画像コサリエンシー検出問題において、重要な課題の一つは、各画像内およびすべての関連画像間で共通して現れるコサリエンシー部分の同時パターンをいかにモデル化するかである。本論文では、このパターンを粗いから細かい段階へと捉えるための階層的画像コサリエンシー検出フレームワークを提案する。まず、初期のコサリエンシー検出結果を生成するために、マスクを用いた完全畳み込みネットワーク構造を提案する。このマスクは背景除去に用いられ、事前学習済みのVGG-netの高レベル特徴応答マップから学習される。次に、検出結果をさらに精緻化するため、マルチスケールラベルスムージングモデルを提案する。本モデルは、画素とスーパーピクセルのラベルスムージングを共同で最適化する。iCoseg、MSRC、Cosal2015の3つの代表的な画像コサリエンシー検出ベンチマークデータセットにおける実験結果から、最先端手法と比較して顕著な性能向上が確認された。