Convolutional Neural Network (CNN)

Was ist ein Convolutional Neural Network (CNN)?

Ein Convolutional Neural Network (CNN) ist ein künstliches neuronales Netz, das räumliche Muster in Daten erkennt. Das faltende neuronale Netz verarbeitet vor allem Bilder, kann aber auch Audio-, Video- und Textdaten analysieren. Trainierbare Filter erfassen zunächst einfache Merkmale und kombinieren diese schrittweise zu komplexen Strukturen.

Was ein CNN besonders macht

Ein Convolutional Neural Network (CNN) verarbeitet Eingaben als mehrdimensionale Datenstruktur. Ein Farbbild mit 800 Pixeln Breite, 600 Pixeln Höhe und drei Farbkanälen lässt sich beispielsweise als Tensor mit den Dimensionen 800 x 600 x 3 darstellen. Das Netzwerk untersucht dabei lokale Bereiche, statt jedes Pixel sofort mit jedem Neuron der nächsten Schicht zu verbinden.

Die lokale Verarbeitung löst ein zentrales Problem klassischer, vollständig verbundener Netze: die hohe Zahl trainierbarer Gewichte. Ein Bild mit 800 x 600 x 3 Werten enthält 1.440.000 Eingabewerte. Würde jeder Wert direkt mit 100 Neuronen verbunden, entstünden bereits 144 Millionen Gewichte. Ein CNN verwendet denselben kleinen Filter dagegen an vielen Positionen und reduziert dadurch den Parameterbedarf deutlich.

Die Wiederverwendung eines Filters wird als Gewichtsteilung bezeichnet. Erkennt ein Filter beispielsweise eine senkrechte Kante, kann er dieses Merkmal links oben, in der Bildmitte oder rechts unten finden. Das Convolutional Neural Network lernt damit, welches Muster relevant ist, ohne für jede mögliche Position eigene Gewichte speichern zu müssen.

Wie ein Convolutional Neural Network funktioniert

Die namensgebende Faltung besteht aus einem kleinen Zahlenraster, das schrittweise über die Eingabe bewegt wird. Dieses Raster heißt Kernel oder Filter. An jeder Position multipliziert das Convolutional Neural Network die Filterwerte mit dem betrachteten Bildausschnitt, addiert die Ergebnisse und schreibt den berechneten Wert in eine neue Merkmalskarte.

Ein typisches CNN kombiniert mehrere Verarbeitungsschritte:

  • Faltungsschichten erkennen lokale Merkmale wie Kanten, Farbverläufe, Texturen oder Formen.
  • Aktivierungsfunktionen wie ReLU setzen negative Werte häufig auf null und ermöglichen nichtlineare Zusammenhänge.
  • Pooling-Schichten verdichten Merkmalskarten und reduzieren deren räumliche Auflösung.
  • Klassifikationsschichten ordnen die erkannten Merkmale am Ende einer Kategorie oder einem numerischen Ergebnis zu.

Die frühen Schichten eines Convolutional Neural Network reagieren meist auf einfache Strukturen. Tiefere Schichten kombinieren diese Strukturen zu komplexeren Merkmalen. Aus Kanten können Konturen entstehen, aus Konturen einzelne Bestandteile und aus diesen Bestandteilen schließlich vollständige Objekte. Welche Merkmale tatsächlich entstehen, bestimmt das Training anhand der Daten und der Zielfunktion.

Die Größe einer Merkmalskarte lässt sich pro räumlicher Dimension mit folgender Formel bestimmen: Ausgabegröße = Abrunden von ((N + 2P – K) / S) + 1. Dabei steht N für die Eingabegröße, P für Padding, K für die Kernelgröße und S für die Schrittweite des Filters.

Ausgabegröße und Parameter berechnen

Die Formel für die Ausgabegröße zeigt, warum Kernel, Padding und Schrittweite gemeinsam betrachtet werden müssen. Bei einer Eingabe von 32 x 32 Pixeln, einem 3 x 3 Kernel, Padding von 1 und einer Schrittweite von 1 bleibt die räumliche Größe erhalten: ((32 + 2 – 3) / 1) + 1 ergibt 32. Die Ausgabekarte ist damit ebenfalls 32 x 32 Pixel groß.

Ohne Padding würde derselbe 3 x 3 Filter eine Ausgabe von 30 x 30 erzeugen. Padding ergänzt den Rand der Eingabe rechnerisch um zusätzliche Werte, häufig um Nullen. Dadurch gehen Informationen an den äußeren Bildbereichen langsamer verloren. Prüfe bei einer CNN-Architektur deshalb für jede Faltungsschicht, ob die räumliche Auflösung erhalten oder gezielt verkleinert werden soll.

