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

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

本文提出了一种基于 Canny-guided refinement 的边缘检测方法，通过精细化的人工标注边缘并寻找最能与人工标注边缘吻合的子集 Canny 边缘来训练模型，从而使得现有的边缘检测模型能够获得更高的精确度。实验证明，使用经过 Canny-guided refinement 的边缘可以使得模型的预测结果更加清晰，相比于使用原有方法提升了 12.2% 的 ODS 和 12.6% 的 OIS。同时，本文还表明该方法具有用于光流估计和图像分割的优势。

Jun, 2023

在遥感领域，我们提出了一种基于边缘梯度的独特损失函数，通过此函数解决了定向物体检测中面临的非可微性和梯度向量对齐的问题，并设计了一个基于边缘的自注意力模块，通过这两个创新，我们在 DOTA 数据集上实现了 1.3% 的 mAP 提升。

Sep, 2023

通过将边缘检测器作为层核心并设计一个二进制边缘特征分支（BEFB）来学习二进制边缘特征，结合纹理特征并将其与主干网络结合，以增强深度卷积神经网络（DCNN）的鲁棒性。实验证明，采用 BEFB 的集成模型在面对多种攻击时具有更高的分类准确性，并且具备了轻量化和不对训练造成负面影响的特点。该研究首次表明通过结合形状类特征和纹理特征可以增强 DCNN 的鲁棒性。

Feb, 2024

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

本研究提出了一种双向级联网络结构（BDCN），结合比例增强模块（SEM），以改善对象不同尺度上的边缘检测，并在多个数据集上验证其有效性。

Feb, 2019

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

本文提出了一种基于深度学习的边缘检测器，结合了 HED 和 Xception 网络，生成适合人眼观察的细线条地图，无需先前的训练或微调。其次，作者还制作了一个大型数据集，用于对比已有的算法和训练提出的边缘检测器，实验结果表明，该方法能够提高 ODS 和 OIS 的 F - 度量值。

Sep, 2019

通过开发基于协作学习的模型 PEdger，我们试图解决边缘检测中的深度学习模型计算成本大、模型尺寸大、噪声标注和不准确性等问题，并通过大量实验证明了其在准确性、速度和模型尺寸方面的优越性。

Aug, 2023