Görüntülerin bir yapısı vardır. Yakındaki pikseller birbirleriyle ilişkilidir ve desenler çerçeve boyunca tekrarlanır. Evrişimsel ağlar, küçük filtreleri giriş üzerinde kaydırarak, ağırlıkları paylaşarak ve yerel özellikleri nerede görünürlerse görünsünler tespit ederek bundan yararlanır.

Tipik bir mimari, evrişim katmanlarını, aktivasyon fonksiyonlarını ve havuzlama işlemlerini üst üste yığar. İlk katmanlar kenarları ve dokuları algılar. Daha derin katmanlar bunları parçalar ve nesneler halinde birleştirir. Son bir sınıflandırıcı, öğrenilen özellikleri etiketlere eşler.

Temel yapı taşları

• Öğrenilebilir ağırlıklara sahip evrişim filtreleri
• Mekânsal boyutları azaltmak için birleştirme
• Çıktı boyutunu kontrol etmek için adım uzunluğu ve dolgu malzemesi kullanımı.
• Sınıflandırma için tamamen bağlantılı katmanlar

CNN'ler, 2012'de AlexNet ile başlayarak on yıl boyunca görüntü işleme alanında hakimiyet kurdu. Görüntü işleme dönüştürücüleri artık birçok kıyaslamada rekabet ediyor, ancak CNN'ler gömülü ve mobil sistemlerde verimli ve yaygın olarak kullanılmaya devam ediyor.