Bilder har struktur. Närliggande pixlar relaterar till varandra, och mönster upprepas över hela bilden. Faltningsnätverk utnyttjar detta genom att skjuta små filter över ingången, dela vikter och upptäcka lokala funktioner var de än förekommer.

En typisk arkitektur staplar faltningslager, aktiveringsfunktioner och poolning. Tidiga lager detekterar kanter och texturer. Djupare lager kombinerar dem till delar och objekt. En slutlig klassificerare mappar de inlärda funktionerna till etiketter.

Viktiga byggstenar

• Konvolutionsfilter med inlärbara vikter
• Sammanslagning för att minska rumsliga dimensioner
• Strid och vaddering för att kontrollera utmatningsstorleken
• Helt sammankopplade lager för klassificering

CNN dominerade vision i ett decennium, med början med AlexNet 2012. Visionstransformatorer konkurrerar nu på många riktmärken, men CNN är fortfarande effektiva och används i stor utsträckning i inbyggda och mobila system.