In den letzten Jahren hat die kontrastive Lernmethode im Kontext selbstüberwachter Darstellungslernverfahren erneut an Bedeutung gewonnen und führt derzeit zu state-of-the-art-Leistungen bei der unsupervisierten Schulung tiefer Bildmodelle. Moderne Batch-basierte kontrastive Ansätze überflügeln oder übertrumpfen signifikant traditionelle kontrastive Verlustfunktionen wie Triplet-Loss, Max-Margin-Loss und N-Pairs-Loss. In dieser Arbeit erweitern wir den selbstüberwachten Batch-kontrastiven Ansatz auf den vollständig überwachten Fall, wodurch wir effektiv Label-Informationen nutzen können. Punktmengen, die derselben Klasse angehören, werden im Embedding-Raum zusammengezogen, während gleichzeitig Cluster von Proben aus unterschiedlichen Klassen voneinander entfernt werden. Wir analysieren zwei mögliche Formulierungen des supervisierten kontrastiven (SupCon-)Verlustes und identifizieren die leistungsstärkste Variante. Auf ResNet-200 erreichen wir eine Top-1-Accuracy von 81,4 % auf dem ImageNet-Datensatz, was 0,8 Prozentpunkte über dem bisher besten berichteten Wert für diese Architektur liegt. Wir zeigen eine konsistente Überlegenheit gegenüber der Kreuzentropie auf weiteren Datensätzen sowie zwei ResNet-Varianten. Der Verlust zeigt zudem Vorteile hinsichtlich Robustheit gegenüber natürlichen Verzerrungen und ist stabiler gegenüber Hyperparametereinstellungen wie Optimierern und Datenaugmentierungen. Unsere Verlustfunktion ist einfach zu implementieren, und der Referenz-Code in TensorFlow ist unter https://t.ly/supcon veröffentlicht.