arXiv 於 2026 年 9 月 21 日（週一）20:29:28 UTC 收到併發布了編號為 arXiv:2609.25386v1 的預印本論文，標題為《Sex Estimation from Footwear Outsole Impressions Using CNN Transfer Learning and Interpretable Image Statistics》（利用 CNN 遷移學習與可解釋圖像統計量從鞋底花紋印痕中估計性別）。作者為 Jinyi Niu 及另外兩位合著者，提交人為 Ziyi Song，文件大小約 4,028 KB。論文歸入計算機視覺與模式識別（cs.CV）與機器學習（cs.LG）兩個學科分類，DOI 為 https://doi.org/10.48550/arXiv.2609.25386，該 DOI 由 DataCite 發放，目前仍處於待註冊狀態。論文提供 PDF、實驗性 HTML 版本以及 TeX 源碼，許可信息見 arXiv 頁面上的 view license 鏈接。
研究背景方面，作者指出鞋底花紋印痕（footwear outsole impressions）是法庭科學中常見的一類圖案證據，但針對這類圖像、用於推斷穿着者屬性的定量方法仍相對不成熟。本文聚焦二分類的性別估計任務，即僅依據鞋底印痕圖像判斷穿着者的性別，並系統比較卷積神經網絡（CNN）遷移學習與傳統基於特徵的分類方法。
數據與方法上，研究使用一個公開可獲取的鞋底印痕數據集，並採用“鞋級”（shoe-level）的訓練集與測試集劃分方式：同一只物理鞋的多次重複掃描被保留在同一個劃分中，而不是散落到訓練與測試兩側，以此降低數據泄漏帶來的虛高評估。作者評估了三種技術路線：其一是預訓練 CNN 的端到端微調；其二是凍結特徵提取後接支持向量機（SVM）分類；其三是混合特徵融合，把手工設計特徵、幾何描述子以及元數據派生描述子一併納入。
主要結果上，經端到端微調的 CNN 取得了最強的整體預測性能，並且明顯優於僅使用人工指定描述子訓練的傳統分類器；而凍結特徵方案雖然性能稍遜，但計算開銷更低，提供了一種更輕量的替代選擇。此外，作者對 CNN 的低維表示做了探索性分析，發現這些表示與頻率閾值比（frequency threshold ratio）、圖像對比度以及基於小波的摘要統計量之間存在關聯，從而在學習到的表徵與鞋底印痕的可測量屬性之間建立了聯繫。
結論與侷限方面，作者認為這些發現表明 CNN 遷移學習捕捉到了超出上述描述子範圍的判別性信息，為基於鞋印的法庭科學篩查提供了一條有前景的技術路線。同時論文明確提示，在投入實際辦案使用之前，還需要在獨立收集的、更接近真實案件條件的印痕樣本上做進一步驗證。這一保留意見構成了該研究走向業務化應用的主要前提條件。