Hva er CNN (Convolutional Neural Network)?

CNN (Convolutional Neural Network) er en nevralnettverk-arkitektur spesialdesignet for å analysere visuell data – bilder og video – gjennom filtre som gjenkjenner mønstre fra kanter og farger til komplekse objekter.

Kort forklart CNN-er «ser» bilder på samme måte som hjernen: først gjenkjenner de enkle kanter og farger, deretter kombinerer de disse til former, og til slutt gjenkjenner de objekter – «det er en katt.» Filtre (konvolusjoner) glir over bildet og fanger opp mønstre på hvert nivå. CNN-er driver all visuell AI: ansiktsgjenkjenning, selvkjørende biler, medisinsk bildeanalyse og innholdsmoderasjon. Det er grunnlaget for datasyn.

Hva betyr begrepet

CNN skiller seg fra vanlige nevrale nettverk ved å bruke konvolusjonslag – filtre som glir over input-bildet og fanger lokale mønstre. Et bilde på 224×224 piksler har over 150 000 datapunkter – et vanlig nevralt nettverk ville trenge milliarder av parametere. CNN deler parametere via filtre – dramatisk mer effektivt.

Arkitekturen har tre typer lag. Konvolusjonslag (filtre som oppdager mønstre – kanter, teksturer, former) er kjernen. Pooling-lag (reduserer bildestørrelse, beholder viktig info) forenkler. Fullt tilkoblede lag (klassifiserer basert på lærte features) avslutter.

Hierarkiet er elegant: lag 1 fanger kanter og farger, lag 2 kombinerer kanter til former (sirkler, rektangler), lag 3–5 gjenkjenner deler (øyne, hjul, blader), og topplagene gjenkjenner objekter (katt, bil, tre).

Kjente CNN-arkitekturer er AlexNet (2012 – startet deep learning-revolusjonen), ResNet (2015 – 152 lag med residual connections), EfficientNet (2019 – optimal balanse mellom størrelse og ytelse), og Vision Transformer/ViT (2020 – transformers som utfordrer CNN for datasyn).

Hvordan fungerer det

CNN-filtre glir over bildet og oppdager mønstre.

Input: Bilde av katt (224×224 piksler)
↓
Konvolusjon 1: 32 filtre → Oppdager kanter, farger
Pooling 1: Reduserer til 112×112
↓
Konvolusjon 2: 64 filtre → Oppdager former, teksturer
Pooling 2: Reduserer til 56×56
↓
Konvolusjon 3-5: 128-512 filtre → Oppdager øyne, ører, pels
↓
Fullt tilkoblet: → "Katt" (97 % sannsynlighet)

Hvorfor er det viktig

CNN er grunnlaget for all visuell AI – fra Facebooks ansiktsgjenkjenning til Teslas autopilot til kreftdeteksjon i røntgenbilder. Det var CNN-gjennombruddet (AlexNet, 2012) som startet den moderne AI-revolusjonen.

Vision Transformers (ViT) utfordrer nå CNN-er for noen oppgaver, men CNN-er er fortsatt dominerende for sanntids bildeanalyse, mobil-AI (effektiv på liten maskinvare), og medisinsk bildeanalyse.

Eksempler

Ansiktsgjenkjenning: Du låser opp iPhone med Face ID – et CNN analyserer ansiktet ditt og sammenligner med den lagrede modellen. Millisekunder.

Selvkjørende bil: Tesla Autopilot bruker CNN-er for å identifisere veiskilt, fotgjengere, biler og veimerking fra kameraene – i sanntid.

Kreftdeteksjon: CNN trent på mammografibilder oppdager brystkreft med nøyaktighet som matcher eller overgår radiologer.

Relaterte begreper

• Nevrale nettverk – CNN er en type nevralt nettverk
• Datasyn – feltet CNN er designet for
• Dyp læring – CNN er en dyp læringsarkitektur
• Transformer-arkitekturen – alternativ/etterfølger
• AI-ansiktsgjenkjenning – bygget på CNN

Se også

• Hva er nevrale nettverk?
• Hva er datasyn?

Oppsummering

CNN er nevralnettverk-arkitekturen for visuell AI – filtre som gjenkjenner mønstre fra kanter til objekter. Det driver ansiktsgjenkjenning, selvkjørende biler og medisinsk AI. AlexNet (2012) startet deep learning-revolusjonen. Vision Transformers utfordrer nå, men CNN er fortsatt dominant for sanntids og mobil bildeanalyse.