卷积神经网络中的权值共享是通过对卷积核（filter）的共享使用，实现模型对特征的提取和识别。通过共享权值，卷积神经网络可以在不同位置对相同特征进行识别，从而减少参数数量、降低过拟合的风险，并提高模型的泛化能力。具体而言，卷积层中的每个卷积核在图像的不同位置上进行滑动，使用相同的权值进行特征提取，这样可以有效地捕捉到图像中的局部特征并实现特征的共享利用。例如，一个边缘检测器的卷积核可以在图像的不同位置共享相同的权值，从而识别图像中的边缘特征。这种共享权值的方式可以有效地提高模型在不同位置和尺度上对特征的提取能力，使模型更加高效地学习到复杂的图像特征。