1、刑事技术论 著2023 年 第 48 卷 第 4 期 基金项目：国家自然科学基金（62176096、61991412）第一作者简介：吴憾，男，云南红河人，硕士研究生，研究方向为智能足迹识别。E-mail:*通信作者简介：陶文兵，男，湖北武汉人，博士，教授，研究方向为人工智能、机器学习、计算机视觉、生物特征识别等。E-mail: 网络首发时间：2022-11-03；网络首发地址：https:/doi.org/10.16467/j.1008-3650.2022.0069DOI：10.16467/j.1008-3650.2022.0069基于多尺度特征融合的穿鞋足迹识别网络吴 憾1，赵 蔺1，孟小平
2、2，陶文兵1,*（1.华中科技大学人工智能与自动化学院，武汉 430074；2.湖北省公安厅刑警总队刑事技术处，武汉 430064）摘 要：近年来，随着人工智能的快速发展，赤足足迹和穿袜足迹的自动识别均取得了不错的效果，但因为需要脱鞋，应用场景受到了很大的限制。单枚穿鞋足迹识别由于鞋底花纹的多样性、随机性给智能识别造成了很大的阻碍，识别准确率普遍较低，成为了一个具有挑战性的任务。本文聚焦于不同人穿同一种鞋的足迹识别，提出一种基于多尺度特征融合的穿鞋足迹识别网络。采集大量的足迹样本，通过旋转、平移、加噪声等方式模拟犯罪现场足迹图像可能产生的变化，制作了足迹数据集，然后以 ResNet 为骨干网络
3、，利用双向金字塔特征融合模块充分融合足迹图像的深层特征和浅层特征，最后针对鞋底花纹变化造成网络识别准确率降低的问题，提出了用迁移学习解决的思路，让网络学习未知花纹与现有花纹之间的联系，快速拟合出模型。经过训练测试，本文提出的方法在自制足迹数据集上识别准确率达到了 93.1%，CMC 评价指标也明显优于其他网络。在新的足底花纹上，迁移学习对比从头开始训练，速度更快、准确率更高。大量的实验证明，本文提出的穿鞋足迹识别网络识别准确率更高，提出的迁移学习的方法在面对新的鞋底花纹时，能够实现更好的效果。关键词：穿鞋足迹；足迹数据集；双向金字塔特征融合；迁移学习 中图分类号：DF794.1 文献标识码：A
4、 文章编号：1008-3650(2023)04-0405-08Shoe-wearing Footprint Recognition Network Based on Multi-scale Feature FusionWU Han 1,ZHAO Lin 1,MENG Xiaoping 2,TAO Wenbing 1,*(1.School of Artifi cial Intelligence and Automation,Huazhong University of Science and Technology,Wuhan 430074,China;2.Technology Branch of
5、 Criminal Police Corps,Hubei Provincial Public Security Department,Wuhan 430064,China)ABSTRACT:In recent years,with the rapid development of artificial intelligence,the intelligent recognition of barefoot footprints and sock footprints has achieved good results.However,these two types of footprint r
6、ecognition methods need to take off shoes,and the application scenarios are greatly limited.Single shoe-wearing footprint recognition due to the wide variety of shoe sole patterns and the random changes of patterns that cause a great obstacle to intelligent recognition,and the recognition accuracy r
7、ate is generally low.Shoe-wearing footprint recognition has become a challenging task.To solve this issue,we focus on the footprint recognition of different people wearing the same kind of shoes and propose a shoe-wearing footprint recognition network based on multi-scale feature fusion.This paper f
