本稿では、リアルタイムなセマンティックセグメンテーションという挑戦的な課題に焦点を当てる。この技術は多くの実用的応用を持つ一方で、ピクセル単位のラベル推論において大幅な計算量削減を実現するという根本的な難しさを抱えている。我々は、適切なラベルガイダンスのもとでマルチ解像度のブランチを統合する画像カスケードネットワーク（ICNet）を提案する。本研究では、フレームワークの詳細な分析を実施し、高速かつ高品質なセグメンテーションを達成するためのカスケード特徴融合ユニットを導入する。提案手法は、Cityscapes、CamVid、COCO-Stuffといった困難なデータセット上で評価された結果において、単一のGPUカード上でリアルタイムの推論を実現し、良好な精度を達成している。