本論文では、リソース制約下でのセマンティックセグメンテーションに極めて効率的なCNNアーキテクチャであるDFANetを紹介します。提案するネットワークは単一の軽量バックボーンから始まり、サブネットワークとサブステージのカスケードを通じて判別的特徴を集積します。マルチスケール特徴伝播に基づき、DFANetはパラメータ数を大幅に削減しながらも、十分な感受野を得るとともにモデルの学習能力を向上させ、速度とセグメンテーション性能のバランスを実現しています。CityscapesおよびCamVidデータセットにおける実験結果は、既存の最先端リアルタイムセマンティックセグメンテーション手法よりも8倍少ないFLOPs（8$\times$× less FLOPs）で2倍速い（2$\times$× faster）性能を示しており、同等の精度を提供しています。特に、NVIDIA Titan Xカード1枚上で1.7 GFLOPsと160 FPSの速度でCityscapesテストデータセットにおいて70.3%の平均IOUを達成し、高解像度画像での推論時には3.4 GFLOPsで71.3%の平均IOUを達成しています。