有许多过滤器为我们执行不同的任务，例如边缘过滤器、条形过滤器。主要的过滤器组是

Leung-Malik (LM) 滤波器组

Schmid (S) 滤波器组

最大响应 (MR) 滤波器组

我们可以使用这些过滤器进行特征提取，之后我们可以应用最大池化和其他东西。基本的是这些过滤器是手工制作的，因此它们无法学习权重，因为我们使用的是固定的过滤器组。
与上述特征提取技术相反，我们还有深度学习技术，如神经网络和卷积网络，它们随着时间的推移学习权重或特征。在深度学习中，我们不知道哪些特征是重要的，而是我们的网络会随着时间的推移而自我学习。
问题：
在深度学习中，当我们什么都不说时，为什么要让更接近输入的层学习特征来检测边缘或条？为什么要让后面的层学会检测更精细的细节？
我们没有告诉我们的网络首先学习边缘，我们没有告诉我们的网络稍后学习更精细的细节。我们的网络如何知道它必须学习上层的边缘过滤器和下层的其他过滤器？我错过了一些了解神经网络的基本知识吗？请纠正我。