ノイズを含むアノテーションにおける深層学習は、分類タスクにおいて広く研究されてきたが、セグメンテーションタスクにおける研究はまだ十分ではない。本研究では、誤ったアノテーションデータ上で訓練された深層セグメンテーションネットワークの学習ダイナミクスを検討する。これまで分類タスクの文脈で報告された現象と同様に、ネットワークは「初期学習（early-learning）」段階において、まずクリーンなピクセルレベルのラベルをフィットし、その後、誤ったアノテーションを記憶する傾向にあることを発見した。しかし、分類とは異なり、セグメンテーションではすべてのセマンティックカテゴリに対して記憶化が同時に発生するわけではない。この知見をもとに、ノイズを含むアノテーションからのセグメンテーションを実現する新たな手法を提案する。本手法の核心は以下の2つの要素である。第一に、訓練中に各カテゴリごとに記憶化段階の開始を個別に検出することで、初期学習段階を有効に活用できるように、ノイズアノテーションを適応的に修正する。第二に、スケール間の一貫性を強制する正則化項を導入し、アノテーションノイズに対してより高いロバスト性を実現する。本手法は、人間のアノテーションエラーを模倣するように合成されたノイズを含む医療画像セグメンテーションタスクにおいて、従来手法を上回る性能を示した。また、弱教師ありセマンティックセグメンテーションに存在する現実的なノイズアノテーションに対しても高い耐性を発揮し、PASCAL VOC 2012において最先端の結果を達成した。コードは以下のURLで公開されている：https://github.com/Kangningthu/ADELE