Afbeeldingen hebben een structuur. Nabijgelegen pixels staan ​​in relatie tot elkaar en patronen herhalen zich over het hele beeld. Convolutionele netwerken benutten dit door kleine filters over de invoer te schuiven, gewichten te delen en lokale kenmerken te detecteren waar ze ook verschijnen.

Een typische architectuur stapelt convolutielagen, activeringsfuncties en poolinglagen op elkaar. Vroege lagen detecteren randen en texturen. Diepere lagen combineren deze tot onderdelen en objecten. Een laatste classifier koppelt de geleerde kenmerken aan labels.

Belangrijke bouwstenen

• Convolutiefilters met leerbare gewichten
• Samenvoegen om de ruimtelijke dimensies te verkleinen
• Stapgrootte en opvulling om de uitvoergrootte te beheersen
• Volledig verbonden lagen voor classificatie

Convolutionele neurale netwerken (CNN's) domineerden de beeldverwerking gedurende een decennium, te beginnen met AlexNet in 2012. Beeldverwerkingstechnologieën concurreren nu op veel vlakken, maar CNN's blijven efficiënt en worden veelvuldig ingezet in embedded en mobiele systemen.