Um modelo baseado em CNN que utiliza um pequeno número de parâmetros treináveis pode trazer vários benefícios importantes para diferentes domínios de aplicação. Entre eles, podemos mencionar o processo de treinamento mais rápido, o que significa que sua implementação pode ser feita de forma mais eficiente e rápida. Além deste, nós podemos citar também a redução significativa na probabilidade de overfitting e a redução no consumo dos recursos computacionais necessários para a execução, o que pode ser muito útil em sistemas embarcados e outros dispositivos com hardware limitado. Portanto, neste artigo, nós propomos o modelo FiberNet, que é uma rede neural convolucional (CNN) simples e eficiente que produz um pequeno número de parâmetros treináveis e alta
velocidade de inferência. O objetivo principal é fornecer uma alternativa eficiente para aplicações móveis, bem como aplicações que requerem modelos compactos. Para avaliar a eficácia da FiberNet, nós realizamos um estudo empírico comparativo entre os resultados do nosso modelo e o resultado de outros modelos que são considerados como o estado da arte. Essa comparação foi realizada em dois conjuntos de dados de imagens diferentes, um dos quais é o conhecido conjunto de dados CIFAR10. Como resultado, o modelo FiberNet obteve uma precisão de 96,25% no conjunto de dados Sisal, 74,90% no conjunto de dados CIFAR10 e foi o primeiro em total de parâmetros treináveis com 754.345 (39,57% menor em relação ao segundo colocado).
