छवियों में संरचना होती है। आस-पास के पिक्सेल एक दूसरे से संबंधित होते हैं, और पैटर्न पूरे फ्रेम में दोहराए जाते हैं। कनवोल्यूशनल नेटवर्क इनपुट पर छोटे फिल्टर को स्लाइड करके, भार साझा करके और जहां भी स्थानीय विशेषताएं दिखाई देती हैं, उन्हें पहचान कर इसका लाभ उठाते हैं।

एक सामान्य आर्किटेक्चर में कनवोल्यूशन लेयर्स, एक्टिवेशन फंक्शन्स और पूलिंग को एक के ऊपर एक रखा जाता है। शुरुआती लेयर्स किनारों और बनावटों का पता लगाती हैं। गहरी लेयर्स उन्हें भागों और वस्तुओं में संयोजित करती हैं। अंत में, एक क्लासिफायर सीखे गए फीचर्स को लेबल्स से मैप करता है।

प्रमुख आधारभूत तत्व

• सीखने योग्य भार वाले कनवोल्यूशन फ़िल्टर
• स्थानिक आयामों को कम करने के लिए पूलिंग
• आउटपुट आकार को नियंत्रित करने के लिए स्ट्राइड और पैडिंग
• वर्गीकरण के लिए पूर्णतः जुड़े हुए स्तर

2012 में एलेक्सनेट के साथ शुरू होकर, एक दशक तक CNN ने विज़न पर अपना दबदबा बनाए रखा। विज़न ट्रांसफ़ॉर्मर अब कई मानकों पर प्रतिस्पर्धा करते हैं, लेकिन CNN अभी भी कुशल हैं और एम्बेडेड और मोबाइल सिस्टम में व्यापक रूप से तैनात हैं।