客观地说 CNN 比解决计算机视觉问题的传统方法更好是不明智的，因为传统方法可以很好地解决许多问题。CNN 确实具有优于传统方法的固有优势，这与深度学习优于其他传统方法的优势相同，即学习分层特征，即哪些特征有用以及如何计算它们。

解决 CV 问题的传统方法是找出与问题相关的特征，弄清楚如何计算这些特征，然后使用这些特征来计算最终结果。而在 CNN 案例中，鉴于您有大量的训练示例，训练过程将为您计算出所有 3 点。

神经网络方法与其他技术非常不同，主要是因为 NN 不像特征匹配或级联那样“线性”。对于非常复杂的任务，如实时对象识别或其他困难模式，最好使用神经网络，首先因为如果你训练好你的网络，你可以获得非常高的精度，其次它更容易实现（这很大程度上取决于库图书馆）第三，通常在你训练它之后，它们可以非常快速地分类或预测某些东西。但是很多任务不需要神经网络，例如很多工厂检查产品使用 3D 特征模型匹配。最后，您必须评估哪种方法最适合您的任务

在某些目标识别任务中，DL-CNN 还不是最先进的，例如行人检测。这可能是因为该任务比简单的视觉对象识别要复杂得多。分类器不仅需要报告所讨论的对象是否是行人，还需要报告它是否是成人、儿童、狗或风滚草，它的运动速度和方向，它在看哪里（或者它是否注意力不集中），如果它在进行中或自行车。它通常需要在存在可见遮挡的情况下执行此操作，因为当对象的一部分被灌木丛、灯柱、雨伞、雪或其他可能的行人挡住时，上述所有子任务都会变得更加困难。

在没有足够的训练标签，或者太复杂、太复杂的学习目标的情况下，一些对象识别问题还不能用罐装/库解决方案来解决，无论是否使用 DL-CNN。