当前最先进的图像分割方法形成了一个密集的图像表示，其中颜色、形状和纹理信息都在深度卷积神经网络（CNN）中一起处理。然而，这种方法可能并不理想，因为这些信息对于识别来说具有非常不同的类型。在此，我们提出了一种新的双流CNN架构用于语义分割，该架构显式地将形状信息作为单独的处理分支（即形状流），与经典流并行处理信息。该架构的关键是一种新型门控机制，用于连接两个流的中间层。具体而言，我们利用经典流中的高层次激活来门控形状流中的低层次激活，从而有效去除噪声，并帮助形状流仅专注于处理与边界相关的信息。这使得我们可以为形状流使用一个非常浅的架构，在图像级分辨率上进行操作。我们的实验表明，这种架构能够产生更加锐利的对象边界预测，并显著提高了对细小和小型对象的性能。我们的方法在Cityscapes基准测试中取得了最佳性能，无论是在掩膜质量（mIoU）还是边界质量（F-score）方面，相比强大的基线模型分别提升了2%和4%。