Die Verbesserung der Segmentierung von Grenzflächen hat in letzter Zeit zunehmend Aufmerksamkeit im Bereich der semantischen Segmentierung gefunden. Da herkömmliche, weit verbreitete Methoden typischerweise langreichweitige Kontextinformationen nutzen, sind Grenzsignale im Merkmalsraum oft verschwommen, was zu einer schlechten Leistung bei der Grenzsegmentierung führt. In diesem Artikel stellen wir eine neuartige bedingte Grenzverlustfunktion (Conditional Boundary Loss, CBL) für die semantische Segmentierung vor, um die Leistung an Grenzflächen zu verbessern. Die CBL definiert für jeden Grenzpixel ein einzigartiges Optimierungsziel, das bedingt durch seine unmittelbaren Nachbarn ist. Die bedingte Optimierung durch die CBL ist einfach zu implementieren und dennoch äußerst wirksam. Im Gegensatz dazu weisen die meisten vorherigen grenzorientierten Ansätze schwierige Optimierungsziele auf oder können potenzielle Konflikte mit der Aufgabe der semantischen Segmentierung verursachen. Konkret stärkt die CBL die Intra-Klassen-Konsistenz und die Inter-Klassen-Differenz, indem sie jeden Grenzpixel näher an seinen einzigartigen lokalen Klassenmittelpunkt zieht und gleichzeitig von Nachbarn unterschiedlicher Klassen wegschiebt. Zudem filtert die CBL rauschhafte und fehlerhafte Informationen heraus, da nur solche Nachbarn, die korrekt klassifiziert wurden, an der Berechnung des Verlustes beteiligt sind. Unser Verlustfunktional ist eine plug-and-play-Lösung, die problemlos in beliebige semantische Segmentierungsnetzwerke integriert werden kann, um deren Leistung bei der Grenzsegmentierung zu steigern. Wir führen umfangreiche Experimente auf den Datensätzen ADE20K, Cityscapes und Pascal Context durch, und die Ergebnisse zeigen, dass die Anwendung der CBL auf verschiedene gängige Segmentierungsnetzwerke die mIoU- und Grenz-F-Score-Leistung signifikant verbessert.