本稿では、最先端の性能を発揮するとともに、現行の手法よりも高速な自動設計型セマンティックセグメンテーションネットワーク「FasterSeg」を提案する。FasterSegは、最近の手動設計モデルにおいて重要な役割を果たしているマルチリゾリューションブランチを統合した、新規かつ広範な探索空間から、ニューラルアーキテクチャ探索（NAS）により発見された。高精度と低レイテンシの両目標間のバランスをより適切に調整するため、本研究では、検索されたネットワークが「低レイテンシだが精度が低いモデル」に過剰に収束する現象を効果的に克服できる、分離型かつ細粒度なレイテンシ正則化を提案する。さらに、FasterSegを新たな共同探索（co-searching）フレームワークにシームレスに拡張し、一度の実行で教師モデルと学生モデルの両方を同時に探索する。教師-学生知識蒸留により、学生モデルの精度がさらに向上する。代表的なセグメンテーションベンチマーク上での実験により、FasterSegの有効性が実証された。例えば、Cityscapesデータセットにおいて、FasterSegは最も近い手動設計競合モデルと比較して30％以上高速でありながら、同等の精度を維持している。