影像具有結構。相鄰像素彼此關聯，圖案在畫面中重複出現。卷積神經網路正是利用了這一點，透過在輸入影像上滑動微小濾波器、共享權重並檢測局部特徵來處理影像。

典型的網路架構堆疊了卷積層、激活函數和池化層。早期層檢測邊緣和紋理。更深層的層將它們組合成部件和物件。最終的分類器將學習到的特徵映射到標籤。

關鍵組成部分

• 具有可學習權重的捲積濾波器
• 透過合併來減少空間維度
• 步長和填充用於控制輸出尺寸
• 用於分類的全連接層

從 2012 年 AlexNet 開始，卷積神經網路 (CNN) 在視覺領域佔據主導地位長達十年之久。如今，視覺轉換器在許多基準測試中都能與之匹敵，但 CNN 仍然高效，並在嵌入式和移動系統中廣泛應用。