Ein ResNet-basierter Multi-Pfad-Verfeinerungs-CNN wird für die Objektkonturerkennung verwendet. Bei dieser Aufgabe priorisieren wir die effektive Nutzung der hochstufigen Abstraktionsfähigkeit eines ResNet, was zu Stand-of-the-Art-Ergebnissen bei der Kantenerkennung führt. Im Einklang mit unserem Fokus fusionieren wir die hochstufigen, mittelstufigen und niederstufigen Merkmale in genau dieser Reihenfolge, was sich von vielen anderen Ansätzen unterscheidet. Es nutzt das Tensor mit den höchsten Merkmalen als Ausgangspunkt, um es schichtweise mit Merkmalen einer niedrigeren Abstraktionsstufe zu kombinieren, bis es die niedrigste Stufe erreicht. Wir trainieren dieses Netzwerk auf einem modifizierten PASCAL VOC 2012-Datensatz für die Objektkonturerkennung und evaluieren es auf einem verfeinerten PASCAL-Val-Datensatz, wobei eine ausgezeichnete Leistung und ein Optimaler Datensatzmaßstab (ODS) von 0.752 erzielt werden. Durch Feintuning auf dem BSDS500-Datensatz erreichen wir Stand-of-the-Art-Ergebnisse bei der Kantenerkennung mit einem ODS von 0.824.