本研究评估了内存受限环境中的轻量级深度学习模型，填补了低内存设备上图像分类的研究空白。通过基准测试五种架构，发现迁移学习显著提升了模型在复杂数据集Tiny ImageNet上的准确性和效率，为优化深度学习系统提供了建议。

我们提出了一种基于INS的轻量级深度学习方法ELESON，用于行人分类。通过特征提取器，ELESON解耦行人状态和人体动作，并利用证据状态分类器估计行人状态的置信度。在实验中，ELESON在F1分数上具有15％的分类改进，在AUROC上具有10％的置信度鉴别力提高，并且在智能手机上具有低计算和内存要求。