Τα εικονοστοιχεία που βρίσκονται σε κοντινή απόσταση έχουν δομή. Τα κοντινά εικονοστοιχεία σχετίζονται μεταξύ τους και τα μοτίβα επαναλαμβάνονται σε όλο το καρέ. Τα συνελικτικά δίκτυα εκμεταλλεύονται αυτό το γεγονός σύροντας μικρά φίλτρα στην είσοδο, μοιράζοντας βάρη και ανιχνεύοντας τοπικά χαρακτηριστικά όπου κι αν εμφανίζονται.

Μια τυπική αρχιτεκτονική στοιβάζει επίπεδα συνέλιξης, συναρτήσεις ενεργοποίησης και ομαδοποίηση. Τα πρώιμα επίπεδα ανιχνεύουν ακμές και υφές. Τα βαθύτερα επίπεδα τα συνδυάζουν σε μέρη και αντικείμενα. Ένας τελικός ταξινομητής αντιστοιχίζει τα χαρακτηριστικά που έχουν μαθευτεί σε ετικέτες.

Βασικά δομικά στοιχεία

• Φίλτρα συνέλιξης με βάρη που μπορούν να εκπαιδευτούν
• Συγκέντρωση για τη μείωση των χωρικών διαστάσεων
• Διασκελισμός και επένδυση για τον έλεγχο του μεγέθους εξόδου
• Πλήρως συνδεδεμένα επίπεδα για ταξινόμηση

Τα CNN κυριάρχησαν στην όραση για μια δεκαετία, ξεκινώντας με το AlexNet το 2012. Οι μετασχηματιστές όρασης ανταγωνίζονται πλέον σε πολλά σημεία αναφοράς, αλλά τα CNN παραμένουν αποτελεσματικά και ευρέως διαδεδομένα σε ενσωματωμένα και κινητά συστήματα.