Die meisten bestehenden Methoden der semantischen Segmentierung leiden noch unter zwei Herausforderungen: innerklassischer Inkonsistenzen und interklassischer Ununterscheidbarkeiten. Um diesen beiden Problemen entgegenzuwirken, schlagen wir ein Diskriminatives Merkmalsnetzwerk (Discriminative Feature Network, DFN) vor, das zwei Unter-Netzwerke enthält: ein Glättungsnetzwerk (Smooth Network) und ein Rändernetzwerk (Border Network). Insbesondere zur Bewältigung des Problems der innerklassischen Inkonsistenzen haben wir ein Glättungsnetzwerk mit einem Kanal-Aufmerksamkeitsblock und globaler Durchschnittspooling speziell entwickelt, um die diskriminierenderen Merkmale auszuwählen. Darüber hinaus schlagen wir ein Rändernetzwerk vor, um die bilateralen Merkmale an den Grenzen durch tiefes semantisches Randüberwachung unterscheidbar zu machen. Basierend auf unserem vorgeschlagenen DFN erzielen wir einen Stand-der-Technik-Leistung von 86,2 % mittlerem IOU auf dem PASCAL VOC 2012-Datensatz und 80,3 % mittlerem IOU auf dem Cityscapes-Datensatz.