图像具有结构。相邻像素彼此关联，图案在画面中重复出现。卷积神经网络正是利用了这一点，通过在输入图像上滑动微小滤波器、共享权重并检测局部特征来处理图像。

典型的网络架构堆叠了卷积层、激活函数和池化层。早期层检测边缘和纹理。更深层的层将它们组合成部件和对象。最终的分类器将学习到的特征映射到标签。

关键组成部分

• 具有可学习权重的卷积滤波器
• 通过合并来减少空间维度
• 步长和填充用于控制输出尺寸
• 用于分类的全连接层

从 2012 年 AlexNet 开始，卷积神经网络 (CNN) 在视觉领域占据主导地位长达十年之久。如今，视觉转换器在许多基准测试中都能与之匹敌，但 CNN 仍然高效，并在嵌入式和移动系统中得到广泛应用。