التمييز الدلالي في الوقت الفعلي يلعب دورًا مهمًا في التطبيقات العملية مثل السيارات ذاتية القيادة والروبوتات. تركز معظم أبحاث التمييز الدلالي على تحسين دقة التقدير مع القليل من الاهتمام بالكفاءة. غالبًا ما تفشل العديد من الدراسات السابقة التي تؤكد على الاستدلال عالي السرعة في إنتاج نتائج تمييز دقيقة. في هذا البحث، نقترح شبكة اتصالات جديدة تُسمى (Efficient Dense modules with Asymmetric convolution) أو (EDANet)، والتي تستعمل بنية التحويل غير المتناظرة وتدمج التحويل الممدد والاتصال الكثيف لتحقيق كفاءة عالية بتكلفة حسابية منخفضة وحجم نموذج صغير. تعد EDANet أسرع 2.7 مرة من الشبكة الحالية للفصل السريع، ICNet، بينما تحصل على درجة mIoU مماثلة دون الحاجة إلى أي وحدة سياق إضافية، أو مخطط معالجة ما بعد التشغيل، أو نموذج مسبق التدريب. قمنا بتقييم EDANet على مجموعات البيانات Cityscapes و CamVid، وقارناها بأنظمة الرائدة الأخرى. يمكن تشغيل شبكتنا بدخل بدقة عالية بمعدل 108 إطارًا في الثانية على بطاقة GTX 1080Ti واحدة.