Neural Architecture Search (NAS)-Technologien sind in zahlreichen Bereichen aufgetaucht, um gleichzeitig Architekturen und Gewichte von neuronalen Netzen zu lernen. Allerdings behaupten die meisten bestehenden NAS-Ansätze, sie seien auf bestimmte Aufgaben zugeschnitten und konzentrieren sich ausschließlich auf die Optimierung einer einzigen Architektur, um ein menschlich entworfenes neuronales Netzwerk zu ersetzen. Tatsächlich sind ihre Suchprozesse jedoch nahezu unabhängig von domänenspezifischem Wissen bezüglich der Aufgaben. In diesem Paper stellen wir Pose Neural Fabrics Search (PoseNFS) vor. Wir erforschen eine neue Lösung für NAS und die Aufgabe der menschlichen Pose-Schätzung: die teilspezifische neuronale Architektursuche, die als Variante des Multi-Task-Lernens angesehen werden kann. Zunächst entwerfen wir einen neuen Suchraum für neuronale Architekturen, das Cell-based Neural Fabric (CNF), um sowohl mikro- als auch makroarchitektonische Strukturen mit einer differentiellen Suchstrategie zu lernen. Anschließend betrachten wir die Lokalisierung menschlicher Schlüsselpunkte als mehrere entkoppelte Vorhersage-Unteraufgaben und nutzen vorheriges Wissen über die Körperstruktur als Leitfaden, um mehrere teilspezifische neuronale Architekturen für unterschiedliche menschliche Körperteile zu suchen. Nach Abschluss der Suche weisen alle diese teilspezifischen CNFs jeweils unterschiedliche Parameter für mikro- und makroarchitektonische Strukturen auf. Die Ergebnisse zeigen, dass solche wissensgesteuerten, auf NAS basierenden Architekturen eine deutliche Leistungssteigerung gegenüber einem handgefertigten, teilspezifischen Basismodell aufweisen. Experimente auf den Datensätzen MPII und MS-COCO belegen, dass PoseNFS\footnote{Code ist verfügbar unter \url{https://github.com/yangsenius/PoseNFS}} eine vergleichbare Leistung mit einigen effizienten und state-of-the-art-Methoden erreicht.