手工特征工程

概述

手工特征工程指由领域专家根据先验知识手动设计图像特征描述子（如 SIFT、HOG），是深度学习之前计算机视觉的标准范式。

关键内容

1. 范式特点：手工特征需要专家对视觉任务有深入理解，通过分析任务的物理和几何特性来设计特征描述子。例如，SIFT（尺度不变特征变换） 利用尺度空间极值检测关键点，HOG（方向梯度直方图） 统计局部梯度方向分布。
2. 局限性：(1) 泛化能力差——为特定任务设计的特征无法迁移到其他任务；(2) 表达能力有限——手工特征只能捕捉低层视觉信息（边缘、纹理），无法学习高层语义；(3) 设计周期长——需要领域专家数年的经验积累。
3. AlexNet 的终结：2012 年 AlexNet 以 16.4% 的 Top-5 错误率夺冠，比使用手工特征的亚军（26.2%）低 9.8 个百分点。这证明了数据驱动的深度学习特征远优于手工设计特征，终结了手工特征工程时代。
4. 历史意义：手工特征工程是计算机视觉发展的必经阶段。它积累了大量对视觉任务的理解，这些理解后来启发了深度学习架构的设计（如卷积操作本身受视觉皮层感受野启发）。

来源

• [raw/articles/ai-papers/foundations/paper_03_alexnet.md] — AlexNet 论文精读

相关

• SIFT（尺度不变特征变换） — example
• HOG（方向梯度直方图） — example
• AlexNet — ended_by
• 支持向量机 — used_with
• 深度学习（Deep Learning） — superseded_by