Die Zahl der trainierbaren Parameter einer Faltungsschicht berechnet sich aus Kernelhöhe x Kernelbreite x Eingangskanäle x Filterzahl plus einem Bias-Wert je Filter. Eine Schicht mit 3 x 3 Kerneln, drei Eingangskanälen und 32 Filtern besitzt somit 3 x 3 x 3 x 32 + 32, also 896 trainierbare Parameter. Die Breite und Höhe des Eingabebildes verändern diese Parameterzahl nicht.

Typische CNN-Architekturen

Ein Convolutional Neural Network kann je nach Aufgabe unterschiedlich aufgebaut sein. Für eine einfache Bildklassifikation folgen auf mehrere Faltungsblöcke häufig eine Verdichtung und eine Ausgabeschicht. Für die Objekterkennung muss das Modell zusätzlich bestimmen, wo sich ein Objekt befindet. Bei der Segmentierung erhält dagegen jeder Bildpunkt eine eigene Klassenzuordnung.

  • Bildklassifikation: Das gesamte Bild wird einer oder mehreren Kategorien zugeordnet.
  • Objekterkennung: Das CNN erkennt Kategorien und markiert ihre Position durch Begrenzungsrahmen.
  • Segmentierung: Das Modell klassifiziert einzelne Pixel oder zusammenhängende Bildbereiche.
  • Merkmalsextraktion: Ein vortrainiertes CNN wandelt Bilder in kompakte Merkmalsvektoren für weitere Analysen um.

Viele Projekte verwenden Transfer Learning. Dabei startet das Training mit einem Modell, das bereits auf einer großen Bildsammlung trainiert wurde. Anschließend werden einzelne Schichten an die neue Aufgabe angepasst. Dieses Vorgehen benötigt häufig weniger projektspezifische Trainingsdaten als ein vollständig neu initialisiertes Netzwerk, setzt aber eine ausreichende Ähnlichkeit zwischen Ausgangs- und Zielaufgabe voraus.

Bedeutung für SEO, SEA und GEO

Ein Convolutional Neural Network ist kein direkter Google-Ranking-Faktor und keine eigenständige SEO-Methode. CNNs können jedoch Bestandteil von Systemen sein, die Bilder analysieren, visuelle Ähnlichkeiten bestimmen oder unerwünschte Inhalte erkennen. Für SEO bleiben beschreibende Dateinamen, Alt-Texte, passende Bildunterschriften und der umgebende Seiteninhalt relevant, weil diese Signale die Bedeutung eines Bildes explizit vermitteln.

Im SEA-Umfeld können CNN-basierte Verfahren Anzeigenmotive kategorisieren, Produkte in Bildern erkennen oder visuelle Varianten gruppieren. Die Qualität einer Kampagne ergibt sich daraus jedoch nicht automatisch. Für die Bewertung eines Creatives zählen weiterhin messbare Größen wie CTR, Conversion-Rate und Kosten pro Conversion. Ein Modellmerkmal darf deshalb nicht mit tatsächlicher Werbewirkung gleichgesetzt werden.

Für GEO, also Generative Engine Optimization, wird die visuelle Verarbeitung relevant, sobald multimodale KI-Systeme neben Text auch Bilder auswerten. Verständliche Bildkontexte, konsistente Produktdaten und klar strukturierte Inhalte erleichtern die Zuordnung. Gute Grundlagen für KI-gestützte Content-Prozesse entstehen durch belastbare Daten, neuronale Netze und eine redaktionelle Qualitätsprüfung.

Ein CNN ersetzt keine strukturierte Content-Marketing-Strategie. Für Marketing-Verantwortliche ist vor allem die Abgrenzung wichtig: Das neuronale Netz analysiert Muster in Daten, während SEO, SEA und GEO festlegen, welche Inhalte erstellt, gemessen und verbessert werden. Technisches Modellwissen hilft dabei, Möglichkeiten realistisch einzuschätzen und unpassende KI-Anwendungen früh zu erkennen.

Unterschied zu anderen neuronalen Netzen

Der Unterschied zwischen einem Convolutional Neural Network und einem vollständig verbundenen neuronalen Netz liegt in der Verbindungsstruktur. Ein vollständig verbundenes Netz verknüpft jedes Neuron einer Schicht mit allen Neuronen der nächsten Schicht. Ein CNN verarbeitet zunächst lokale Ausschnitte und verwendet seine Filter mehrfach. Dadurch bleiben räumliche Beziehungen innerhalb der Eingabe besser erhalten.

Rekurrente neuronale Netze wurden speziell für Sequenzen entwickelt und geben Informationen aus vorherigen Verarbeitungsschritten weiter. CNNs können ebenfalls zeitliche Daten wie Audiosignale oder Textsequenzen verarbeiten, nutzen dafür aber lokale Faltungen entlang einer Dimension. Rekurrente Netze modellieren Reihenfolgen durch interne Zustände, während ein CNN Muster innerhalb eines begrenzten Bereichs erkennt.

