由于内存和计算资源有限，在嵌入式设备上部署卷积神经网络 (CNN) 很困难。特征图中的冗余是那些成功的 CNN 的一个重要特征，但在神经架构设计中很少被研究。
论文提出了一种新颖的 Ghost 模块，可以从廉价操作中生成更多的特征图。提出的 Ghost 模块可以作为即插即用的组件来升级现有的卷积神经网络。堆叠Ghost Module建立了轻量级的 GhostNet。
GhostNet 可以实现比 MobileNetV3 更高的识别性能（例如 75.7% 的 top-1 准确率），并且在 ImageNet ILSVRC-2012 上具有相似的计算成本。
论文：GhostNet: More Features from Cheap Operations
代码：https://github.com/huawei-noah/ghostnet.
欢迎关注公众号 CV技术指南 ，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读。
出发点多年来，已经提出了一系列方法来研究紧凑型深度神经网络，例如网络剪枝、低位量化、知识蒸馏等。网络剪枝修剪神经网络中不重要的权重、利用正则化来修剪过滤器以获得高效的 CNN； 低位量化将权重和激活量化为 1 位数据，以实现大的压缩和加速比；知识蒸馏，将知识边缘从较大的模型转移到较小的模型。
然而，这些方法的性能通常受预训练的神经网络作为其基线的上限。
