在传统方法中有很多文章提取了多种特征例如HOG Haar肤色等再接一些分类器例如SVM分割或识别手势。这里面就涉及特征去除和选取。 在深度学习方法中通常不同分支提取不同特征再对这些分支进行相应操作获取最终的手势特征。这里面也涉及特征的排除与选取。

但是深度学习方法相比于传统方法，它不需要手动设计特征，而是通过神经网络自动学习特征。因此，深度学习方法具有更好的鲁棒性和泛化性能。

对于手势识别任务，深度学习方法通常采用卷积神经网络（CNN）进行特征提取和分类。CNN可以自动学习出图像中的局部特征，并通过多层卷积和池化操作将这些特征组合起来，得到全局的特征表示。此外，CNN还可以通过反向传播算法优化网络参数，使得网络能够更准确地识别手势。

在深度学习方法中，特征的选择和排除通常是通过网络架构的设计来完成的。不同的网络架构可以提取出不同的特征，因此选择合适的网络架构是十分重要的。此外，也可以通过数据增强、正则化等方法来提高模型的泛化能力，进一步优化特征的选取。