Transformer verwenden Aufmerksamkeitsmechanismen, um Beziehungen zwischen unterschiedlichen Positionen einer Eingabe zu gewichten. Ein Transformer kann dadurch weit entfernte Bildbereiche oder Wörter direkt miteinander in Beziehung setzen. Ein klassisches Convolutional Neural Network erweitert seinen betrachteten Bereich schrittweise über mehrere Schichten. Moderne Architekturen kombinieren teilweise Faltungen und Aufmerksamkeit.

CNNs sinnvoll einsetzen

Ein Convolutional Neural Network benötigt repräsentative Trainings-, Validierungs- und Testdaten. Die Trainingsdaten passen die Gewichte an. Validierungsdaten unterstützen die Auswahl der Architektur und ihrer Einstellungen. Der Testsatz bewertet das fertige Modell auf Daten, die weder für das Lernen noch für die Modellauswahl verwendet wurden. Werden diese Datensätze vermischt, fällt die gemessene Leistung meist besser aus als die reale Leistung.

Messbar ist die Modellqualität unter anderem über Accuracy, Precision, Recall und F1-Score. Accuracy bezeichnet den Anteil korrekter Vorhersagen. Bei stark ungleichen Klassen kann dieser Wert täuschen: Wenn 95 Prozent der Bilder zur selben Kategorie gehören, erreicht ein Modell mit der pauschalen Vorhersage dieser Kategorie bereits 95 Prozent Accuracy. Prüfe deshalb zusätzlich die Ergebnisse je Klasse und die Konfusionsmatrix.

Die Datenqualität bestimmt, welche Muster ein CNN lernt. Enthält der Trainingssatz beispielsweise Produktfotos einer Kategorie fast ausschließlich vor einem weißen Hintergrund, kann das Modell den Hintergrund mit der Kategorie verknüpfen. Tests mit anderen Hintergründen decken solche Abkürzungen auf. Sinnvolle Datenvariation umfasst deshalb unterschiedliche Perspektiven, Lichtbedingungen, Ausschnitte und reale Einsatzsituationen.

Ein hoher Wert auf den Trainingsdaten belegt keine zuverlässige Generalisierung. Erreicht ein CNN dort eine deutlich bessere Qualität als auf Validierungs- oder Testdaten, deutet das auf Überanpassung hin. Prüfe dann Datenmenge, Klassenverteilung, Modellgröße, Regularisierung und Datenaugmentation, bevor du das Modell produktiv einsetzt.

Für eigene KI-Auswertungen brauchst du eine belastbare Datenbasis. Bei SEO- und GEO-Projekten kannst du dafür strukturierte Domain- und Keyword-Daten verwenden, statt Entscheidungen aus allgemeinen Modellantworten abzuleiten.

Free Account anlegen

Häufige Fragen zum CNN

Wofür wird ein CNN verwendet?

Ein CNN wird vor allem für Bildklassifikation, Objekterkennung, Segmentierung und visuelle Ähnlichkeitssuche eingesetzt. Eindimensionale Faltungen können außerdem Muster in Audio-, Sensor- oder Textdaten erkennen.

Warum heißt das Netzwerk Convolutional Neural Network?

Der Name verweist auf die Faltungsoperation, mit der kleine Filter lokale Bereiche der Eingabe verarbeiten. In Deep-Learning-Bibliotheken wird technisch häufig eine Kreuzkorrelation berechnet, obwohl die Schicht üblicherweise als Faltung bezeichnet wird.

Wie viele Bilder braucht ein CNN zum Training?

Eine feste Mindestzahl gibt es nicht. Der Bedarf hängt von der Zahl der Klassen, der Bildvielfalt, der Modellgröße und dem Einsatz vortrainierter Gewichte ab. Entscheidend ist, dass jede relevante Situation in getrennten Trainings-, Validierungs- und Testdaten ausreichend vertreten ist.

Kann ein CNN auch Texte verarbeiten?

Ja, ein eindimensionales CNN kann lokale Wort- oder Zeichenfolgen in Texten erkennen. Für Aufgaben mit weitreichenden Kontextbeziehungen werden heute häufig Transformer oder kombinierte Architekturen eingesetzt.

Was ist Pooling bei einem CNN?

Pooling verdichtet eine Merkmalskarte, indem mehrere benachbarte Werte zu einem Wert zusammengeführt werden. Max-Pooling übernimmt beispielsweise den größten Wert eines Bereichs und reduziert dadurch die räumliche Auflösung.

Was ist der Unterschied zwischen CNN und Deep Learning?

Deep Learning bezeichnet das Training neuronaler Netze mit mehreren Verarbeitungsschichten. Ein CNN ist eine konkrete Netzwerkarchitektur innerhalb des Deep Learnings, die lokale Muster mithilfe trainierbarer Filter verarbeitet.


Sie haben noch Fragen?

Kontaktieren Sie uns

SEO GEO Angebot


Weitere Inhalte