Sex Estimation from Footwear Outsole Impressions Using CNN Transfer Learning and Interpretable Image Statistics
Jinyi Niu, Ziyi Song, Weining Shen
cs.CV · cs.LG
Quick verdict
声称CNN迁移学习可通过鞋底图像估算性别，测试准确率高达100%；设计合理，但在单一数据划分上获得完美分数值得谨慎对待。
Summary
本研究在Park和Carriquiry（2020）公开数据库（包含300只鞋的1,500次扫描，每只鞋扫描五次）上，对鞋底图像的二元性别估算进行了基准测试。作者按鞋进行80/20的GroupShuffleSplit划分，确保同一只鞋的重复扫描不会分散在训练集和测试集中，并比较了四种ImageNet预训练的CNN（VGG16、ResNet-50、EfficientNet-B0、MobileNet-V2）在三种迁移策略下的表现：端到端微调、冻结特征加支持向量机（SVM），以及与29维小波、图像统计、几何和元数据特征集的混合融合。微调后的CNN表现最优：EfficientNet-B0的测试准确率达到100.00%，MobileNet-V2为99.67%，ResNet-50为99.33%，而最佳的传统基线模型（基于手工特征的SVM）准确率仅为70.00%。冻结特征流水线（57-108秒训练）在仅占微调成本（约1,650秒）一小部分的情况下，仍保持了显著的性能优势。CNN表征的UMAP投影与频域阈值比率（|r|≈0.60-0.70）和对比度的相关性最为一致。主要局限在于：仅进行了单次数据划分，没有置信区间或交叉验证；缺乏验证集和早停机制；使用的是与实际案件现场相距甚远的受控扫描仪数据集；且按鞋而非按鞋对进行划分，这可能导致残余数据泄漏，以及因鞋码和品牌造成的混淆。
Review complete
Assessment at a glance
5
risk flags identified
● high 0
● medium 5
● low 0
4 strengths · 5 weaknesses · 5 author questions
AI text signal = Binoculars zero-shot detector score over 20 sampled passages (Fast-DetectGPT co-reported) — absence does not prove human authorship, and a flag does not imply misconduct.
Levels reflect verification complexity — not a quality score. Evolve never rates your paper.
Key claims under review
- 微调后的ImageNet CNN模型显著优于传统分类器（准确率高达100.00%，而传统方法为70.00%，表1）。
- 按鞋划分数据对于防止重复扫描泄漏是必要的。
- 冻结的CNN特征加上SVM提供了一种低成本替代方案（57-108秒 vs 约1,650秒），且性能优于手工制作特征的基线模型。
- CNN表征的UMAP投影与频域阈值比率（|r|≈0.60-0.70）、对比度和Wavelet_PC1相关。
- 结果仅在数据集内部有效；在实际案件中的操作应用需要外部验证。
Strengths
防泄漏评估设计
GroupShuffleSplit按鞋进行划分（第2节）确保每只鞋的五次重复扫描都留在80/20划分的同侧；所有15种配置共享相同的测试集。
完整且包含成本信息的基准网格
表1覆盖了4种架构 × 3种迁移策略以及3种传统基线，并报告了准确率/精确率/召回率/F1、参数量（223万至1.3427亿）和训练时间（57至1,682秒）。
诚实的研究范围界定
可解释性桥梁
Weaknesses
缺乏方差估计的完美测试准确率
配对级泄漏的模糊性
无验证集或早停机制
通过尺寸/品牌可能存在的混淆
未解释的异常及薄弱的编辑
Full Review Report
$1.99 · one-timeUnlock the complete preliminary analysis Evolve produced for this paper.
Report preview
研究范围与主张
本文在公开的Park–Carriquiry (2020)数据库上，对2D鞋底图像的二元性别估算进行了基准测试：包含300只鞋（150对）的1,500次EverOS扫描，每只鞋重复扫描五次，并带有性别/左右脚/品牌/尺寸元数据。论文提出了三个主张：（1）微调后的ImageNet CNN优于在29维手工制作/几何/元数据特征集上训练的传统分类器；（2）冻结特征流水线以较低的计算成本换取了极小的准确率损失；（3）CNN表征的UMAP投影与可测量的图像统计量相关。作者明确将该任务定位为调查筛选而非识别，并承认在操作应用前需要进行外部验证。
The remaining sections cover Methodology Assessment, Statistical Evidence, Results & Reproducibility, Limitations & Risks, and Verdict & Recommendations.
- All 4 strengths & 5 weaknesses, analyzed in detail
- 5 risk flags with severity, section & reviewer questions
- Methods & statistical evidence assessment
- 5 questions a peer reviewer would ask
- Full six-dimension evaluation report & recommendations
One-time purchase · this paper only
One-time purchase, this paper only. AI-generated preliminary analysis — not peer review.
Frequently asked questions
通过鞋印进行性别估算的CNN准确率是多少？
在这篇论文中，在一个公开受控数据集的300次留出扫描中，微调后的EfficientNet-B0达到了100%的准确率；其他CNN为92.67-99.67%；传统特征基线为65-70%。单次数据划分；无置信区间。
使用了什么数据集？
Park & Carriquiry (2020) 公开2D鞋底数据库：1,500次扫描，150对（300只）鞋，使用EverOS扫描仪，包含性别/左右脚/品牌/尺寸元数据。
是否控制了数据泄漏？
通过按鞋划分，控制了同一只鞋的重复扫描；但是，同一对的左/右鞋可能会跨越数据划分，且完美准确率意味着无法排除残余泄漏或混淆。
这是可以直接用于法医案例吗？
不能——作者本人声明，在部署之前，需要在类似案件的图像上进行验证并进行不确定性量化。
About this review
This is an AI-generated preliminary review by Evolve.Pub, produced from the openly available text of the paper. It is not peer review and does not represent the authors' views. The canonical record of the paper is at the publisher link above.
- 图表（UMAP图、热图、扫描示例）仅通过图注提供；其数字内容无法进行独立检查。
- 源文本中存在截断的致谢和重复的引言段落；除此之外，提取似乎完整。
- 提供的文本中未说明代码可用性。
Go deeper on this paper
Wrote a paper? Stress-test it before reviewers do.
Upload your manuscript for the same structured scrutiny — reasoning, statistics, evidence, figures, and reproducibility.