論文「CNN転移学習と解釈可能な画像統計を用いた靴底印象からの性別推定」は、Jinyi Niu氏ら3名の著者によって2026年9月21日にarXivに投稿された。識別子はarXiv:2609.25386v1で、コンピュータビジョンとパターン認識（cs.CV）および機械学習（cs.LG）に分類されている。
本研究は、法科学における一般的なパターン証拠である靴底印象に注目する。靴底印象の画像から着用者の属性を定量的に推定する手法は、まだ十分に発展していない。著者らは二値の性別推定を対象に、畳み込みニューラルネットワーク（CNN）の転移学習と、従来の特徴量ベース分類を比較した。
実験には公開されている靴底印象データセットを用い、訓練・テスト分割を「靴単位」で行った。同じ物理的な靴から得られた反復スキャンを同じ側にまとめることで、データ漏洩を減らし、評価の妥当性を高めている。事前学習済みCNNの利用法としては、端から端までの微調整、凍結特徴量抽出とサポートベクターマシンによる分類、さらに手作り特徴量・幾何記述子・メタデータ由来記述子を統合するハイブリッド特徴融合を検討した。
その結果、微調整したCNNが総合的に最も高い予測性能を示し、手動で設計された記述子のみで訓練した従来分類器を大幅に上回った。一方、凍結特徴量を用いる手法は計算負荷が比較的小さく、代替手段として有用である。また、低次元のCNN表現を探索的に分析すると、周波数閾値比、画像コントラスト、ウェーブレットに基づく要約との関連が見られ、学習された表現と靴底印象の測定可能な性質とが結びついていることが示唆された。
著者らは、CNN転移学習が検討した記述子を超える判別情報を捉えており、靴底に基づく法科学スクリーニングにとって有望なアプローチだと結論づけている。ただし、実際の運用の前には、独立に収集された印象や事件業務に近い印象でのさらなる検証が必要であると注意を促している。