在可解释性、有限数据或计算约束是关键因素的情况下，SIFT（尺度不变特征变换）比 CNN（卷积神经网络）更受欢迎。 虽然 CNN 擅长从大型数据集中学习复杂的模式，但当透明度、效率或特定领域的稳健性是优先考虑时，SIFT 的手工制作特征仍然有用。 以下是 SIFT 可能成为更好选择的情况的细分。
首先，**有限的训练数据**可以使 SIFT 更加实用。 CNN 需要大量的标记数据才能很好地泛化，这在诸如专业医学成像或罕见的工业缺陷检测等利基应用中并不总是可用的。 例如，如果您正在构建一个系统，用于从小图像集中识别老式汽车零件，则从头开始训练 CNN 可能会导致过拟合。 另一方面，SIFT 依赖于不需要训练的数学描述符（如梯度和关键点）。 这些特征本身对尺度、旋转和光照变化具有鲁棒性，即使在数据最少的情况下也能可靠地工作。 此外，SIFT 非常适合图像拼接或 3D 重建中的对象匹配等任务，其中精确的几何对齐比语义理解更重要。
其次，**资源受限的环境**倾向于 SIFT。 CNN 通常需要 GPU 进行推理，这在嵌入式系统、无人机或物联网设备中是不可行的。 SIFT 基于 CPU 的实现是轻量级的和确定性的，使其适用于低功耗硬件上的实时应用。 例如，使用视觉地标在仓库中导航的机器人可能会使用 SIFT 进行定位，因为它速度快、可预测，并且不需要神经网络运行时。 同样，缺乏现代硬件的制造业或航空航天领域的旧系统可以利用 SIFT 进行质量检测等任务，而无需进行昂贵的升级。
最后，**可解释性和控制**是 SIFT 的关键优势。 基于 CNN 的特征是通过训练学习的，并且可能是晦涩难懂的，使得很难调试模型失败的原因。 SIFT 的特征被显式定义，允许开发人员检查关键点、调整参数（如对比度阈值）或强制执行几何约束。 在诸如医学成像或自主系统之类的安全关键应用中，这种透明度非常宝贵。 例如，对齐 MRI 扫描以进行外科手术规划需要精确的特征匹配 - 在此任务中，SIFT 的确定性输出允许工程师逐步验证结果，而 CNN 可能会因其“黑盒”性质而引入不可预测的错误。