8、ocuses on the problem of shoe-wearing footprint recognition;we collect a large number of footprint samples and create a shoe-wearing footprint dataset by rotating,panning,and adding noise to simulate the possible changes in the footprint images of the crime scene.Then we use ResNet as the backbone n
9、etwork and fully fuse the deep and shallow features of the footprint images by using the bidirectional pyramid 刑事技术Forensic Science and Technology4062023 年 第 48 卷 第 4 期feature fusion module.Finally,to solve the problem of reduced recognition accuracy of the network due to the variation of shoe-weari
10、ng footprint patterns,we propose a transfer learning method to quickly fi t a model,which allows the network to learn the relationship between unknown footprint patterns and existing footprint patterns.It froze most of the convolutional layers of the pre-trained model and trained only a small number
11、 of convolutional and fully connected layers.After training tests,the shoe-wearing footprint recognition network based on multi-scale feature fusion achieves 93.1%recognition accuracy on the homemade footprint dataset,and the CMC evaluation index is also significantly better than other networks.When
12、 faced with footprint patterns for which the network model has not been trained,the method of transfer learning has higher recognition accuracy and faster speed than retraining such footprint patterns.Through extensive experiments,the shoe-wearing footprint recognition network based on multi-scale f
13、eature fusion has achieved good results.When faced with untrained footprint patterns,the transfer learning method has higher recognition accuracy and faster speed than retraining by collecting a large number of footprint samples of different patterns.Of course,the more new footprint pattern samples
14、are used for transfer learning,the higher the accuracy of the fi nal model will be.KEY WORDS:shoe-wearing footprint;footprint dataset;bidirectional pyramid feature fusion;transfer learning 足迹同人脸、指纹、虹膜一样，是一种独特的生物特征。它是人在行走时无意留下的痕迹，这种痕迹会随着人的身高、体重、年龄、行走习惯而形成独特的特征，在医疗、刑侦等领域有重大的应用价值1。在刑事案件中，足迹的现场遗留率和提取率相较
