A képeknek van struktúrájuk. A közeli pixelek egymáshoz kapcsolódnak, és a minták ismétlődnek a képkockán keresztül. A konvolúciós hálózatok ezt kihasználva kis szűrőket csúsztatnak a bemeneten, megosztják a súlyokat és lokális jellemzőket észlelnek, bárhol is jelenjenek meg.

Egy tipikus architektúra konvolúciós rétegeket, aktivációs függvényeket és összevonást (pooling) kombinál. A korai rétegek éleket és textúrákat észlelnek. A mélyebb rétegek alkatrészekké és objektumokká egyesítik ezeket. Egy végső osztályozó a tanult jellemzőket címkékké képezi le.

Kulcsfontosságú építőelemek

• Tanuló súlyokkal rendelkező konvolúciós szűrők
• Összevonás a térbeli dimenziók csökkentése érdekében
• Lépéshossz és párnázás a kimeneti méret szabályozásához
• Teljesen összekapcsolt rétegek az osztályozáshoz

A CNN-ek egy évtizedig uralták a képfeldolgozást, kezdve az AlexNet-tel 2012-ben. A képfeldolgozó transzformátorok ma már számos referenciaértéken versenyeznek, de a CNN-ek továbbra is hatékonyak és széles körben elterjedtek a beágyazott és mobil rendszerekben.