الشبكات العصبية الحديثة مثل ResNet و MobileNet و DenseNet قد حققت دقة متميزة مقارنة بنظيراتها ذات العمليات الحسابية المنخفضة (MACs) والحجم الصغير للنموذج. ومع ذلك، قد لا تكون هذه المقاييس دقيقة في التنبؤ بزمن الاستدلال. نقترح أن حركة الذاكرة لوصول الخرائط المميزة الوسيطة يمكن أن تكون عاملًا يهيمن على تأخير الاستدلال، خاصة في مهام مثل الكشف الفوري عن الأشياء وتقطيع الدلالة للفيديو ذي الدقة العالية. نقترح شبكة متصلة كثيفة توافقية (Harmonic Densely Connected Network) لتحقيق كفاءة عالية من حيث العمليات الحسابية المنخفضة (MACs) وحركة الذاكرة. تحقق الشبكة الجديدة خفضًا في زمن الاستدلال بنسبة 35٪ و36٪ و30٪ و32٪ و45٪ مقارنة بـ FC-DenseNet-103 وDenseNet-264 وResNet-50 وResNet-152 وSSD-VGG على التوالي. نستخدم أدوات مثل Nvidia profiler وARM Scale-Sim لقياس حركة الذاكرة والتحقق من أن تأخير الاستدلال يتناسب بالفعل مع استهلاك حركة الذاكرة وأن الشبكة المقترحة تستهلك حركة ذاكرة منخفضة. نستنتج أنه يجب الأخذ بعين الاعتبار حركة الذاكرة عند تصميم هياكل الشبكات العصبية لتطبيقات الدقة العالية على الحافة.