Auto-DeepLab定义了12个cell，而上图（左）中前面两个白色的node是固定的两层为了缩小spatial resolution。如图左灰色箭头所示，正式搜索之后，每一个cell的位置都有多种cell类型可以选择：可以来自于当前cell相同的spatial resolution的cell，也可以是比当前cell的spatial resolution大一倍或小一倍的cell。作者将这些空间路径（灰色箭头表示的路径）也赋予一个weight，记作Beta。如图右，每一个cell的输出都是由相邻spatial resolution的cell结合而成，而Beta的值可以理解成不同路径的probability。为了更直观，我们把图右的三个cell分别用蓝色，黄色和绿色标注，对应图左的三个cell。与DARTS类似，我们将operation的parameters记作W，将cell内部operation的权重记作Alpha。所以搜索最优网络结构，即迭代计算并更新W，Alpha和Beta。文中给出每一个cell的实际输出为：
从上面公式可以看出，W和{Alpha，Beta}要分别计算和更新。所有的weight都是非负数。Alpha的计算方式依然是ArgMax，而计算Beta用了经典的贪心算法Viterbi算法。下图给出的宏观网络结构是基于Cityscapes搜索到的结果，对应代码中的backbone是[0,0,0,1,2,1,2,2,3,3,2,1], 数字代表downsample倍数。在模型中，每一个cell中的node由两个路径组成，如图右。
文中用了三组开源数据PASCAL VOC 12， Cityscapes和ADE20k做了对比实验。具体实验参数设置和对比算法在论文中有详细说明，这里只对比和Deeplab v3+。Cityscapes训练数据尺寸是[769x769]，而PASCAL VOC 12和ADE20k训练数据尺寸是[513x513]。一般来说，Auto-DeepLab和DeepLabv3+准确度相差无几，但是速度上要快2.33倍，并且Auto-DeepLab可以从零开始训练。
除了文中给出的实验结果以外，我们在PASCAL VOC 12数据上从零开始训练了Auto-DeepLab，用代码中给出的模型结构，并且与DeepLabv3+（xception65）进行结果对比。但是并不是所有结果都能复现，分析原因大概是这样：首先，上文中给出的模型结构是用Cityscapes数据集搜索得到，也许在PASCAL VOC 12上并不是最优解；其次没有用ImageNet做pre-training，训练环境也不同。我们在下面表格中对比了FLOPs, 参数数量, 在K80 GPU上面的fps和mIoU。
下图中直观对比了ground truth（第二列），deeplabv3+（第三列）和Auto-DeepLab-S（第四列）的分割结果。与上面的mIoU一致，DeepLabv3+的分割结果要比Auto-DeepLab更精准一些，尤其是在边缘。对于简单的图像案例，两者分割结果相差无几，但是在较难的情况下，Auto-DeepLab会有很大误差（在第三个案例中，Auto-DeepLab将女孩识别成狗）。