Obrázky mají strukturu. Blízké pixely spolu souvisejí a vzory se v celém snímku opakují. Konvoluční sítě toho využívají k posouvání malých filtrů na vstup, sdílení vah a detekci lokálních prvků, ať se objeví kdekoli.

Typická architektura kombinuje konvoluční vrstvy, aktivační funkce a sdružování. První vrstvy detekují hrany a textury. Hlubší vrstvy je kombinují do částí a objektů. Finální klasifikátor mapuje naučené prvky na popisky.

Klíčové stavební bloky

• Konvoluční filtry s učitelnými váhami
• Sdružování pro zmenšení prostorových rozměrů
• Krok a odsazení pro ovládání velikosti výstupu
• Plně propojené vrstvy pro klasifikaci

CNN dominovaly v oblasti vidění po desetiletí, počínaje AlexNetem v roce 2012. Transformátory vidění nyní konkurují v mnoha kritériích, ale CNN zůstávají efektivní a široce používané v embedded a mobilních systémech.