航空画像セグメンテーションは、上から見た視点におけるセマンティックセグメンテーションであり、前景と背景の分布に著しい不均衡、複雑な背景、クラス内異質性、クラス間同質性、および微小な物体といった幾つかの課題を有しています。これらの問題に対処するため、我々はTransformerの利点を活かしつつ、圧縮パス（contracting path）にTransformerを、拡張パス（expanding path）に軽量なマルチディレイド畳み込みニューラルネットワーク（MD-CNN）を統合する手法であるAerialFormerを提案します。AerialFormerは階層構造として設計されており、Transformerエンコーダがマルチスケール特徴を出力し、MD-CNNデコーダがこれらのマルチスケール情報から情報を統合します。これにより、局所的およびグローバルな文脈を両方考慮することで、強力な表現力と高解像度のセグメンテーションを実現します。我々は、iSAID、LoveDA、Potsdamの3つの代表的なデータセットにおいてAerialFormerのベンチマーク評価を行いました。包括的な実験および広範なアブレーションスタディの結果、提案手法のAerialFormerは従来の最先端手法を顕著に上回る性能を達成しました。本研究のソースコードは、論文の受容後、公開予定です。