深層学習に基づくセマンティックセグメンテーションにおけるアンサンブル手法は、競合するベンチマークや下流アプリケーションの増加にもかかわらず、依然として十分に検討されていない。本研究では、複数の独立して訓練された最先端モデルの予測結果をテスト時に統合する代表的なアンサンブル手法について、代表的なデータセット上でその性能を検証・比較する。さらに、ブースティングに着想を得た新たな手法を提案する。この手法は、直前のモデルが予測したクラス確率を追加入力として用いることで、ネットワークを逐次的にアンサンブル化する。本アプローチの主な利点の一つは、動的な計算オフロードを可能にすることであり、これによりモバイルデバイスへのモデル導入が容易になる。本研究で提案する新たなADaptive modulatiON（ADON）ブロックは、前段階の確率を用いて、異なる層での空間的特徴量を動的に調節可能である。本手法は訓練時に高度なサンプル選択戦略を必要とせず、複数のニューラルアーキテクチャと併用可能である。Cityscapes、ADE-20K、COCO-Stuff、PASCAL-Contextといった難易度の高いデータセットにおいて、単純なアンサンブルベースラインを大幅に上回り、新たな最先端性能を達成した。