In dieser Arbeit schlagen wir einen präzisen Kantendetektor vor, der reichere Faltungsmerkmale (Richer Convolutional Features, RCF) verwendet. Da Objekte in natürlichen Bildern unterschiedliche Größen und Seitenverhältnisse aufweisen, sind die von CNNs automatisch gelernten reichen hierarchischen Darstellungen für die Kantenerkennung und die Detektion von Objekträndern sehr wichtig und effektiv. Zudem werden die Faltungsmerkmale mit zunehmendem Empfangsfeld allmählich grober. Aufgrund dieser Beobachtungen nutzt unsere vorgeschlagene Netzwerkarchitektur umfassend mehrskalige und mehrschichtige Informationen, um durch Kombination aller nützlichen Faltungsmerkmale in einem ganzheitlichen Framework die Bild-zu-Bild-Kantenvorhersage durchzuführen. Es handelt sich dabei um den ersten Versuch, solche reiche Faltungsmerkmale in Computer Vision-Aufgaben einzusetzen. Unter Verwendung des VGG16-Netzes erzielen wir Stand-der-Technik-Ergebnisse auf mehreren verfügbaren Datensätzen. Bei der Bewertung am bekannten BSDS500-Benchmark erreichen wir eine ODS-F-Maßzahl von \textbf{.811}, wobei eine schnelle Geschwindigkeit (\textbf{8} FPS) gewahrt bleibt. Darüber hinaus erreicht unsere schnellere Version des RCF eine ODS-F-Maßzahl von \textbf{.806} bei \textbf{30} FPS.请注意，这里“\sArt”被翻译为“Stand-der-Technik”，这是德语中表示“最先进”的常用术语。如果您有特定的格式要求或其他术语偏好，请告知我。