أظهرت بحوث التصميم العصبي للهياكل (NAS) إمكانيات كبيرة في تصميم تراكيب شبكات قابلة للتوسع تلقائيًا لتنبؤات الصور الكثيفة. ومع ذلك، غالبًا ما تتضمن خوارزميات NAS الحالية تنازلات بشأن نطاق البحث المحدود وتحاول البحث على مهام بديلة (Proxy Tasks) لاستيفاء المتطلبات الحسابية القابلة للتحقيق. لتمكين أوسع نطاق ممكن من الهياكل الشبكية وتجنب الفجوة بين مجموعة البيانات المستهدفة والبيانات البديلة، نقترح إطار عمل يُسمى NAS متصل بشكل كثيف (DCNAS)، الذي يقوم بالبحث المباشر عن الهياكل الشبكية المثلى لتمثيلات متعددة المقاييس للمعلومات البصرية، باستخدام مجموعة بيانات مستهدفة كبيرة الحجم. وبشكل خاص، من خلال ربط الوحدات (Cells) ببعضها البعض باستخدام أوزان قابلة للتعلم، نُدخل نطاق بحث متصل بشكل كثيف يغطي مجموعة واسعة من التصاميم الشبكية الشائعة. علاوةً على ذلك، وباستخدام استراتيجية مزج تجمع بين استراتيجيات أخذ العينات على مستوى المسار (Path-level) وعلى مستوى القناة (Channel-level)، نصمم وحدة دمج تقلل من استهلاك الذاكرة الناتج عن المساحة الواسعة للبحث. نُظهر أن الهيكل الناتج عن خوارزمية DCNAS تحقق أداءً متفوقًا على أحدث المعايير المفتوحة في تصنيف الصور الشاملة، بما في ذلك 84.3% على بيانات Cityscapes، و86.9% على بيانات PASCAL VOC 2012. كما حافظنا على أداء متفوق عند تقييم الهيكل على مجموعات بيانات أكثر تحديًا مثل ADE20K وPascal Context.