使用深度学习模型，通过全卷积神经网络和深度监督网络技术实现图像到图像的预测，提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED)，在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).

Apr, 2015

该研究提出基于边缘增强的密集连接卷积神经网络（EDCNN）用于低剂量 CT 图像去噪，并引入混合损失函数以增强模型去噪效果，取得了较好的效果。

Oct, 2020

提出了一种传统方法启发框架来以最小的复杂度产生良好的边缘，并建立了 TIN2 模型，其准确性高于最近的 BDCN2 模型但模型更小，该模型采用特征提取器，强化和汇总器，相当于传统边缘检测方案中的梯度，低通滤波器和像素连接。

May, 2020

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

本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法，该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果，并通过基于 Tversky 指数的混合损失函数解决像素分布不平衡的问题。在三个标准基准数据集上进行实验，结果表明该方法在 BSDS500、NYUD-V2 和 BIPED 数据集上均取得了最佳性能。

Jun, 2024

本文介绍了一种新的边缘检测损失函数和一种采用自底向上 / 自顶向下分层结构的端到端边界检测网络，该网络有效地利用层次特征并生成像素精确的边界掩模，从而不需要后处理即可生成准确、锐利的边缘。实验结果表明，这种方法不仅可以促进 CNN 的视觉结果，而且在 BSDS500 数据集（ODS F - 得分为 0.815）和 NYU Depth 数据集（ODS F - 得分为 0.762）上可以实现超越最新技术水平的结果。

Jul, 2018

介绍了一种新的基于 Holistically-Nested Edge Detector 结构的显著性检测方法，引入了短接结构，使得每层都具有丰富的多尺度特征图，并在五个广泛测试的显著对象检测基准中取得了最先进的结果，具有效率、效果和简单性等优点。

Nov, 2016

本文介绍了一种称为 DeNISE 的深度神经网络，它利用边缘检测和分割模型来改善分割掩模的边界质量，并通过两个顺序深度神经架构的固有差异提高预测分割边缘的准确性。文中通过应用 DeNISE 于航拍图像建筑分割任务，测试和验证了该技术的潜力，提高了建筑 IoU 至 78.9%。

Sep, 2023

本文提出了一种新的参数化方法，使用 Scale-Space 矩阵存储每个点周围不同尺度的重建形状的微分信息，从而提供了足够的信息，使得一个充分的神经网络能够学习边缘，并在获取的点云中高效地检测它们。之后，我们提出了一种新的轻量级神经网络结构，其在学习时间、处理时间和分类能力方面均优于 CNN，具有紧凑结构、需要较少的学习集、训练速度非常快且可以在几秒钟内对数百万个点进行分类。

Nov, 2020

介绍了一种轻量级的卷积神经网络算法 (LCNN)，通过将分类器的搜索空间缩小到监视视频帧中的人物对象，提出的 LCNN 算法能够在边缘设备上以可承受的计算工作量检测行人.

Apr, 2018