リアルタイムの意味分割は、自動運転やロボットなどの実用的な応用において重要な役割を果たしています。多くの意味分割の研究は精度向上に焦点を当て、効率性にはあまり考慮が払われていません。高速推論を重視するいくつかの先行研究では、高精度なセグメンテーション結果を得ることがしばしば困難となっています。本論文では、非対称畳み込み（asymmetric convolution）構造を採用し、希薄化畳み込みと密集接続を組み合わせることで、低計算コストとモデルサイズで高い効率性を達成する新しい畳み込みネットワークであるEfficient Dense modules with Asymmetric convolution (EDANet) を提案します。EDANetは既存の高速セグメンテーションネットワークであるICNetよりも2.7倍速く、追加のコンテキストモジュール、後処理スキーム、事前学習済みモデルなしで同程度のmIoUスコアを達成します。我々はCityscapesおよびCamVidデータセット上でEDANetを評価し、他の最先端システムとの比較を行いました。当社のネットワークは1つのGTX 1080Ti上での解像度が高い入力に対して108 FPSで動作します。