Obrazy mają strukturę. Sąsiednie piksele są ze sobą powiązane, a wzory powtarzają się w całej klatce. Sieci splotowe wykorzystują to, przesuwając małe filtry po danych wejściowych, dzieląc się wagami i wykrywając lokalne cechy, gdziekolwiek się pojawią.

Typowa architektura łączy warstwy splotu, funkcje aktywacji i pulowanie. Wczesne warstwy wykrywają krawędzie i tekstury. Głębsze warstwy łączą je w części i obiekty. Ostateczny klasyfikator mapuje poznane cechy na etykiety.

Kluczowe elementy konstrukcyjne

• Filtry splotowe z wagami, które można nauczyć
• Łączenie w celu zmniejszenia wymiarów przestrzennych
• Krok i wypełnienie kontrolujące rozmiar wyjściowy
• W pełni połączone warstwy do klasyfikacji

Sieci CNN dominowały w systemach wizyjnych przez dekadę, począwszy od AlexNet w 2012 r. Obecnie rozwiązania do transformacji wizji konkurują w wielu obszarach, jednak sieci CNN pozostają wydajne i powszechnie stosowane w systemach wbudowanych i mobilnych.