シーンの深度情報は、より正確な意味的セグメンテーションのための視覚情報に貢献することができる。しかし、マルチモダリティ情報（多モーダル情報）を代表的な特徴に効果的に統合する方法は、依然として未解決の課題である。既存の多くはDCNN（深層畳み込みニューラルネットワーク）を用いて、マルチモダリティ情報を暗黙的に統合している。しかしながら、ネットワークが深くなるにつれて、重要な区別特徴が失われる場合があり、その結果、セグメンテーション性能が低下する。本研究では、マルチモダリティ情報を明示的に統合するための対称的クロスモダリティ残差統合モジュールを備えた、統一的かつ効率的な特徴選択・統合ネットワーク（FSFNet）を提案する。さらに、ネットワークの前方伝搬プロセス中に低レベルの詳細情報を維持するための詳細特徴伝搬モジュールも導入している。公開データセット2つにおける実験評価により、提案手法が最先端の手法と比較して競争力ある性能を達成することが示された。