神经普通微分方程（ODE）的概念是近似函数（数据模型）而不是函数本身的导数。在残留网络中，而不是具有隐藏层的离散序列，而是可以通过ode参数化隐藏状态的连续动力学的衍生物。已经表明，这种类型的神经网络能够产生与用于图像分类的等效残留网络相同的结果。在本文中，我们为语义分割任务设计了一种新颖的神经颂歌。我们从一个由残留模块组成的基线网络开始，然后使用这些模块来构建我们的神经ode网络。我们表明，我们的神经ODE能够使用训练记忆少57％，测试记忆少42％，参数数量减少68％。我们评估了我们的模型，有关CityScapes，Camvid，Lip和Pascal-Context数据集。