自然画像におけるオブジェクトの骨格計算は、オブジェクトの外観やスケールの大きな変動、および背景の複雑さを処理する難しさから、挑戦的な課題となっています。最近の多くの手法では、オブジェクトの骨格検出を2値ピクセル分類問題として捉えています。これは学習ベースのエッジ検出や意味分割手法と精神的に類似しています。本稿では、このアプローチから離れ、CNN（畳み込みニューラルネットワーク）を訓練して、各シーンポイントを候補となる骨格ピクセルにマッピングする2次元ベクトル場を予測します。これはフロックスベースの骨格化アルゴリズム的精神に則っています。この「イメージコンテキストフロックス」表現は、従来の手法に対して2つの主要な利点があります。第一に、意味のあるエンティティ（例えば空間的なコンテキストにおける画像ポイント）に対する骨格ピクセルの相対位置を明示的に符号化し、その結果として推定されるオブジェクト境界も符号化します。第二に、骨格検出コンテキストが領域ベースのベクトル場であるため、幅が大きいオブジェクト部分にもより適応的に対応できます。我々は提案手法を3つの骨格検出ベンチマークデータセットと2つの対称性検出データセットで評価しました。その結果、最先端手法に対して一貫して優れた性能を達成しました。注：「flux-based skeletonization algorithms」（フロックスベースの骨格化アルゴリズム）、「image context flux」（イメージコンテキストフロックス）などの専門用語については一般的な訳を使用しましたが、これらの用語が特定の文脈で異なる訳が必要な場合はご指摘ください。