利用多尺度表示对于改进不同尺度对象的边缘检测至关重要。为了以截然不同的尺度提取边缘，我们提出了一种双向级联网络 (BDCN) 结构，其中单个层由其特定尺度的标记边缘监督，而不是直接将相同的监督应用于所有 CNN 输出。此外，为了丰富 BDCN 学习的多尺度表示，我们引入了一个尺度增强模块 (SEM)，它利用扩张卷积来生成多尺度特征，而不是使用更深的 CNN 或显式融合多尺度边缘图。这些新方法鼓励在不同层中学习多尺度表示，并检测由其尺度很好地描绘的边缘。学习规模专用层也会导致具有一小部分参数的紧凑网络。我们在三个数据集上评估我们的方法，即 BSDS500、NYUDv2 和 Multicue，并实现了 0.828 的 ODS Fmeasure，比 BSDS500 上的当前最先进技术高 1.3%。