نقدّم FasterSeg، وهو شبكة لتقسيم الدلاليات مصممة تلقائيًا، تتميز بأداءٍ من الطراز الرائد، بالإضافة إلى سرعة أسرع من الطرق الحالية. باستخدام بحث البنية العصبية (NAS)، تم اكتشاف FasterSeg من فضاء بحث جديد وواسع يدمج فروعًا متعددة الدقة، والتي أُثبتت مؤخرًا كعوامل حاسمة في النماذج اليدوية التصميم للتقسيم. ولتحسين موازنة التوازن بين هدفي الدقة العالية وانخفاض التأخير (latency)، نقترح تنظيمًا دقيقًا ومتفرّقًا للتأخير (decoupled and fine-grained latency regularization)، الذي يُعد فعّالًا في التغلب على الظاهرة التي لاحظناها، وهي انحناء الشبكات المُختارة نحو نماذج ذات تأخير منخفض ولكن دقة ضعيفة. علاوةً على ذلك، نوسع بشكل سلس لـ FasterSeg إطارًا جديدًا للبحث التعاوني (co-searching)، حيث يتم في نفس العملية الواحدة البحث عن شبكة معلّم (teacher) وشبكة تلميذ (student) معًا. ويساهم التحفيز التلامذة-المعلّم (teacher-student distillation) في زيادة دقة نموذج التلميذ. تُظهر التجارب على معايير تقسيم شائعة كفاءة FasterSeg. على سبيل المثال، يمكن لـ FasterSeg أن يعمل بأكثر من 30% أسرع من أقرب منافس مصمم يدويًا على مجموعة بيانات Cityscapes، مع الحفاظ على دقة مماثلة.