15、于其他痕迹物证都是最高的。传统穿鞋足迹识别主要依据的是鞋底的形态特征，利用鞋在设计定型过程、制作过程和人们穿用过程中形成的特征来鉴定人身。比如姚力等2在对鞋底磨损特征量化的基础上，利用贝叶斯判别法对这些特征组合进行统计分析，从而认定和排除犯罪嫌疑人。武帅等3提出利用人的起脚、落脚、支撑各阶段力的大小、方向、作用点在足迹四周边缘反映的特征解决足迹检验问题。李孟歆等4采用混合滤波算法对采集的鞋印图像进行去噪处理，其次采用改进的 LBP 算法进行鞋印图像特征提取，最后采用欧氏距离对鞋印图像进行识别。目前在刑侦领域，足迹专家利用现场足迹认定犯罪嫌疑人已经成为证据链中重要的一环，但仅限于人工鉴别，并且要
16、求鉴定人员必须具备多年的足迹检验鉴定经验。近年来，随着人工智能的快速发展，涌现了一批优秀的深度学习网络模型，如 InceptionNet5、DenseNet6、VGG 7、ResNet8、Xception9等，人脸识别、指纹识别等生物特征识别在这些网络模型的帮助下，识别效果有了质的飞跃，在交通运输、智能安防、金融交易等领域得到了广泛的应用，这也为足迹的发展指明了道路。足迹可细分为赤足足迹、穿袜足迹和穿鞋足迹，目前赤足足迹和穿袜足迹的自动识别已有相关学者进行研究，而穿鞋足迹由于鞋底花纹的复杂性，成为了自动识别的一大难点，目前仍处于探索发展阶段10。本文聚焦于单枚穿鞋足迹的自动识别，通过采集不同人
17、穿同一种鞋的足迹，制作足迹识别数据集；同时基于深度学习，构建多尺度特征融合足迹识别网络，对足迹特征进行提取；最后经过大量实验，验证了本文提出的方法的优越性。1 穿鞋足迹数据集1.1 数据采集本文的数据采集在相关专家的指导下进行，采集方法与公安工作中采集鞋印样本的方法一致，志愿者穿上同一种鞋，鞋底沾附油墨，在白纸上行走，进行足迹样本的采集。每个人采集 4 8 幅足迹图像，如图 1 所示。其中同一人的左右脚足迹当做两类来进行划分，数据共有 521 类 1 172 幅足迹图像。同时按照大约3 1 的比例对数据集进行划分，随机选择 400 类作为训练集，121 类作为测试集，并且训练集类别和测试集类别
18、严格区分，测试集类别不会出现在训练集中。1.2 数据预处理首先，将采集的嫌疑人足迹图像进行裁剪，去掉了标尺等其他信息，只保留足迹痕迹的区域，同时保 证图像长宽比为 8 3。然后，考虑到现场足迹会出现痕迹较浅、背景复杂多样、噪声干扰大等问题，足迹采集过程中可能光照不均匀，对所有足迹样本采用自适应分割（OTSU、TRIANGLE 等）、交互式分割（Graph-Cut）等算法进行二值化处理，接着采用随机旋转、随机平移、随机擦除、重叠模糊、随机添加噪声的方式模拟真实案件中现场足迹可能产生的变化，对数据集进行了数据增强，如图 2 所示，最终数据集扩充为 16 254 幅足迹图像，图片分辨率归一到 280
19、105 像素大小。4072023 年 第 48 卷 第 4 期吴 憾,等：基于多尺度特征融合的穿鞋足迹识别网络 图1 穿鞋足迹图像Fig.1 Sh oe-wearing footprint images预处理统一大小阈值分割随机旋转随机平移随机擦除重叠模糊随机噪声图2 足迹 图像预处理Fig.2 Footprint image pre-processing2 多尺度特征融合网络2.1 算法整体结构本文提出了针对足迹识别 的深度学习网络FootNet 如图 3 所示，通过卷积神经网络提取足 迹特征向量，再将特征向量像 映射到 128 维的欧几里得空间中，利用向量之间的距离来区分不同的足迹图像。网
20、络总共包含以下 3 个 部分：足迹特征提取、多尺度足迹特征融合、足迹特征学习和比对。随机旋转随机平移随机擦除重叠模糊随机噪声统一大小阈值分割预处理刑事技术Forensic Science and Technology4082023 年 第 48 卷 第 4 期ConcatConcatenateTriplet Loss&ArcFace LossLayer 1Layer 2Layer 3Layer 4图3 基于多 尺度特征融合的穿鞋足迹识别网络整体架构Fig.3 The network structure for shoe-wearing footprint recognition based o
21、n multi-scale feature fusion2.2 足迹特征提取由于所有的足迹图像都先进行了二值化处理，图像整体较为简单，所以利用一般的深度学习网络提取特征时，网络容易出现过拟合的现象，这种现象的出现会限制网络的深度，让网络无法提取到图像更丰富的特征，造成模型精度的降低。为了解决这一问题，本文选择采用 ResNet18 作为基础网络模型来进行足迹特征提取。ResNet18 包含 4 个 基础模块，每个基础模块包含 2 个残差模块，每个残差模块有 2个卷积层，加上最后的全连接层，网络深度一共为18 层。ResNet 中的残差模块能够将这一层的输入叠加到下层的输出上，使得堆积层在输入特
