إن تطوير نماذج التعرف البيومتريّة القائمة على التعلم العميق والتي يمكن نشرها على الأجهزة ذات الموارد المحدودة في الذاكرة والحساب يُعدّ تحديًا كبيرًا. لم تُركّز الطرق السابقة على هذا التحدي على تقليل التكرار في خرائط الميزات، لكن ظهور الوحدات الغوست (Ghost modules) يُمثّل ابتكارًا جوهريًا في هذا المجال. حيث تستخدم الوحدات الغوست سلسلة من التحويلات الخطية الرخيصة لاستخراج خرائط ميزات إضافية من مجموعة من الميزات الأساسية، مما يتيح تمثيلًا أكثر شمولاً للمعلومات الكامنة. وتُشكّل نماذج GhostNetV1 وGhostNetV2، اللتان تعتمدان على الوحدات الغوست، الأساس لسلسلة من نماذج التعرف على الوجه الخفيفة المعروفة باسم GhostFaceNets. وتم تطوير GhostNetV2 ليُعدّ توسّعًا للنموذج الأصلي GhostNetV1 من خلال إضافة آلية انتباه (attention mechanism) لالتقاط الاعتماديات طويلة المدى. وعند تقييم أداء GhostFaceNets باستخدام مجموعة متنوعة من المعايير (benchmarks)، تُظهر هذه النماذج أداءً متفوّقًا مع استهلاك معامل حسابي يتراوح بين 60 إلى 275 مليون عملية فلوب (MFLOPs)، وهو ما يقلّ بشكل كبير عن النماذج الحديثة المتقدمة (SOTA) من الشبكات العصبية التلافيفية الكبيرة (CNN)، التي قد تتطلب مئات الملايين من العمليات الفلوب. كما تُظهر نماذج GhostFaceNets التي تم تدريبها باستخدام خسارة ArcFace على مجموعة بيانات MS-Celeb-1M المُحسّنة أداءً متفوّقًا على جميع المعايير. مقارنةً بالشبكات العصبية التلافيفية المتنقلة المُتقدمة السابقة، تُحسّن نماذج GhostFaceNets بشكل كبير من الكفاءة في مهام التحقق من الهوية الوجهية. ويمكن الوصول إلى كود GhostFaceNets عبر الرابط التالي: https://github.com/HamadYA/GhostFaceNets.