Evrişimsel Sinir Ağları (CNN), Derin Öğrenme alanında yaygın olarak kullanılan bir Yapay Sinir Ağı (YSA) türüdür. Bu tür ağların görüntü ve video analizi, doğal dil işleme ve diğer birçok alanda birçok uygulaması vardır. CNN'ler, iki sinyali birleştiren matematiksel bir işlem olan evrişim kavramına dayanmaktadır. Evrişim işlemi, ağın giriş verilerinin belirli özelliklerini tanımlamasına olanak tanıyarak onu görüntü sınıflandırma, nesne algılama, segmentasyon ve seslerin sınıflandırılması gibi görevlere uygun hale getirir.
Bir CNN tipik olarak bir giriş katmanından, birkaç evrişim katmanından, bir veya daha fazla tam bağlantılı katmandan ve bir çıkış katmanından oluşur. Giriş katmanı, bir görüntünün veya diğer verilerin temsili olan bir giriş vektörünü alır. Evrişimli katmanlar, giriş vektöründen belirli özellikleri çıkarmak için giriş vektörüne bir evrişim işlemi uygular. Tamamen bağlı katmanlar daha sonra çıkarılan bu özellikleri, istenen çıktıyı üreten çıktı katmanına aktarmadan önce birleştirir.
Tipik olarak bir CNN, geri yayılım veya denetimli öğrenme algoritmaları gibi çeşitli denetimli öğrenme teknikleri kullanılarak eğitilir. Eğitim sırasında CNN'in ağırlıkları, verilen görev için hata ölçüsünü en aza indirecek şekilde ayarlanır.
CNN'ler, görüntü sınıflandırma, nesne algılama, anlamsal bölümleme ve doğal dil işleme gibi birçok uygulamada yaygın olarak kullanılmaktadır. CNN'ler aynı zamanda bilgisayarlı görme ve doğal dil işleme alanlarında çok çeşitli uygulamalarda da kullanılmaktadır. Yüz tanıma, nesne algılama, görüntü sınıflandırma, otonom navigasyon ve otonom sürüş gibi görevlerde kullanıldılar.
Son yıllarda, hesaplama gücündeki ilerlemeler nedeniyle CNN'ler daha güçlü hale geldi. Artık son derece karmaşık kalıpları tanıyabiliyor ve görsel tanıma ve akıl yürütme gibi görevleri yerine getirebiliyorlar. Bu iyileştirmeler aynı zamanda CNN'lerin yüz tanıma ve otonom navigasyon gibi uygulamalarda da kullanılmasını sağlamıştır.
