一般來說，碰到模糊的影像要找出正確的目標，CNN成功的機會是大於OCR的！原因為何？從上面的案例看就很清楚了！我的OCR經過前處理其實只能找到圖右上方黑色部分的破碎字元！紅色部分則是我利用已有的殘缺資盡力推理補足的遺失字元目標！最終我還是可以得到一個最合理的答案！很像厲害的警察偵破了一個證據殘缺不全的懸案！

反觀CNN的前處理的概念就已經是製作出全圖所有位置可能是某個字元的機率分布圖了！即使是很破碎的字元，該處的字元機率值還是會明顯高出其他不相干的位置的！所以是不必像我用OCR需要那麼多後處理技巧的！當然如果車牌字元太歪斜時，這個機率也會看不出正確位置的，我們就暫不討論了！假設是在看比較正常接近水平的車牌，先給CNN一個機會吧！

但是這兩種處理方式需要付出的成本卻是天差地遠！如上圖所示，我的OCR只需要77毫秒就可以做完所有辨識流程的工作！但是你想用CNN的矩陣掃描全圖，算出每個位置可能是某個車牌字元的機率呢？計算量絕對是OCR的百倍以上！所以CNN被迫只能以整個車牌為搜尋的目標！先找到整個車牌再說！忍痛減少一些計算量。

但要知道某位置是不是整個車牌的機率？就比較模糊了！誤認不相干背景為車牌的機率很高，就必須讓搜尋矩陣的設計或篩選程序更複雜！這又會讓已經太高的計算量再度暴增！找到車牌之後還必須在車牌範圍之內啟動個別字元的更細部的CNN操作！所以整體計算量始終是OCR的數十倍！甚至數百倍！沒有GPU的話CNN就是一個完全不可能實用的演算法了！這個議題絕對是可以寫很多SCI論文來分析研究證實的！

所以就像我們的交通工具！買機車只要數萬元，買平價汽車數十萬元，買超跑就要數千萬元！其實以功能性目標來說並沒有太大差別！或許舒適度與速度有些微差異，但是成本差距卻大到不可思議！你覺得做同樣的事，只是去上班而已，成本差異高達上萬倍？有道理嗎？

這就是現在主流派的AI專家刻意迴避的大問題了！演算法差異造成的計算成本實在太大！但是也因此造就了GPU的硬體產業！很多AI領域確實無法迴避巨量資料的大量訓練，那就算了！但是影像辨識領域不是這樣的！我們確實可以不必使用CNN與DL就能完成絕大部分的影像辨識工作！而且做得更便宜還更好！

CNN(類神經網路)會強調它們是模仿人類的視覺機制！所以是必然的最佳選擇？人類的視覺確實是輸入整張影像的！但是不是真的像CNN一樣鉅細靡遺的做地毯式全圖掃描？還是使用類似OCR的摘要資訊的處理方式？只是盡快抓到概略的輪廓？看到疑似目標的區域才做進一步的處理分析與確認？

我的觀點是人類看東西的方式更接近OCR而不是CNN！OCR的「抓輪廓」的前處理方式才更像人眼看東西真正使用的演算法！成本極低效果卻很夠用了！如果像CNN那樣，每個畫素的機率值評估都要作好大一個矩陣運算？那就像是開著千萬超跑去上班了！其實是很不合理的！人腦的算力應該不會被這麼濫用的！

以上面的模糊辨識案例來說，我用OCR找到的只是幾個破碎的字元殘骸，幾乎沒有一個完整的字元！但是我先降低標準讓程式認定這可能是車牌目標後，盡可能整理殘缺資訊，甚至用某些經驗公式補足難以判斷的參數？盡量推理拼湊出一個最合理的答案！如果最終答案也能合乎檢驗標準，那就是正確答案了！

所以大家真的應該深入思考：CNN真的是我們腦中視覺智慧唯一的代表演算法嗎？如果不是唯一的候選人？CNN是最佳的候選人嗎？如果都不是！CNN還值得目前得到的過譽地位？繼續被如此偏袒錯愛嗎？ CNN即使可以做到一些好事，都是不計成本濫用資源做出來的！大家真的必須考慮拋棄以CNN為影像辨識主流的想法！我們絕對有其他合理選擇的！