介绍
摘要
在嵌入式设备上部署卷积神经网络（CNNs）由于有限的内存和计算资源而变得困难。特征图中的冗余是那些成功的CNNs的一个重要特性，但在神经架构设计中很少被研究。本文提出了一种新颖的Ghost模块，用于通过低成本操作生成更多的特征图。基于一组内在特征图，我们应用一系列低成本的线性变换来生成许多能够充分揭示内在特征信息的幽灵特征图。所提出的Ghost模块可以作为一个即插即用的组件来升级现有的卷积神经网络。设计了Ghost瓶颈来堆叠Ghost模块，然后可以轻松建立轻量级的GhostNet。在基准测试上进行的实验表明，所提出的Ghost模块是基线模型中卷积层的一个令人印象深刻的替代品，而我们的GhostNet在相似的计算成本上可以实现比MobileNetV3更高的识别性能（例如，ImageNet ILSVRC-2012分类数据集上的75.7%的top-1准确率）。
创新点
GhostNet的创新点主要包括：
- Ghost模块: 提出一种新的Ghost模块，通过低成本操作生成更多的特征图。该模块首先使用一部分原始特征图，然后通过应用一系列简单的线性变换（廉价操作）生成更多的特征图（称为Ghost特征图），这些特征图能够充分揭示原始特征中的信息。
- 高效性: 通过减少所需的参数和计算复杂度，Ghost模块显著降低了卷积神经网络的资源消耗。这使得GhostNet特别适
版权声明：本文为博主作者：程序员半夏原创文章，版权归属原作者，如果侵权，请联系我们删除！
原文链接：https://blog.csdn.net/shangyanaf/article/details/136151800
