在法醫鑑定領域，自動識別嫌疑人面臨諸多挑戰，如姿態變化、光照條件不佳、面部遮擋以及標記數據的缺乏。針對這些問題，研究人員提出了ForensicNet——一種輕量級的深度學習框架，專門用於法醫人臉識別，通過增強注意力機制來提高識別性能。
ForensicNet的核心架構基於MobileNetV2骨幹網絡，並集成了卷積塊注意力模塊（CBAM）。CBAM能夠同時關注通道和空間維度，幫助網絡更有效地學習判別特徵，同時保持較低的計算成本。MobileNetV2本身以其深度可分離卷積和線性瓶頸結構著稱，能夠在邊緣設備上高效運行。結合CBAM後，模型能夠在關鍵區域分配更多權重，從而提升在複雜場景下的識別準確率。
為了進一步提升模型在法醫場景中的適應性，研究團隊採用了兩階段遷移學習策略。第一階段，在大型通用人臉數據集上預訓練模型；第二階段，在法醫特定數據集上微調，並採用自適應層解凍技術——即逐步解凍網絡層，以避免災難性遺忘並減少過擬合風險。這種策略有效改善了領域轉移問題，使模型更好地適應法醫環境中的低質量監控圖像。
實驗部分，研究人員使用了兩個公開數據集：LFW（Labeled Faces in the Wild）和SCFace（Surveillance Camera Face Database），共包含15000張面部圖像，覆蓋68個身份類別。這些數據模擬了真實監控場景中的挑戰，包括不同角度、光照不足和部分遮擋。與AlexNet、ResNet-50以及原始的MobileNetV2等基線架構相比，ForensicNet表現出更優越的性能，取得了92.4%的準確率、90.8%的精確率和89.5%的召回率。此外，該框架每次推理僅需2.1 GFLOPs的計算量，使其能夠部署在實時法醫監控系統中，滿足實際執法的時效性要求。
這項研究的意義在於，它提供了一種平衡精度與效率的解決方案，有望在實際執法和司法鑑定中發揮重要作用。未來工作可以進一步探索在更大規模數據集上的表現，以及針對更多樣化的環境條件進行優化，例如夜間監控或極端遮擋情況。研究者還計劃將模型集成到嵌入式系統中，以實現便攜式法醫識別設備。