畳み込みニューラルネットワークは、学習済みの小さなフィルターを入力全体に適用してエッジ、テクスチャ、形状といった局所的なパターンを検出し、深い層へ進むにつれて複雑な特徴を組み立てていきます。LeCun ら(1998)が文書認識向けに現代的な CNN を確立し、Krizhevsky ら(2012)の CNN(AlexNet)が ImageNet コンペティションで大差をつけて優勝したことで、ディープラーニングの時代が幕を開けました。
CNN は今も画像処理の中心にあり、マルチモーダルシステムでは Transformer と組み合わせて使われることも多くあります。