Wir präsentieren FasterSeg, ein automatisch entworfenes Netzwerk für semantische Segmentierung, das nicht nur eine state-of-the-art-Leistung erreicht, sondern zudem schneller ist als bisherige Methoden. Durch die Anwendung von Neural Architecture Search (NAS) wurde FasterSeg aus einem neuartigen und erweiterten Suchraum identifiziert, der mehrere Multi-Resolution-Zweige integriert – ein Merkmal, das kürzlich als entscheidend für manuell entworfene Segmentierungsmodelle erkannt wurde. Um das Gleichgewicht zwischen den Zielen hoher Genauigkeit und geringer Latenz besser zu steuern, schlagen wir eine entkoppelte und fein granulierte Latenz-Regularisierung vor, die effektiv Phänomene überwindet, die wir beobachtet haben: Die gesuchten Netzwerke neigen dazu, sich „zusammenzuziehen“ zu Modellen mit geringer Latenz, jedoch schlechter Genauigkeit. Darüber hinaus erweitern wir FasterSeg nahtlos zu einem neuen kooperativen Suchframework (co-searching), bei dem in einem einzigen Durchlauf gleichzeitig ein Lehrer- und ein Schülermodell gesucht werden. Die Lehrer-Schüler-Distillation steigert anschließend die Genauigkeit des Schülermodells weiter. Experimente auf gängigen Segmentierungsbenchmarks belegen die Leistungsfähigkeit von FasterSeg. So kann FasterSeg beispielsweise auf Cityscapes mehr als 30 % schneller laufen als der nächstbeste manuell entworfene Konkurrent, während gleichzeitig eine vergleichbare Genauigkeit beibehalten wird.