Faltende neuronale Netze (CNNs) wenden kleine gelernte Filter auf eine Eingabe an, um lokale Muster zu erkennen – Kanten, Texturen, Formen –, und setzen daraus in tieferen Schichten komplexe Merkmale zusammen. LeCun et al. (1998) begründeten das moderne CNN für die Dokumentenerkennung, und Krizhevsky et al. (2012) läuteten das Zeitalter des Deep Learning ein, als ihr CNN (AlexNet) den ImageNet-Wettbewerb mit großem Vorsprung gewann.
CNNs sind nach wie vor zentral für Computer Vision und werden in multimodalen Systemen oft mit Transformern kombiniert.