1. non-deep learning とは
non-deep learning とは，「ディープラーニングを用いないない機械学習やパターン認識手法」について区別や強調して述べたい場合に，「非 Deep Learningな」という意味で使われる言い回しである．
「Deep learningを使用しないが，機械学習を使う従来手法や過去手法」や「古典的なルールベースで解く手法」「古く手法ではないが．deep learning以外の機械学習や組み合わせ最適化などで解く手法」などを，別途まとめて分類・グループ化したい場合に，「non-deep learning methods」と呼んで区別することが多い．
あなたの論文データベース内でも，「non-deep learning」で検索してもらうと，各論文中の「non-deep leaning手法を言及している部分や，そういう節のタイトル」がヒットするはずである．
2. コンピュービジョンの例で，deep 手法/non-deep手法を比較
図1. はnon-deep learning手法を，「問題設定が同じで手段だけがdeep化されている」deep learning手法と対比しやすくした図である(あくまで一部だけを提示したことに注意)
図1右側の冒頭にあるような「古典的な画像処理(特にフィルタリング)」については，カメラアプリ・画像編集などで，現在でもdeep 化していないまま使うことも多いのは，皆さんご存知のとりである．次のコーナー検出(SIFTやSURFの検出なども)やライン検出なども，いちいちdeep 化した手法を使ったりはしない(ただし，deep手法はあるが)．
次に青枠のオプティカルフローやステレオデプス推定は，deep手法も，non-deepな古典手法も存在する．non-deep手法では，どちらも「画像場の対応付けを最適化（optimization）」で解こうとしていたが，それがdeep だと画像認識問題として「学習・予測する」ように変わった．
また，赤枠の画像認識「物体認識 物体検出 セマンティックセグメンテーション(領域分割)」の3つは，non-deep learningでもSVM/Random ForestやSIFT/Bag-of-Visual Featuresで頑張って解かれていた問題設定だが，インスタンスセグメンテーションに関しては，deep learning登場で初めて解けるようになった．
以下の2つの用語集トップページの「deep用語リスト」「non-deep 用語リスト」も，比較の参考になるはずである：
3. 当サイトでの「non-deep」の定義
昔のパターン認識システムは，それを構成する部品である「特徴量の抽出・計算」や「特徴の統計処理」「機械学習モデル」などの各部品が，独立・分離されており，経験や勘でそれらを組み合わせてシステム化していた．つまり，信号処理や画像フィルタリングに，局所コーナー検出やエッジ抽出も「パターン認識の一部品」であり，これらのそれぞれも(パターン認識システムとしてかんせいしていないが)non-deepな手法と呼ぶことがある．
当サイトでは，面倒なので，deepでない手法は画像フィルタリングとか映像符号化など，パターン認識手法だけでなく，画像処理などの古典手法も含めていっしょくたにnon-deepと言いたいと思う (音処理や自然言語処理でも同様)．
実際，さきほど2節でリンクをおいた， ✳️ディープラーニングの用語wiki記事リストと📷 コンピュータビジョン(non-deep 中心)の用語wiki記事リスト も)，パターン認識手法でないものも全部含めて，deep手法 とそれ以外(non-deep中心)と分類して，このサイトでは整理している．このほうが，「non-deep＝パターン認識システムに限らず，古典手法全て」の意味で使えて，現代(deep)とそれ以前(non-deep時代)の２つに綺麗にわけられてすっきりするからである．
そもそも，論文などで「non-deep」 と言ってるときには，「① deep learningを用いていない，それ以前の(SVMやBoostingなどの)古典的なパターン認識・機械学習手法や特徴検出/記述」なのか，それとも「② deepパターン認識手法ではない，他の全ての手法」なのかが，やや曖昧である．当サイトでは，②の「deep learningを使っていない＝non-deep learning」と定義することにした．
ただし，普段の論文や教科書などで「non-deep learning method」と言う際には，「non-deepなパターン認識手法」の意味であることがほとんどで，つまりは「認識のシステム全体」を指す意味でも，よく使われていていることには注意されたい．
