Bir sinir ağındaki, evrişimli sinir ağları (CNN’ler) için özel olarak tasarlanmış bir evrişimli katman, giriş verilerine evrişim işlemlerini uygular. Bu katmanlar, giriş verileri üzerinde kayan, filtre ağırlıkları ile girişin yerel bölgeleri arasındaki nokta çarpımlarını hesaplayan filtrelerden (çekirdek olarak da bilinir) oluşur. Bu operasyon formlarının çıktısı, girdi verileri içindeki uzamsal hiyerarşileri ve kalıpları vurgulayan haritalar içerir. Evrişimli katmanlar, CNN mimarilerinin temelini oluşturur ve görüntülerden ve diğer mekansal verilerden kenarlar, dokular ve şekiller gibi özelliklerin hiyerarşik temsillerini çıkarma ve öğrenme yeteneklerine katkıda bulunur.
Evrişimsel sinir ağı (CNN), görüntüler veya zaman serisi verileri gibi yapılandırılmış ızgara benzeri verileri işlemek için özel olarak tasarlanmış bir tür derin öğrenme modelidir. Basit bir ifadeyle, bir CNN, evrişimli katmanlar, havuzlama katmanları ve tamamen bağlı katmanlar dahil olmak üzere birden fazla katmandan oluşur. Ağın mimarisi, girdi verilerinden hiyerarşik özellikleri verimli bir şekilde çıkarmak için paylaşılan ağırlıklardan ve yerel bağlantıdan yararlanarak hayvanın görsel korteksinin organizasyonundan ilham alıyor. CNN’ler, görsel verilerdeki kalıpları otomatik olarak öğrenme ve tanımlama yeteneklerinden dolayı görüntü sınıflandırma, nesne algılama ve görüntü bölümleme gibi görevlerde mükemmeldir.
Evrişimli katmanlardaki “evrişimli” terimi, giriş verilerine uygulanan evrişimin matematiksel işleminden kaynaklanmaktadır. Görüntü işlemede evrişim, küçük bir matrisin (filtre veya çekirdek) giriş görüntüsü üzerinde kaydırılmasını ve filtre ile görüntünün yerel yamaları arasındaki nokta çarpımın hesaplanmasını içerir. Bu süreç, giriş verilerinden kenarlar, dokular ve desenler gibi özelliklerin çıkarılmasını sağlayarak sonraki katmanların daha soyut temsilleri öğrenmesi için temel oluşturur. CNN’lerde evrişimsel katmanların kullanılması, ağın görüntüler gibi yüksek boyutlu verilerden anlamlı özellikleri verimli bir şekilde işlemesine ve çıkarmasına olanak tanır.
Evrişimli sinir ağlarının (CNN’ler) arkasındaki fikir, verilerin giderek daha soyut temsillerini çıkarmak için insan görsel sisteminin hiyerarşik organizasyonunu taklit etmektir. CNN’ler, giriş verilerine filtreler uygulamak, yerel kalıpları ve mekansal ilişkileri yakalamak için evrişimli katmanlardan yararlanır. Katmanların havuzda toplanması daha sonra özellikleri bir araya getirerek önemli bilgileri korurken uzamsal boyutları azaltır. Son olarak, tamamen bağlantılı katmanlar, sınıflandırma veya regresyon görevleri için çıkarılan özellikleri entegre eder. Bu hiyerarşik özellik çıkarımı, CNN’lerin karmaşık modelleri doğrudan ham verilerden öğrenmesine olanak tanır ve bu da onları, görüntü tanıma ve analiz gibi mekansal yapıların ve modellerin anlaşılmasını gerektiren görevler için güçlü araçlar haline getirir.