L'exploitation de représentations multi-échelles est cruciale pour améliorer la détection des contours d'objets à différentes échelles. Pour extraire les contours à des échelles considérablement différentes, nous proposons une structure de réseau en cascade bi-directionnelle (Bi-Directional Cascade Network, BDCN), où chaque couche est supervisée par des contours étiquetés à son échelle spécifique, plutôt que d'appliquer directement la même supervision à toutes les sorties du CNN. De plus, afin d'enrichir les représentations multi-échelles apprises par le BDCN, nous introduisons un module d'amélioration d'échelle (Scale Enhancement Module, SEM) qui utilise des convolutions dilatées pour générer des caractéristiques multi-échelles, au lieu d'utiliser des CNN plus profonds ou de fusionner explicitement des cartes de contours multi-échelles. Ces nouvelles approches encouragent l'apprentissage de représentations multi-échelles dans différentes couches et détectent des contours bien définis par leurs échelles respectives. L'apprentissage de couches dédiées à chaque échelle permet également d'obtenir un réseau compact avec une fraction du nombre de paramètres. Nous évaluons notre méthode sur trois jeux de données, à savoir BSDS500, NYUDv2 et Multicue, et obtenons une mesure F ODS de 0,828, soit 1,3 % supérieure à l'état actuel de l'art sur BSDS500. Le code est disponible sur https://github.com/pkuCactus/BDCN.