摘要
<< 本文为预接受版本，请通过 ScienceDirect 上的《Pattern Recognition》期刊查阅最终定稿版本 >>。边缘检测是众多计算机视觉应用的基础。当前最先进的方法主要依赖于深度学习，其性能受两大关键因素影响：数据集内容与网络架构。然而，目前大多数公开可用的数据集并未针对边缘检测任务进行专门设计与优化。针对这一局限，本文提出了一种解决方案。首先，我们指出，尽管边缘、轮廓与边界存在部分重叠，但它们本质上是三种不同的视觉特征，因此需要各自独立的基准数据集。基于此，我们构建了一个全新的边缘数据集。其次，我们提出一种新型网络架构——面向边缘检测的密集极值Inception网络（Dense Extreme Inception Network for Edge Detection，简称 DexiNed），该网络可从零开始训练，无需依赖任何预训练权重。在所提出的全新数据集上，DexiNed 的性能优于现有各类算法；同时，它在未经过任何微调的情况下，也能良好地泛化至其他公开数据集。此外，DexiNed 所输出的边缘更加清晰、精细，其优越性在视觉感知上也表现得尤为明显。