本論文では、マルコフ確率場（MRF）に高次の関係やラベルコンテキストの混合などの豊富な情報を組み込むことで、意味的画像セグメンテーションに取り組んでいます。従来の研究が反復アルゴリズムを使用してMRFを最適化していたのに対し、我々は深層パーシングネットワーク（Deep Parsing Network: DPN）と呼ばれる畳み込みニューラルネットワーク（CNN）を提案することで、単一の順方向パスで決定的なエンドツーエンド計算を可能にしています。具体的には、DPNは現代的なCNNアーキテクチャを拡張して単項項をモデル化し、さらに平均場近似アルゴリズム（Mean Field Algorithm: MF）による双項項の近似を行うための追加層が慎重に設計されています。この手法にはいくつか魅力的な特徴があります。第一に、最近のCNNとMRFを組み合わせた研究ではバックプロパゲーション中に各訓練画像に対して多くのMF反復が必要だったのに対し、DPNはMFの一回分の反復を近似することにより高性能を達成できます。第二に、DPNは様々な種類の双項項を表現できることから、多くの既存の研究がその特殊ケースとして捉えられます。第三に、DPNはグラフィックス処理ユニット（GPU）での並列化と高速化を容易にするMFを促進します。PASCAL VOC 2012データセット上で徹底的に評価した結果、単一のDPNモデルが新たな最先端のセグメンテーション精度を達成しました。