22、征基础上能学习到新的特征，解决网络深度加深带来的过拟合问题，从而拥有更好的性能。2.3 多尺度特征融合模块在利用深度学习网络提取穿 鞋足迹图像特征时，网络通过逐步的降采样，提取不同分辨率下足迹图像的信息得到最后的特征。但不同尺度的足迹图像特征对于最后的识别任务提供的贡献是不一样的。浅层网络图像分辨率高，对于足迹痕迹细节信息提取多，但语义信息表征能力弱；深层网络图像分辨率低，语义信息表征能力强，但几何特征信息缺乏。为了更好地利用不同尺度之间的信息特征，本文采用了一个多尺度特征模块来对其进行融合。多尺度特征融合模块被广泛用于目标检测和目标分割领域，其充分结合不同层次的语义信息取得了不错的效果。特征
23、金字塔是多尺度特征融合中一个具有代表性的网络，它首先应用于目标检测领域11。其中有一种双向金字塔融合操作 BiFPN12，它包括一个自上而下和一个自下而上的路径，在特征金字塔的每一层聚集特征。本文将双向特征金字塔结构引入到足迹识别任务中，如图 3 所示，在足迹图像通过 ResNet18 进行特征提取后，首先将得到的四层特征 L1,L2,L3,L4 通过自顶向下和自底向上进行双向特征融合。此外，在同一层的输入节点和输出节点之间增加一条跨越连接，这样在不增加成本的情况下融合更多的特征。其次由于不同的输入特征具有不同的分辨率，它们通常对输出特征的贡献是不平等的。因此又为每个输入添加一个额外的权重，并
24、让网络学习每个输入特征的重要性，最后通过平均池化层将融合的不同分辨率的特征连接起来。2.4 损失函数本文中采用 Triplet Loss13和 ArcFace Loss14作为损失函数对足迹特征进行度量学习。其中损失函数公式为：(1)(2)(3)其中，Triplet Loss 的目的是为了让构造的任意三元组的类内距离尽可能地小，类间距离尽可能地拉大。ArcFace Loss 是为了进一步扩大异类样本间的类间距离和缩小同类样本间的类内距离。针对穿鞋足迹图像差异性小的特点，两种损失函数联合学习能够更好地区分足迹图像。本文后续所有实验中的深度学习网络除 非特殊说明，否则均采用 Triplet Los
25、s 加 ArcFace Loss 作为损失函数。4092023 年 第 48 卷 第 4 期吴 憾,等：基于多尺度特征融合的穿鞋足迹识别网络3 实验结果和分析3.1 评价指标3 3.1 1.1 1 累计匹配曲线 累计匹配曲线 累计匹配曲线（cumulative matching characteristics,CMC）在人脸识别、行人重识别等领域使用非常广泛，是一种重要的评价指标，用以表示识别结果相似性降序排列中前 N 的结果包含目标的准确率，通常用 Rank-N 表示，其中 N 为查询结果占总样本数的比率。本文中测试样本总数为 250，N 分别采用 1%，5%，10%来进行评测，记为 R1，
26、R5，R10。3 3.1 1.2 2 足迹 足迹 1 1 1 1 验证准确率 验证准确率 从未训练的足迹数据集中随机选出 6 000 对足迹组成足迹识别对，其中 3 000 对属于同一个人的 2 张不同足迹，3 000 对属于不同人的每人 1 张足迹。测试过程中，将 6 000 对足迹图像输入系统，询问系统两张足迹图像是否为同一个人，系统给出“是”或“否”的答案。通过 6 000 对足迹测试结果的系统答案与真实答案的比值可以得到足迹 1 1 验证准确率（Acc）。3.2 执行细节本文使用 ResNet18 作为主干网络。输入足迹图像分辨率为 280105。总迭代次数设为 150 Epoch。采
27、用 Adam 优化器，初始学习率为 10-3，学习率根据当前 Epoch 自动调整，训练的 Batch Size 设置为 96。本文算法模型选择在 NVIIDA GTX1080Ti GPU 上进行训练和测试，在 Pytorch 框架上部署实施。3.3 消融实验为了验证本文所提网络中各模块的有效性，分别进行了以下几组消融实验。1）多尺度特征融合模块在本文 2.3 节中，引入了双向特征金字塔模块，使网络更好地融合足迹的浅层和深层语义特征，为了比较特征金字塔结构对网络效果的提升程度，本文设计了两组对比实验：一是只有骨干网络 ResNet18 的网络，记为 Baseline；二是包含双向特征金字塔模块
