语义边缘检测是计算机视觉领域的经典研究任务之一，其旨在识别并定位
图像中目标物体的边缘像素。在早期的研究过程中，研究人员主要依据图像的颜
色、梯度和纹理信息来检测边缘，如手工设计的Sobel 算子。这类方法虽然计算
复杂度低，但是易受环境因素影响，且鲁棒性差，难以满足复杂场景的检测精度
需求。此外，高度依赖人工设计的特征提取器也限制了这类方法性能的提升。
近年来，随着深度学习技术的高速发展，卷积神经网络大规模应用于计算机
视觉领域，语义边缘检测算法的性能有了质的提升。传统方法抗噪声能力弱且缺
乏对特定边缘的选择能力，所以只适用于低精度的边缘提取，而基于深度学习的
语义边缘检测算法不仅鲁棒性强且能够针对感兴趣的边缘进行学习，因而受到研
究人员的重点关注。以CASENet 为代表的全卷积网络是语义边缘检测的常用方
法，这类方法通常采用编码器-解码器结构。编码器在卷积过程中不断下采样，从
而能够提取不同尺度的特征。解码器将融合之后的特征图恢复至原始的分辨率。
这类方法主要有两点缺陷：一是高度下采样使得大量图像边缘细节信息丢失；二
是CNN 结构难以对远距离的上下文信息进行建模，导致大量的边缘检测错误。
针对上述问题，本文在现有网络的研究基础上，引入注意力机制并设计了新的语
义边缘检测模型。实验表明，注意力机制的引入能够有效增强图像像素之间长距
离依赖的建模能力，从而提升语义边缘检测任务的精度。本文的主要贡献如下：
（1）提出了一种基于注意力机制的语义边缘检测网络——SEDTR。该网络
在传统编码器-解码器的基础上引入双歧路分支，两分支采用Transformer 结构
来分别提取低层边缘信息和高层语义信息，特征在输入解码器前利用跨分支的注
意力机制进行融合。实验表明，SEDTR 的检测精度达到了当前的SOTA(State
Of The Art) 水平。
（2）提出了一种基于注意力机制的轻量化船舶水线检测网络——WLNet。该
网络将语义分割作为辅助任务纳入水线检测网络框架，并基于注意力机制设计
了特征提取和特征融合模块，增强模型对水线边缘像素的感知能力。此外，还利
用水线的连续性特征以及双任务的对偶性质，构建了用于水线检测的新的损失
函数，提升了水线检测的精度。实验表明，在包含1000 幅从黄骅港实际采集的
水尺图像数据集上，与现有方法相比，本文方法能够大幅提升水线检测精度。