3. non-deep learning手法を「知る・知っている人も復習や調査する」ことで，新しい学びや閃きにつながる．
ディープラーニングで大規模学習に取組むだけでは，新たにできることが(特に研究では)減ってきている最近のコンピュータビジョンやその他パターン認識において，過去の手法や，昔からあるnon-deep leaning手法をふりかえることは，学びや新しい発見・閃きにつながるはずである．
例えば，発売から1年が経ったので2025年5月頃(※)から，当サイトでも紹介・推薦を始めた以下の教科書「Foundations of Computer Vision」も，non-deep learningな過去の技術や考え方が，かなり重視され深掘りもされている．
「Foundations of Computer Vision (kindle版) 」 MIT press , Antonio Torralba , P. Isola(pix2pixの人), William T. Freeman【📖 書籍サイト】
(※)「2024年4月」の本書発売から1年が経ち，分厚い本書の内容をしっかり把握した上で，オススメできるようになったのと，Amazonなどでの評判が揃ったことも理由．近々，レビュー記事も書きたい．
執筆者のうち，Antonio Torralba先生 と William Freeman先生が，ベテランで大御所であることも，non-deep leaningな，昔からの話も本書ではきちんとカバーされている要因といえる．(ビジョン分野の場合は，撮像系に光学的・フォトメトリ的な話も出てくるので，そもそもdeep learningでは取組みづらい話も多い)．
また，もうすぐ開催の今年のMIRU2025でも，若手向けプログラムが「MIRU2025若手プログラム Non-deepを深掘る」と題して，参加者が興味のあるnon-deep learning手法を調べて発表することを行なう模様である．
(※私は著作権侵害問題がありで，そもそも研究開発での使用を一切避けているが)大規模生成AIや基盤モデルの登場あり，(問いを新たに立てるのが上手い人でないと)新たに(後追い・性能改善の)研究やビジネス開発では，できる事は更に少なくなっており，「non-deepな過去手法や過去の問題設定に回帰」したくなるのは，当然の帰結でもあるが．
※ Foundations of Computer Visionの「53節 How to write papers」のintroductionでも「(AI系)論文でインパクトだせるのはほんの一握り」の話が紹介されているが，今後は「アイデア力のあり，大きなインパクトを残す論文」を発表するのが，novelty出し難くなったいま，更に難しくなるのでは？ (机上の)研究で成果出すより，応用・実用の研究や開発で，社会のお役に立てて・社会を幸福にする仕事を選ぶことが，今後更に重要になると思います．
2.1 このサイトでも「 non-deep learningな手法・過去の手法」は重視．
そもそも (現在40代半ばの)管理人の私も，non-deep learningの頃からコンピュータビジョン・画像認識に触れてきたのもあり，これまでの普段の研究開発の仕事や育成仕事や，本サイト「CVMLエキスパートガイド」でも，non-deep learningな手法や手段を重視している．
ディープラーニングの用語wiki記事の一覧でも，冒頭に書いているように，「non-deep leaningな過去の手法・技術」を区別してコンピュータビジョンの用語wiki記事や自然言語処理の用語wiki記事でも，現時点でもある程度充実させているつもりである．
※ deep以前の過去手法は，「初心者向けで，(前述のFoundations of Computer Vision (kindle版) など)代大学教科書で出てきて学ぶ」というパターンが多いので，今後は，「中級者以上がターゲットのコノサイト以外」の「初心者や他分野専門の方むけの動画コンテンツ・講義/書籍」などで，(カジュアルに)展開していきたい．とはいえ，「当サイト内にも書いてあるほうが，用語wikiの見通しがよくなるコンピュータビジョンの用語wikiの記事」については，今後サイト内にも(簡単な解説・紹介に留めるが)用語wiki記事は執筆していく予定である (例：HOG特徴/ Visual-Wordsや，基礎的な画像処理/画像編集やカメラ/レンズまわりに，Multi-View Stereo(MVS)基礎など)．