In diesem Paper wird ein auf Deep Learning basierender Kantenendetektor vorgeschlagen, der sowohl von HED (Holistically-Nested Edge Detection) als auch von Xception-Netzwerken inspiriert ist. Der vorgeschlagene Ansatz erzeugt dünne Kantenkarten, die für das menschliche Auge plausibel sind und uneingeschränkt in beliebigen Kantenerkennungsaufgaben eingesetzt werden können, ohne dass eine vorherige Anpassung oder Feinabstimmung erforderlich ist. Als zweiter Beitrag wurde eine große Datensammlung mit sorgfältig annotierten Kanten erstellt. Diese Datensammlung wurde sowohl zur Ausbildung des vorgeschlagenen Ansatzes als auch zur Bewertung state-of-the-art-Algorithmen verwendet. Quantitative und qualitative Evaluationen wurden auf verschiedenen Benchmarks durchgeführt, wobei sich die vorgeschlagene Methode hinsichtlich des F-Maßes unter ODS (Optimal Dataset Threshold) und OIS (Optimal Image Threshold) als überlegen erwies.