轻量级卷积神经网络是嵌入式视觉领域的重要研究方向。为在资源受限的硬件平台上实现图像识别任务，必须降低模型的内存占用和计算开销。本文的主要贡献如下：首先，提出一种针对特定网络结构（Condensation-Net）的处理算法，在不增加特征图最大内存存储的前提下，有效优化内存使用。该算法通过在将特征图存入内存前预先计算跨通道池化（cross-channel pooling）的结果，显著节省了26.5%的内存带宽。其次，实验表明，跨通道池化能够提升目标检测任务的精度，例如人脸检测。这是由于该机制增加了滤波器权重的数量。与Tiny-YOLOv2相比，在误报率（false-positive rate）为0.1的条件下，量化网络的检测精度提升了2.0%，全精度网络的精度提升了1.5%。最后，分析结果表明，所提出的硬件架构对支持跨通道池化的额外开销极小。为支持Condensation-Net而引入的额外内存开销仅为总存储容量的0.2%，额外门电路数量仅占总门数的1.0%。