Gambar memiliki struktur. Piksel yang berdekatan saling berhubungan, dan pola berulang di seluruh bingkai. Jaringan konvolusional memanfaatkan hal ini dengan menggeser filter kecil di seluruh input, berbagi bobot, dan mendeteksi fitur lokal di mana pun fitur tersebut muncul.

Arsitektur tipikal menggabungkan lapisan konvolusi, fungsi aktivasi, dan pooling. Lapisan awal mendeteksi tepi dan tekstur. Lapisan yang lebih dalam menggabungkannya menjadi bagian dan objek. Klasifikasi akhir memetakan fitur yang dipelajari ke label.

Blok bangunan utama

• Filter konvolusi dengan bobot yang dapat dipelajari
• Penggabungan untuk mengurangi dimensi spasial
• Langkah dan jarak untuk mengontrol ukuran keluaran.
• Lapisan yang terhubung sepenuhnya untuk klasifikasi

CNN mendominasi bidang visi komputer selama satu dekade, dimulai dengan AlexNet pada tahun 2012. Transformator visi komputer kini bersaing di banyak tolok ukur, tetapi CNN tetap efisien dan banyak digunakan dalam sistem tertanam dan seluler.