يُعدّ تطبيق الشبكات العصبية التلافيفية (CNNs) على الأجهزة المدمجة أمرًا صعبًا بسبب القيود المفروضة على الذاكرة والموارد الحسابية. إن التكرار في خرائط الميزات يُعدّ خاصية مهمة للشبكات العصبية التلافيفية الناجحة، لكنه لم يُدرس بشكل واسع في تصميم الهياكل العصبية. تُقدّم هذه الورقة وحدة غوست (Ghost module) جديدة تُنتج خرائط ميزات إضافية من خلال عمليات رخيصة التكلفة. وباستخدام مجموعة من خرائط الميزات الأساسية، نطبّق سلسلة من التحويلات الخطية ذات التكلفة المنخفضة لإنشاء العديد من خرائط الميزات الغوستية (ghost feature maps)، التي يمكنها الكشف الكامل عن المعلومات الكامنة وراء الميزات الأساسية. يمكن اعتبار الوحدة المقترحة كمكون جاهز للتركيب (plug-and-play) لتحسين الشبكات العصبية التلافيفية الحالية. تم تصميم "ممرات غوست" (Ghost bottlenecks) لتجميع وحدات غوست، مما يسمح ببناء شبكة غوست خفيفة الوزن (GhostNet) بسهولة. أظهرت التجارب التي أُجريت على معايير معيارية أن الوحدة المقترحة تمثل بديلًا مميزًا لطبقات التلافيف في النماذج الأساسية، وأن شبكة غوست لدينا تحقق أداءً أعلى في التعرف (مثل دقة أعلى بنسبة 75.7% في التصنيف الأولي) مقارنة بشبكة MobileNetV3، مع تكلفة حسابية مشابهة على مجموعة بيانات التصنيف ImageNet ILSVRC-2012. يمكن الوصول إلى الكود من خلال الرابط: https://github.com/huawei-noah/ghostnet