Nous présentons FasterSeg, un réseau de segmentation sémantique conçu automatiquement, offrant à la fois des performances de pointe et une vitesse supérieure à celle des méthodes actuelles. Grâce à une recherche d'architecture neuronale (NAS), FasterSeg est découvert à partir d'un nouvel espace de recherche élargi, intégrant des branches à plusieurs résolutions, un élément récemment identifié comme essentiel dans les modèles de segmentation conçus manuellement. Pour mieux équilibrer les objectifs contradictoires de haute précision et faible latence, nous proposons une régularisation de latence déconnectée et fine, qui permet efficacement de surmonter un phénomène observé : les réseaux recherchés ont tendance à « s’effondrer » vers des modèles à faible latence mais à faible précision. En outre, nous étendons de manière fluide FasterSeg à un nouveau cadre de recherche collaborative (co-recherche), permettant, en une seule exécution, de rechercher simultanément un modèle enseignant et un modèle étudiant. La distillation enseignant-étudiant permet alors d’améliorer davantage la précision du modèle étudiant. Des expériences menées sur des benchmarks populaires de segmentation démontrent la compétitivité de FasterSeg. Par exemple, sur Cityscapes, FasterSeg est capable de s’exécuter plus de 30 % plus rapidement que le meilleur concurrent conçu manuellement, tout en maintenant une précision comparable.