「軽量な畳み込みニューラルネットワーク」は、組み込み視覚（embedded vision）分野における重要な研究テーマである。リソース制約のあるハードウェアプラットフォーム上で画像認識タスクを実装するためには、メモリ容量と計算コストの両方を低減する必要がある。本論文の貢献は以下の通りである。第一に、特徴マップの最大メモリ使用量を増加させることなく、特定のネットワークアーキテクチャ（Condensation-Net）を処理するためのアルゴリズムを提案する。仮想的特徴マップのためのアーキテクチャにより、特徴マップをメモリに保存する前にチャネル間プーリングの結果を計算することで、メモリ帯域幅を26.5％削減できる。第二に、チャネル間プーリングが、フィルタ重みの数を増加させることにより、物体検出タスク（例えば顔検出）の精度を向上させることを示す。誤検出率が0.1の条件下で、Tiny-YOLOv2と比較して、量子化ネットワークでは精度が2.0％向上し、フルプレシジョンネットワークでは1.5％向上する。最後に、分析結果から、提案するハードウェアアーキテクチャによるチャネル間プーリングのサポートに伴うオーバーヘッドは極めて小さいことが明らかになった。Condensation-Netをサポートするための追加メモリコストは全体の0.2％にとどまり、ゲート数の増加も全体の1.0％にとどまる。