組込みデバイス上での畳み込みニューラルネットワーク（CNN）の展開は、メモリ容量および計算リソースの制約により困難である。成功したCNNにおいて特徴マップの冗長性は重要な特徴であるが、これまで神経ネットワークアーキテクチャ設計においてはあまり注目されてこなかった。本論文では、低コストの演算によりより多くの特徴マップを生成する新しい「Ghostモジュール」を提案する。内在的な特徴マップのセットを基に、低コストな線形変換を適用することで、内在特徴に潜在する情報を十分に捉えることができる多数の「ゴースト特徴マップ」を生成する。提案するGhostモジュールは、既存の畳み込みニューラルネットワークを効果的に拡張可能な「プラグアンドプレイ」型の構成要素として利用可能である。Ghostモジュールを積層可能な構造として設計した「Ghostボトルネック」を用いることで、軽量なGhostNetを容易に構築できる。標準ベンチマーク上での実験結果から、提案するGhostモジュールはベースラインモデルにおける畳み込み層の優れた代替手段であることが示され、ImageNet ILSVRC-2012分類データセットにおいて、MobileNetV3と同等の計算コストで75.7％のトップ1精度を達成し、より高い認識性能を実現した。コードは以下のURLで公開されている：https://github.com/huawei-noah/ghostnet