Dans cet article, nous proposons un détecteur de contours précis utilisant des caractéristiques convolutionnelles plus riches (RCF). Étant donné que les objets dans les images naturelles présentent des échelles et des rapports d'aspect variés, les représentations hiérarchiques riches apprises automatiquement par les CNN sont très critiques et efficaces pour détecter les contours et les limites des objets. De plus, les caractéristiques convolutionnelles deviennent progressivement plus grossières à mesure que le champ récepteur s'élargit. Sur la base de ces observations, l'architecture de réseau que nous proposons utilise pleinement des informations multiscalaires et multiniveaux pour effectuer la prédiction de contours image-à-image en combinant toutes les caractéristiques convolutionnelles utiles dans un cadre global. Il s'agit de la première tentative d'utiliser de telles caractéristiques convolutionnelles riches dans des tâches de vision par ordinateur. En utilisant le réseau VGG16, nous obtenons des résultats \sArt sur plusieurs jeux de données disponibles. Lors de l'évaluation sur le célèbre benchmark BSDS500, nous atteignons une mesure F ODS de \textbf{.811} tout en maintenant une vitesse rapide (\textbf{8} IPS). De plus, notre version rapide du RCF atteint une mesure F ODS de \textbf{.806} avec \textbf{30} IPS.