Le déploiement de réseaux de neurones convolutifs (CNN) sur des dispositifs embarqués est difficile en raison des ressources mémoire et de calcul limitées. La redondance présente dans les cartes de caractéristiques constitue une caractéristique importante des CNN performants, mais elle a rarement été prise en compte dans la conception d’architectures neuronales. Ce papier propose un nouveau module, appelé Ghost, capable de générer un plus grand nombre de cartes de caractéristiques à partir d’opérations à faible coût. À partir d’un ensemble de cartes de caractéristiques intrinsèques, nous appliquons une série de transformations linéaires peu coûteuses afin de produire de nombreuses cartes de caractéristiques fantômes (ghost feature maps), qui permettent de révéler pleinement l’information sous-jacente contenue dans les caractéristiques intrinsèques. Le module Ghost proposé peut être utilisé comme composant plug-and-play pour améliorer les réseaux de neurones convolutifs existants. Des blocs Ghost sont conçus pour empiler plusieurs modules Ghost, permettant ainsi de construire facilement un réseau léger appelé GhostNet. Des expériences menées sur des benchmarks démontrent que le module Ghost constitue une alternative remarquable aux couches de convolution dans les modèles de base, et que notre GhostNet atteint une performance de reconnaissance supérieure (par exemple, une précision top-1 de 75,7 %) à celle de MobileNetV3, tout en ayant un coût computationnel similaire sur le jeu de données ImageNet ILSVRC-2012. Le code est disponible à l’adresse suivante : https://github.com/huawei-noah/ghostnet