diff --git a/chapters/Semi-supervised Learning/Deep Learning.tex b/chapters/Semi-supervised Learning/Deep Learning.tex
index 22fa7a9..1d2f809 100644
--- a/chapters/Semi-supervised Learning/Deep Learning.tex	
+++ b/chapters/Semi-supervised Learning/Deep Learning.tex	
@@ -10,7 +10,7 @@
     Da die Modelle meist an das Menschliche Gehirn angelehnt sind werden hierfür Neurale Netzwerke verwendet.
     Im Allgemeinen kommen 2 Arten von Neuralen Netzwerken zum Einsatz:
     \begin{itemize}
-        \item \textbf{Faltunsnetzwerke (\ac{CNN}):}\\
+        \item \textbf{Faltunsnetzwerke (\ref{cnn}):}\\
             für statische Daten (Bilder, Sprachaufnahmen, \dots)
         \item \textbf{Zyklische Netzwerke (\ac{RNN}):}\\
             für sequentielle Daten (Videostream, Fließtext, \dots)
@@ -50,4 +50,12 @@
                 \item \textbf{Background Clutter:}\\
                     Das Bild kann einen Hintergrund mit starker Ähnlichkeit zu dem Objekt haben.\\
                     \includegraphics[width = .8\textwidth]{background clutter.png}
-            \end{itemize}
\ No newline at end of file
+            \end{itemize}
+            Um diese Probleme zu umgehen werden mehrschichtige Erkennungsmodelle verwendet.
+            Hierdurch wird versucht eine abstraktere Erkennung der Objekte zu ermöglichen.\\
+            \includegraphics[width=\textwidth]{abstract catifier.png}\\
+            Ein Beispiel für die einzelnen Features könnte wie folgt aussehen:\\
+            \includegraphics[width = \textwidth]{car features.png}
+            
+    \section{\ac{CNN}}
+    \label{cnn}
diff --git a/images/abstract catifier.png b/images/abstract catifier.png
new file mode 100644
index 0000000..3b9098e
Binary files /dev/null and b/images/abstract catifier.png differ
diff --git a/images/car features.png b/images/car features.png
new file mode 100644
index 0000000..efcef86
Binary files /dev/null and b/images/car features.png differ