Zustandsbestimmende Verfahren zur semantischen Segmentierung wurden nahezu ausschließlich auf Bildern innerhalb eines festen Auflösungsbereichs trainiert. Diese Segmentierungen sind für sehr hochauflösende Bilder ungenau, da die Verwendung von bicubischer Up-Scaling von niedrigauflösenden Segmentierungen die Details in hoher Auflösung entlang Objekträndern nicht ausreichend erfasst. In diesem Paper stellen wir einen neuartigen Ansatz vor, um das Problem der Hochauflösungs-Segmentierung ohne Verwendung von Hochauflösungs-Trainingsdaten zu lösen. Der entscheidende Einblick ist unser CascadePSP-Netzwerk, das lokale Ränder bei jeder Gelegenheit verfeinert und korrigiert. Obwohl unser Netzwerk mit niedrigauflösenden Segmentierungsdaten trainiert wurde, ist unsere Methode auf beliebige Auflösungen anwendbar, auch für sehr hochauflösende Bilder über 4K. Wir präsentieren quantitative und qualitative Studien an verschiedenen Datensätzen, um zu zeigen, dass CascadePSP mithilfe unseres neuartigen Verfeinerungsmoduls pixelgenaue Segmentierungsränder erkennen kann, ohne dass eine Nachjustierung erforderlich ist. Daher kann unsere Methode als klassenunabhängig betrachtet werden. Schließlich demonstrieren wir die Anwendung unseres Modells auf die Szenenanalyse bei der Mehrklassen-Segmentierung.