การค้นหาสถาปัตยกรรมโครงข่ายประสาทอัตโนมัติ (NAS) ได้เข้ามามีบทบาทสำคัญในการออกแบบโมเดลการเรียนรู้เชิงลึก อย่างไรก็ตาม โครงสร้างพื้นฐานจำนวนมากรวมถึง ColabNAS มักใช้ชั้นเชื่อมต่อแบบหนาแน่น (Dense layers) ในส่วนของการจำแนกประเภท (Classifier) ซึ่งส่งผลให้ขาดความยืดหยุ่นด้านมิติของข้อมูลนำเข้าและเพิ่มภาระด้านพารามิเตอร์ งานวิจัยนี้จึงนำเสนอ FCN-Integrated ColabNAS ซึ่งเป็นการปรับปรุงสถาปัตยกรรมโดยการเปลี่ยนส่วนประมวลผลปลายทางจาก Dense layer เดิม ให้เป็นรูปแบบ คอนโวลูชันเต็มรูปแบบ (Fully Convolutional Network - FCN) ด้วยการประยุกต์ใช้ 1 x 1 Convolution ร่วมกับ Global Average Pooling (GAP) การปรับปรุงนี้ทำให้โมเดลมีคุณสมบัติความคงตัวเชิงพื้นที่ (Spatial Invariance) ซึ่งช่วยให้สามารถรองรับภาพนำเข้าที่มีขนาดแตกต่างกันได้โดยไม่ต้องปรับโครงสร้างใหม่
