Die Implementierung von Faltungsneuralen Netzen (CNNs) auf eingebetteten Geräten ist aufgrund der begrenzten Speicher- und Rechenressourcen schwierig. Die Redundanz in den Feature-Maps stellt eine wichtige Eigenschaft erfolgreicher CNNs dar, wurde jedoch in der Gestaltung neuronaler Architekturen bisher selten untersucht. In diesem Artikel wird ein neuartiges Ghost-Modul vorgestellt, das zusätzliche Feature-Maps durch kostengünstige Operationen erzeugt. Auf Basis einer Menge von intrinsischen Feature-Maps wenden wir eine Reihe linearer Transformationen mit geringem Aufwand an, um zahlreiche Ghost-Feature-Maps zu generieren, die die zugrundeliegenden Informationen der intrinsischen Merkmale vollständig aufzeigen können. Das vorgeschlagene Ghost-Modul kann als plug-and-play-Komponente genutzt werden, um bestehende Faltungsneuronale Netze zu verbessern. Ghost-Bottlenecks wurden speziell entworfen, um mehrere Ghost-Module zu stapeln, wodurch das leichtgewichtige GhostNet einfach aufgebaut werden kann. Experimente an etablierten Benchmarks zeigen, dass das vorgeschlagene Ghost-Modul eine überzeugende Alternative zu herkömmlichen Faltungsoperationen in Baseline-Modellen darstellt. Unser GhostNet erreicht auf dem ImageNet ILSVRC-2012 Klassifikationsdatensatz eine höhere Erkennungsleistung (z. B. 75,7 % Top-1-Accuracy) als MobileNetV3 bei vergleichbarem Berechnungsaufwand. Der Quellcode ist unter https://github.com/huawei-noah/ghostnet verfügbar.