一、提出背景
在嵌入式设备上部署神经网络很困难，因为其有限的内存和计算资源。
常规的CNN网络提取到的特征图有很多冗余信息。
算法原理
1.Ghost module
常规的卷积公式：，其中
是卷积操作，
是输出的特征图，h‘是输出的高，w’是输出的宽，n是输出维度，即卷积核的数量。
是卷积核，c是通道数，k是卷积核的高和宽，n是输出维度。
整个卷积操作的FLOPs是：，n和c往往很大。
普通的conv操作如上图a，Ghost module对次进行了改进，第一步是使用更少的卷积核生成输出特征图，如原本的个数是n，现在的个数是m。第二步是对第一步生成的每一张特征图进行cheap operations（卷积），每张特征图生成s张新特征图，总共是m×s张，并保证m×s=n，这样保证Ghost module和普通conv输出的特征形状相同。第三步是将这些特征图拼接到一起。
Ghost module的初始卷积公式：，省略了b。其中
，m是初始卷积中卷积核的数量，
，其余的超参数如卷积核尺寸，步长，padding都是和普通conv一致。