够促进 rgb 预测的提升。

Nov, 2016