<<هذه نسخة ما قبل القبول، يُرجى الاطلاع على المجلة الخاصة بالنمط التعرف على موقع ScienceDirect للحصول على النسخة النهائية>>. تمثل كشف الحواف الأساس لعدة تطبيقات رؤية الحاسوب. تعتمد الحالة الحالية في الغالب على التعلم العميق، مع عاملين حاسمين: محتوى المجموعة المُعدّة للبيانات وبنية الشبكة العصبية. ومعظم المجموعات المُتاحة للجمهور لا تمثل بيانات مُعدّة خصيصًا لمهام كشف الحواف. هنا، نقدّم حلًا لهذا التحدي. أولاً، نجادل بأن الحواف والحدود والمنحنيات، رغم تداخلها، تمثل ثلاث خصائص بصرية متميزة، وتتطلب مجموعات بيانات معيارية منفصلة. ولتحقيق ذلك، نقدّم مجموعة بيانات جديدة مخصصة للحواف. ثانيًا، نقترح بنية جديدة تُسمّى "شبكة إينسيبشن متعددة الكثافة لكشف الحواف" (DexiNed)، التي يمكن تدريبها من الصفر دون الحاجة إلى أي أوزان مُدرّبة مسبقًا. وقد أظهرت DexiNed تفوقًا على الخوارزميات الأخرى ضمن المجموعة المقدمة. كما تُظهر قدرة عالية على التعميم على مجموعات بيانات أخرى دون الحاجة إلى أي تعديل دقيق (fine-tuning). ويظهر أيضًا التميّز الجمالي في جودة DexiNed من خلال الحواف الأوضح والأدق التي تُخرِجها.