计算机视觉并非完全是关于深度学习，尽管深度学习已成为许多任务的主要方法。 虽然像 CNN（卷积神经网络）和 transformer 这样的神经网络已经彻底改变了图像分类和对象检测等领域，但传统的计算机视觉技术仍然相关。 这些技术包括边缘检测（例如，Canny 边缘检测器）、特征匹配（例如，SIFT 或 ORB）和图像分割算法（例如，GrabCut）。 这些技术仍广泛应用于可解释性、速度或有限的计算资源至关重要的场景。 例如，OpenCV 是一个流行的库，它提供了许多非深度学习工具，开发人员可以使用这些工具来构建增强现实或机器人导航等实时应用程序。
深度学习擅长于需要高精度和复杂数据的任务，例如识别杂乱场景中的对象或生成图像标题。 像 ResNet、YOLO 或 Vision Transformers (ViTs) 这样的模型是解决这些问题的标准模型，因为它们可以自动从数据中学习分层特征，从而减少了手动特征工程的需求。 然而，它们需要大型标记数据集和大量的计算能力来进行训练。 相比之下，传统方法部署起来更简单，并且通常在受限环境中表现良好。 例如，用于人脸检测的 Haar 级联仍然用于嵌入式系统中，因为由于硬件限制，运行深度学习模型可能不切实际。
深度学习和传统方法之间的选择取决于问题。 混合方法也很常见。 例如，管道可能会在使用神经网络之前使用传统的图像处理来预处理数据（例如，裁剪或阈值化）。 同样，机器人技术中的 SLAM（同步定位和映射）将几何算法与深度学习相结合以进行深度估计。 尽管深度学习扩展了计算机视觉的功能，但它只是众多工具中的一种。 开发人员在决定使用哪种方法时，应评估数据可用性、延迟和硬件限制等因素。