Die Dokumentebene-Relationsextraktion zielt darauf ab, Beziehungen zwischen mehreren Entitätenpaaren innerhalb eines Dokuments zu extrahieren. Bisher vorgeschlagene graphbasierte oder Transformer-basierte Modelle berücksichtigen die Entitäten unabhängig voneinander und ignorieren dabei die globale Information zwischen relationalen Tripeln. In dieser Arbeit wird das Problem durch die Vorhersage einer entitätsbasierten Relationmatrix angegangen, um sowohl lokale als auch globale Informationen zu erfassen – analog zur semantischen Segmentierung in der Computer Vision. Hierbei stellen wir ein Document U-shaped Network für die Dokumentebene-Relationsextraktion vor. Konkret nutzen wir ein Encoder-Modul, um den Kontextinformationen der Entitäten zu erfassen, sowie ein U-förmiges Segmentierungsmodul über einem bildartigen Merkmalsraum, um die globale Wechselwirkung zwischen Tripeln zu erfassen. Experimentelle Ergebnisse zeigen, dass unser Ansatz auf drei Benchmark-Datensätzen – DocRED, CDR und GDA – eine state-of-the-art-Leistung erzielt.