Red Neuronal Convolucional (CNN)
Una Red Neuronal Convolucional (CNN) es una arquitectura de deep learning que aplica filtros aprendidos con compartición de pesos sobre parches locales de datos de entrada —más comúnmente imágenes— para detectar características espaciales jerárquicas como bordes, texturas y objetos.
Una CNN apila tres tipos principales de capas: capas convolucionales que deslizan filtros pequeños sobre la entrada para producir mapas de características, funciones de activación no lineales (típicamente ReLU) aplicadas elemento a elemento, y capas de pooling que reducen el tamaño de los mapas de características para disminuir la resolución espacial y proporcionar invariancia a la translación. En una CNN profunda, las capas tempranas detectan características de bajo nivel como bordes y esquinas, mientras que las capas más profundas combinan éstas en conceptos semánticos de alto nivel como caras o vehículos.
La propiedad de compartición de pesos de las convoluciones es el insight clave de eficiencia: el mismo filtro se aplica en cada ubicación espacial, reduciendo drásticamente el número de parámetros comparado con capas totalmente conectadas en la misma entrada. Un filtro convolucional 3×3 en una imagen RGB tiene solo 27 pesos independientemente del tamaño de la imagen, mientras que una neurona totalmente conectada sobre una imagen 224×224 requeriría más de 150.000 conexiones. Este sesgo inductivo hacia patrones espaciales locales también hace que las CNN sean eficientes en muestras en datos con estructura de imagen.
Las CNN produjeron resultados históricos que impulsaron la era moderna del deep learning. AlexNet (Krizhevsky et al., 2012) superó dramáticamente los métodos tradicionales de visión por computadora en ImageNet, disparando la adopción amplia de redes profundas. Arquitecturas posteriores —VGG (2014), ResNet (2015, introduciendo skip connections para entrenar redes de 100 capas), EfficientNet (2019), y ConvNeXt (2022)— impulsaron la precisión más lejos. Las CNN también son la columna vertebral de la detección de objetos (serie YOLO, Faster R-CNN), segmentación de imágenes (U-Net para imágenes médicas), y sistemas de análisis de video.
A partir de 2026, las CNN coexisten con Vision Transformers (ViT) y arquitecturas híbridas. Los modelos basados en attention puro lideran en varios benchmarks, pero las CNN siguen siendo preferidas para inferencia móvil en tiempo real, imágenes médicas, imágenes satelitales e inspección industrial debido a su eficiencia computacional. ConvNeXt V2 y FastViT ejemplifican el refinamiento continuo de diseños convolucionales, y los backbones CNN permanecen embebidos en sistemas de producción en Google, Meta y NVIDIA.