In diesem Artikel präsentieren wir einen gemeinsamen Multi-Task-Lernrahmen für die semantische Segmentierung und die Randdetektion. Der zentrale Bestandteil des Rahmens ist das iterative Pyramiden-Kontext-Modul (PCM), das die beiden Aufgaben verknüpft und gemeinsame latente Semantik speichert, um einen Austausch zwischen den beiden Aufgaben zu ermöglichen. Für die semantische Randdetektion schlagen wir eine neuartige räumliche Gradientenfusion vor, um nicht-semantische Kanten zu unterdrücken. Da die semantische Randdetektion die duale Aufgabe der semantischen Segmentierung ist, führen wir eine Verlustfunktion mit Randkonsistenz-Beschränkung ein, um die Genauigkeit der Randpixel bei der semantischen Segmentierung zu verbessern. Unsere umfangreichen Experimente zeigen eine überlegene Leistung im Vergleich zu aktuellen State-of-the-Art-Verfahren, sowohl bei der semantischen Segmentierung als auch bei der semantischen Randdetektion. Insbesondere erreichen wir auf dem Cityscapes-Testset eine mittlere IoU-Score von 81,8 % bei der semantischen Segmentierung, ohne auf grobe Daten oder externe Daten zurückgreifen zu müssen. Für die semantische Randdetektion übertreffen wir die bisherigen State-of-the-Art-Verfahren um 9,9 % hinsichtlich AP und um 6,8 % hinsichtlich MF(ODS).