CNN迁移学习从鞋底压痕判性别，性能碾压传统手工特征分类器！
Sex Estimation from Footwear Outsole Impressions Using CNN Transfer Learning and Interpretable Image Statistics
📖 AI 总结
本研究探讨如何从鞋底印记图像中估计穿着者性别，比较了卷积神经网络迁移学习与传统特征分类两种路径。研究采用公开鞋底印记数据集，在划分训练集与测试集时按鞋只级别分组，将同一双鞋的重复扫描保留在同一集合内，以降低数据泄漏风险。实验评估了三种策略：端到端微调预训练CNN、冻结特征提取后接支持向量机分类，以及融合手工特征、几何描述符与元数据的混合特征方案。结果显示，微调CNN整体预测性能最强，显著优于仅使用人工设计特征的传统分类器；冻结特征方法则提供了计算成本更低的替代选择。对CNN低维表示的探索性分析发现，其与频率阈值比、图像对比度及小波摘要等可测量属性存在关联，表明迁移学习捕捉到了人工描述符之外的可判别信息。该研究为基于鞋印的法庭科学筛查提供了有前景的技术路线，但作者指出，在投入实际应用前仍需在独立采集和接近真实案件的样本上进一步验证。
🔑 关键词速览
| CNN Transfer Learning | 卷积神经网络迁移学习，指利用在大规模数据集上预训练的CNN模型，通过微调或特征提取适配到新任务的方法。 |
| Footwear Outsole Impressions | 鞋底压痕，指鞋底与地面接触留下的痕迹，是法庭科学中常见的痕迹证据。 |
| Sex Estimation | 性别估计，指根据生物特征或痕迹推断个体性别的过程，此处特指从鞋底压痕推断穿着者性别。 |
| Support Vector Machine (SVM) | 支持向量机，一种监督学习分类算法，通过寻找最优超平面实现分类，常用于传统特征分类。 |
| Data Leakage | 数据泄漏，指训练数据中包含了测试数据的信息，导致模型评估结果过于乐观，此处通过鞋级别划分来避免。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