arXiv 于 2026 年 9 月 21 日（周一）20:29:28 UTC 收到并发布了编号为 arXiv:2609.25386v1 的预印本论文，标题为《Sex Estimation from Footwear Outsole Impressions Using CNN Transfer Learning and Interpretable Image Statistics》（利用 CNN 迁移学习与可解释图像统计量从鞋底花纹印痕中估计性别）。作者为 Jinyi Niu 及另外两位合著者，提交人为 Ziyi Song，文件大小约 4,028 KB。论文归入计算机视觉与模式识别（cs.CV）与机器学习（cs.LG）两个学科分类，DOI 为 https://doi.org/10.48550/arXiv.2609.25386，该 DOI 由 DataCite 发放，目前仍处于待注册状态。论文提供 PDF、实验性 HTML 版本以及 TeX 源码，许可信息见 arXiv 页面上的 view license 链接。
研究背景方面，作者指出鞋底花纹印痕（footwear outsole impressions）是法庭科学中常见的一类图案证据，但针对这类图像、用于推断穿着者属性的定量方法仍相对不成熟。本文聚焦二分类的性别估计任务，即仅依据鞋底印痕图像判断穿着者的性别，并系统比较卷积神经网络（CNN）迁移学习与传统基于特征的分类方法。
数据与方法上，研究使用一个公开可获取的鞋底印痕数据集，并采用“鞋级”（shoe-level）的训练集与测试集划分方式：同一只物理鞋的多次重复扫描被保留在同一个划分中，而不是散落到训练与测试两侧，以此降低数据泄漏带来的虚高评估。作者评估了三种技术路线：其一是预训练 CNN 的端到端微调；其二是冻结特征提取后接支持向量机（SVM）分类；其三是混合特征融合，把手工设计特征、几何描述子以及元数据派生描述子一并纳入。
主要结果上，经端到端微调的 CNN 取得了最强的整体预测性能，并且明显优于仅使用人工指定描述子训练的传统分类器；而冻结特征方案虽然性能稍逊，但计算开销更低，提供了一种更轻量的替代选择。此外，作者对 CNN 的低维表示做了探索性分析，发现这些表示与频率阈值比（frequency threshold ratio）、图像对比度以及基于小波的摘要统计量之间存在关联，从而在学习到的表征与鞋底印痕的可测量属性之间建立了联系。
结论与局限方面，作者认为这些发现表明 CNN 迁移学习捕捉到了超出上述描述子范围的判别性信息，为基于鞋印的法庭科学筛查提供了一条有前景的技术路线。同时论文明确提示，在投入实际办案使用之前，还需要在独立收集的、更接近真实案件条件的印痕样本上做进一步验证。这一保留意见构成了该研究走向业务化应用的主要前提条件。