什么是特征描述子？在计算机视觉中为何重要？

特征描述子将图像局部或全局区域编码为向量，使相似外观距离近、不同外观距离远。SIFT/ORB 用于匹配与拼接；HOG 用于行人检测；深度 CNN 特征用于检索与迁移学习，是视觉理解的基石。

一、先给出结论和背景

• 定义：Feature descriptor = 从图像 patch 提取的固定维向量，应满足 判别性（同类相似）、不变性（光照/尺度/旋转适度鲁棒）、可匹配性（可用 L2/汉明距离检索）。
• 经典手工描述子：- SIFT/SURF：尺度空间极值 + 梯度方向直方图，尺度旋转鲁棒
• ORB：FAST 角点 + BRIEF 二值描述，快速免费
• HOG：梯度方向块直方图，行人检测经典
• LBP：纹理编码

二、拆开关键步骤和判断点

• 深度描述子：- CNN 中间层激活、NetVLAD、SuperPoint
• 对比学习（SimCLR、CLIP）学通用嵌入
• 应用场景：1. 图像拼接、全景图（匹配描述子）

2. 物体识别/检索（BoVW + SVM 或深度 embedding）
3. SLAM / 视觉定位（帧间匹配）
4. 宽基线立体匹配

三、补上落地边界和取舍

• 重要性：在标注稀缺、算力有限、需可解释匹配时，好的描述子仍是核心；深度学习常与手工几何 pipeline 结合。
  详见 特征与匹配。

面试里可以补一个视觉任务例子：特征描述子 在分类、检测、分割或多模态理解里分别会影响数据增强、模型结构、指标选择和误检漏检分析。这样回答会比单独讲概念更像真实项目经验。

知识库：特征提取。术语：对比学习、CLIP。工具：OpenCV。