遠隔センシング画像の意味的セグメンテーションは、精密農業、環境保護、経済評価において重要な役割を果たしている。近年、高解像度の遠隔センシング画像が大量に利用可能となっており、意味的セグメンテーションに活用されている。しかし、空間解像度の向上に伴い情報が複雑化するため、最先端の深層学習アルゴリズムは通常、複雑なネットワーク構造を採用してセグメンテーションを実行するが、これにより計算コストが著しく増大する傾向にある。特に、畳み込みニューラルネットワーク（CNN）の高精度性能は、細粒度の空間的詳細（高解像度）と十分な文脈情報（広い受容 field）に強く依存しており、これら両方が計算コストの増加を引き起こす要因となっている。この問題は、リアルタイム処理を要する実世界の応用場面における実用性と可用性を大きく制限している。本論文では、二重ブランチ構造を有する畳み込みニューラルネットワーク（CNN）である「Attentive Bilateral Contextual Network（ABCNet）」を提案する。本手法は最先端のアルゴリズムと比較して顕著に低い計算消費量を実現しつつ、競争力のある精度を維持している。コードは以下のURLにて公開されている：https://github.com/lironui/ABCNet。