لتطبيقات الوقت الحقيقي التي تستفيد من الشبكات العصبية العميقة (DNNs)، من الضروري أن تحقق النماذج دقة عالية في المهمة المستهدفة وتستجيب بسرعة على المنصة الحاسوبية المستهدفة. رغم أن البحث عن هندسة الشبكة العصبية (Neural Architecture Search - NAS) قد استخدم بكفاءة لتطوير شبكات ذات زمن استجابة قليل للتصنيف الصوري، إلا أن الجهود المبذولة لاستخدام NAS لتحسين هياكل DNN لأغراض الرؤية الأخرى كانت نسبيًا محدودة. في هذا العمل، نقدم ما نعتقد أنه أول بحث مستهدف للأجهزة بدون وكيل موجه للتمييز الدلالي الكثيف. باستخدام هذه الطريقة، نتقدم في دقة شبكات زمن الاستجابة المحسنة على مجموعة بيانات Cityscapes للتمييز الدلالي. يحقق شبكتنا الصغيرة SqueezeNAS المحسنة زمن الاستجابة نسبة mIOU فئوية قدرها 68.02% مع أوقات استدلال أقل من 35 ميلي ثانية على جهاز NVIDIA AGX Xavier. أما شبكتنا الكبيرة SqueezeNAS المحسنة زمن الاستجابة فتحقق نسبة mIOU فئوية قدرها 73.62% مع أوقات استدلال أقل من 100 ميلي ثانية. نثبت أن هناك إمكانية لتحقيق مكاسب أداء كبيرة من خلال استخدام NAS لاكتشاف شبكات محسنة لكل من المهمة الخاصة وardware الاستدلال. كما نقدم تحليلًا مفصلًا يقارن بين شبكاتنا والهياكل الحديثة الأكثر تقدمًا.请注意，"hardware" 在阿拉伯语中通常会翻译为 "العتاد" 或 "الأجهزة"،在这里我选择了 "الأجهزة" 因为它更符合上下文中的使用场景。如果有特定的偏好或行业标准，请告知我以便进行调整。