Holistically-Nested Edge Detection简称HED是2015年边界检测的文章，是现在很多边界检测或者包含边界检测文章的起源。相比于传统的Canny，sobel算子，作者利用卷积神经网络来进行提边。同时采用了多尺度和多层进行特征的学习。
作者首先放出模型预测的结果：
通过直观观看，发现canny提取的边缘杂乱无章且断断续续的，而HED提出的方法边界连续且可以看清物体的轮廓。
现存的多尺度多层网络有如下几种：
看e图我们可以发现，HED除了主干之外还有一个side output。
side output的输出上采样与GT进行一个损失的计算，然后side output的五个输出最后融合在一起与GT计算一个损失。
损失函数：
如何确保side output的输出是正确的，需要损失反向传播对卷积的参数进行优化。
side的m个损失各自赋一个权重并求和。
注意Y的取值是{0,1}即只有边界像素和非边界像素，二分类标签只能为[0,1]。对于语义分割的话，标签的像素值为[0-40]，就需要对标签进行提边并进行阈值处理，提取标签的边界，在本文中就是GT。
而Lside如何表示：因为GT百分之九十都是非边界像素，因此为了平衡边界和非边界像素，就需要一个权重β。
β由非边界像素和边界像素占总像素的比值确定，在进行损失计算前需要将side output经过sigmoid归一化到1之内。
融合的损失也是交叉熵损失，我们的目的就是要损失优化到最小。
测试阶段：对side output的输出进行聚合得到最终的边界图。
深监督：
side output的输出与GT进行损失计算即深监督操作，在许多语义分割的模型中都有用到，比如PSPNet和ESANet等。
拥有深监督，模型提取的边界更清晰，丢失的细节更少。
