本研究提出了基于DiNAT的边缘检测器EdgeNAT，能高效提取对象边界和重要边缘。EdgeNAT在多个数据集上展示了最先进的性能，特别是在BSDS500数据集上超过了当前最佳边缘检测方法，显示出其显著的应用前景。

通过将边缘检测器作为层核心并设计二进制边缘特征分支（BEFB）来增强深度卷积神经网络（DCNN）的鲁棒性。实验证明，采用BEFB的集成模型在面对多种攻击时具有更高的分类准确性，并且具备了轻量化和不对训练造成负面影响的特点。该研究首次表明通过结合形状类特征和纹理特征可以增强DCNN的鲁棒性。