Ordinal Regression versucht, Klassifikationsprobleme zu lösen, bei denen die Kategorien nicht unabhängig voneinander sind, sondern einer natürlichen Ordnung folgen. Es ist entscheidend, jede Klasse korrekt zu klassifizieren, während zugleich angemessene ordinalen Beziehungen zwischen den Klassen erlernt werden. Wir präsentieren eine einfache und effektive Methode, die diese Beziehungen zwischen Kategorien durch eine nahtlose Integration von metrischen Straftermen in die Darstellung der wahren Etiketten einschränkt. Diese Kodierung ermöglicht es tiefen neuronalen Netzen, automatisch sowohl intra- als auch interklassige Beziehungen zu lernen, ohne dass die Netzwerkarchitektur explizit modifiziert werden muss. Unsere Methode wandelt die Datenetiketten in weiche Wahrscheinlichkeitsverteilungen um, die gut mit gängigen kategorischen Verlustfunktionen wie der Kreuzentropie kompatibel sind. Wir zeigen, dass dieser Ansatz in vier stark unterschiedlichen Szenarien wirksam ist: Bildqualitätsbewertung, Altersschätzung, Horizontlinienregression und monokulare Tiefenschätzung. Dabei demonstrieren wir, dass unsere allgemein einsetzbare Methode gegenüber spezialisierten Ansätzen sehr konkurrenzfähig ist und sich gut an eine Vielzahl unterschiedlicher Netzwerkarchitekturen und Metriken anpasst.