<<<Dies ist eine Vorakzeptanzversion. Bitte ziehen Sie die endgültige Fassung im Journal Pattern Recognition auf ScienceDirect zurate>>>. Die Kantenerkennung bildet die Grundlage vieler Anwendungen im Bereich des maschinellen Sehens. Die aktuelle Forschung stützt sich überwiegend auf Deep Learning, wobei zwei entscheidende Faktoren maßgeblich sind: die Inhalte der Datensätze und die Architektur des Netzwerks. Die meisten öffentlich verfügbaren Datensätze wurden nicht speziell für die Kantenerkennung kuratiert. Hier bieten wir eine Lösung für diese Einschränkung. Erstens argumentieren wir, dass Kanten, Konturen und Grenzlinien – trotz ihrer Überlappungen – drei voneinander unterschiedliche visuelle Merkmale darstellen, die jeweils eigene Benchmark-Datensätze erfordern. Dementsprechend präsentieren wir einen neuen Datensatz für Kanten. Zweitens stellen wir eine neuartige Architektur vor, die Dense Extreme Inception Network for Edge Detection (DexiNed) heißt, die von Grund auf ohne vorab trainierte Gewichte trainiert werden kann. DexiNed übertrifft andere Algorithmen im vorgestellten Datensatz. Zudem zeigt es eine gute Generalisierungsfähigkeit auf anderen Datensätzen ohne jegliche Feinabstimmung. Die höhere Qualität von DexiNed ist auch subjektiv deutlich erkennbar, da es schärfere und feinere Kanten ausgibt.