事前学習済み重みを用いないかつデータが少ない状況でのディープニューラルネットワークの学習は、より多くの学習イテレーションを必要とすることが示されている。また、セマンティックセグメンテーションタスクにおいて、深いモデルの方が浅いモデルよりも優れた性能を発揮することが知られている。そこで本研究では、U-Netの改良型かつスケーラブルなバージョンであるEfficientSegアーキテクチャを提案する。このアーキテクチャは深い構造を有しながらも、効率的な学習が可能である。我々はMinicityデータセット上でEfficientSegアーキテクチャを評価し、同じパラメータ数（51.5% mIoU）を用いてU-Netベースライン（40% mIoU）を上回った。また、最も成功したモデルは58.1%のmIoUを達成し、ECCV 2020 VIPriorsチャレンジのセマンティックセグメンテーショントラックで第4位を獲得した。