أظهرت تقنيات البحث في البنية العصبية (NAS) تطورًا كبيرًا في العديد من المجالات من خلال التعلم المشترك بين هياكل الشبكات العصبية والوزن المقابل لها. ومع ذلك، فإن معظم الدراسات الحالية في مجال NAS تدّعي أنها مخصصة للمهام المحددة، وتركز على تحسين بنية واحدة فقط كبديل للشبكات العصبية المصممة يدويًا، في الواقع، فإن عمليات البحث لديها شبه مستقلة تمامًا عن المعرفة المتعلقة بالمهام المحددة. في هذا البحث، نقترح نموذج "البحث في النسيج العصبي للوضعية" (PoseNFS). نستكشف حلًا جديدًا للبحث في البنية العصبية (NAS) والمهام المتعلقة باستخلاص وضعية الإنسان، من خلال نهج مخصص للجزء: البحث في البنية العصبية المخصصة للجزء، والذي يمكن اعتباره صيغة من صيغ التعلم متعدد المهام. أولاً، نصمم فضاء بحث جديد للبنية العصبية يُسمى "النسيج العصبي القائم على الخلية" (CNF)، والذي يتيح التعلم الميكروي والماكروي للبنية العصبية باستخدام استراتيجية بحث قابلة للتفاضل. ثم ننظر إلى تحديد نقاط المفاصل البشرية على أنها مهام فرعية متعددة منفصلة، ونستخدم المعرفة السابقة حول البنية الهيكلية للجسم كدليل لاستكشاف هياكل عصبية متعددة مخصصة لكل جزء من جسم الإنسان. وبعد انتهاء عملية البحث، تمتلك جميع هذه النماذج المخصصة للجزء (CNF) معاملات بنية ميكروية وماكروية مميزة. تُظهر النتائج أن هذه الهياكل المبنية على بحث موجه بالمعرفة تحقق تحسينًا ملحوظًا في الأداء مقارنةً بنموذج أساسي مصمم يدويًا يعتمد على التقسيم الجزئي. كما تُظهر التجارب على مجموعتي بيانات MPII وMS-COCO أن PoseNFS\footnote{الكود متاح على \url{https://github.com/yangsenius/PoseNFS}} يمكنه تحقيق أداء مماثل لبعض الطرق الفعالة والمتقدمة حديثًا.