近年、深層畳み込みニューラルネットワーク（DCNN）を用いた意味分割において大きな進歩が見られています。しかし、多くの畳み込み層と特徴チャネルは、計算量の多いタスクとなり、リソースに制限のあるシナリオでは不利となります。本論文では、この問題を解決するために効率的な対称ネットワークであるESNetを設計しました。このネットワークはほぼ対称的な構造を持ち、主に因子分解畳み込みユニット（FCU）とその並列版（PFCU）で構成されています。一方、FCUは残差層で広く使用されている1次元因子分解畳み込みを採用しています。他方、並列版は残差モジュールの設計において変換-分割-変換-統合戦略を用いており、分割ブランチでは異なるレートの拡張畳み込みを使用して受容野を拡大します。当モデルには約1.6Mのパラメータがあり、単一のGTX 1080Ti GPU上で62 FPS以上で動作します。実験結果は、CityScapesデータセットにおけるリアルタイム意味分割において速度と精度のトレードオフに関して最先端の成果を達成していることを示しています。