都市景観などの複雑なシーンを効率的に分割解析するために、本論文では高解像度ネットワーク（HRNet）を組み合わせ、ピラミッドプーリングモジュール（Pyramid pooling module、PPM）を通じてグローバルな文脈情報を補完し、高解像度シーン解析ネットワークを提案する。まず、HRNetをバックボーン特徴抽出ネットワークとして使用し、その多数使用される残差モジュールを空洞分離畳み込みにより改良し、パラメータ数を削減しつつマルチスケールターゲットの分割能力を向上させた。次に、混合空洞畳み込みフレームワークを利用して多段階の空洞率を設計し、密な受容野を維持しつつグリッド問題の影響を軽減した。その後、HRNetV2の単純な後融合メカニズムを改良するために多段階の連続アップサンプリング構造を設計した。最後に、改良された異なる画像解像度に適応可能なピラミッドプーリングモジュールを用いて、異なる領域の文脈情報を集約し、高品質なセグメンテーションマップを得た。都市景観データセット（CityScapes）で16.4Mbitのパラメータ数で83.3％のMIOU精度を達成し、Camvidデータセットでも良好な結果を得て、より信頼性が高く正確で計算量の少ない意味セグメンテーションに基づくシーン解析方法を実現した。

深層学習;ニューラルネットワーク;意味セグメンテーション;高解像度ネットワーク;空洞畳み込み