傳統辨識流程

傳統辨識流程（classical recognition pipeline）是深度學習之前讓電腦辨識影像內容的主導作法：先把原始像素轉成人工設計的特徵，再把這些特徵餵給一個分開訓練的分類器。這兩半是各自獨立設計與最佳化的。由人類工程師憑直覺與領域知識決定要量測影像的什麼（邊緣、梯度、顏色、紋理、關鍵點），而只有最後的決策步驟——把特徵對應到標籤——是從資料學得的。1990 與 2000 年代的整個領域，很大程度上就是在尋找越來越好的人工特徵，以及坐在其上越來越好的分類器。

影像分類流程的經典實例有幾個固定階段。你偵測並描述局部特徵（SIFT、SURF、ORB）或計算稠密描述子（HOG）；你藉由把描述子分群建立視覺詞彙，並把每張影像編碼成視覺詞袋，常以稀疏編碼或 Fisher 向量加以改進；你用空間金字塔匹配加入粗略的空間結構；再用 SVM（常用直方圖交集核或卡方核）或 kNN 對所得向量分類。偵測則把這一切包進影像金字塔上的滑動視窗，有時搭配提升式級聯（Viola–Jones）或可變形部件（DPM）。每個階段都是各有其參數的獨立研究成果，由工程師親手調校與替換。其長處是真實的：這些系統可詮釋（你能檢視哪些特徵被觸發）、資料效率高（用不大的訓練集就能運作）且執行快速。

決定性的限制在於特徵是固定且通用的，從不針對實際任務調校；SIFT 與 HOG 設計一次就到處重用，因此無法學會恰好強調區分當前類別的線索，而早期被丟棄的資訊在下游永遠無法救回。深度學習藉由把流程變成端到端而超越它：卷積網路聯合學習特徵與分類器，直接針對最終目標最佳化每一層，使表示能適應任務並隨資料規模擴展。分水嶺是 AlexNet 於 2012 年贏得 ImageNet，此後學得的特徵在各方面迅速超越人工特徵，催生了 ResNet，接著是視覺 transformer（ViT）、端到端偵測器（Faster R-CNN、DETR）、影像與文字模型（CLIP），以及生成式與 3D 模型（擴散模型、NeRF、高斯潑濺、SAM）。傳統流程如今多半已成歷史，但仍至關重要而須理解——它定義了現代系統所繼承的特徵、分類器、偵測與檢索的詞彙，而它分解為各階段的方式，至今仍是我們推理一個辨識系統在做什麼的途徑。