Bilder besitzen eine Struktur. Benachbarte Pixel stehen in Beziehung zueinander, und Muster wiederholen sich im gesamten Bild. Faltungsnetzwerke nutzen dies, indem sie kleine Filter über den Eingabebereich verschieben, Gewichte teilen und lokale Merkmale erkennen, wo immer diese auftreten.

Eine typische Architektur kombiniert Faltungsschichten, Aktivierungsfunktionen und Pooling. Frühe Schichten erkennen Kanten und Texturen. Tiefere Schichten kombinieren diese zu Teilen und Objekten. Ein abschließender Klassifikator ordnet die gelernten Merkmale Labels zu.

Wichtige Bausteine

• Faltungsfilter mit lernbaren Gewichten
• Zusammenfassen zur Reduzierung der räumlichen Dimensionen
• Schrittweite und Abstand zur Steuerung der Ausgabegröße
• Vollständig verbundene Schichten zur Klassifizierung

CNNs dominierten die Bildverarbeitung ein Jahrzehnt lang, angefangen mit AlexNet im Jahr 2012. Bildverarbeitungs-Transformer konkurrieren heute auf vielen Benchmarks, aber CNNs bleiben effizient und werden in eingebetteten und mobilen Systemen weit verbreitet eingesetzt.