28、的足迹识别网络，记为 FootNet。两者损失函数均为 Triplet Loss 加上 ArcFace Loss，最终对比结果如表 1 所示。表1 多尺度特征融合模块消融实验结果 Table 1 Ablation experiment results of multi-scale feature fusion module%模型AccR1R5R10Baseline92.5066.2789.1692.77FootNet93.1093.1072.6972.6993.1793.1795.1895.18注：加粗表示最好的结果。由表 1 可以看出，在网络中加入多尺度特征融合模块，足迹 1 1 验证准确率
29、增加了 0.60 个百分点，Rank1%提升了 6.42 个百分点，Rank5%提升了4.01 个百分点，Rank10%提升了 2.41 个百分点。结果充分证明了多尺度特征融合模块可以有效融合足迹图像的浅层信息和深度信息，从而提升足迹识别的精度。2）损失函数在本文 2.4 节中介绍了使用的损失函数，是用Triplet Loss 和 ArcFace Loss 联 合 组 成 的，为 了 测试这两种损失函数的融合给网络带来的效果提升程度，本文以 FootNet 的网络结构为基础，分别用 3种不同的损失函数进行训练，最终对比结果如表 2所示。表2 损失函数消融实验结果 Table 2 Ablatio
30、n experiment results of the loss function%模型AccR1R5R10Triplet92.567.8792.9394.78ArcFace92.4341.3768.6577.91Tri+Arc93.193.172.6972.6993.1793.1795.1895.18注：加粗表示最好的结果。由表 2 可以看出，网络用 Triplet Loss 和 ArcFace Loss 联合进行度量学习在所有指标上都优于只用其中一种损失函数的结果，这也证明了将两种损失函数结合起来更有利于足迹识别任务。3.4 对比实验由于目前单枚穿鞋足迹识别没有相关深度学习研究方法，本文先
31、与传统的纹理特征提取方法进行比较，如 LBP、GLCM，再和 一些优秀的网络模型进行比较，如：InceptionNet-V1、EfficientNet12、DenseNet、VGG16、ResNet50、Xception，将这些算法在足迹数据集上进行训练，再和 FootNet 测试比较，所有对比的网络均采用其原有的网络框架，不添加任何模块，损失函数与 FootNet 保持一致，对比结果如表 3所示。从表 3 可以看出，本文提出的算法在大部分指标上都远优于其他算法，进一步体现了在穿鞋足迹识别上的优越性。为了更直观地体现网络的足迹识别效果，本文对部分足迹测试图像的前 10 名识别结果按照相似度由高
32、到低的顺序进行展示，如图 4所示。刑事技术Forensic Science and Technology4102023 年 第 48 卷 第 4 期 表3 不同网络在足迹数据集上的实验结果对比Table 3 Recognition results of different networks on footprint dataset%方法AccR1R5R10LBP40.7031.7353.4163.05GLCM51.638.4328.9146.18InceptionNet-V189.1043.3779.9286.35Effi cientNet92.8063.4588.3595.1895.18De
33、nseNet90.5052.2183.5391.57VGG1691.5054.2285.9492.36ResNet5092.5046.9881.9290.76Xception92.7555.4186.3594.78FootNet(ours)93.1093.1072.6972.6993.1793.1795.1895.18注：加粗表示最好的结果。图4 足迹识别相似性前十降序排列结果（绿色框表示与查询足迹为同一人）Fig.4 Top 10 descending ranking results of footprint recognition similarity(green box indicate
34、s the same person as the query footprint)4112023 年 第 48 卷 第 4 期吴 憾,等：基于多尺度特征融合的穿鞋足迹识别网络4 迁 移学习虽然本文提出的方法在自制的数据集上取得了很好的效果，但是在刑事案件中，凶手穿的鞋是不可预估的，网络模型识别没有训练过的鞋底花纹时，其准确率会大打折扣。想要网络模型能全部识别这些不同鞋底花纹的足迹，需要大量采集不同鞋子的足迹来进行训练，这样需要耗费巨大的人力、物力、财力。为了解决这一问题，我们采取了迁移学习的方法。迁移学习是一种机器学习方法，其以训练好的模型作为起始点，通过寻找已知问题和未知问题之间的联系，用最
35、小的代价来达到最好的效果。鞋底花纹虽然种类繁多，但其最终反映出人的特点特征是一样的，不同鞋子之间的联系是紧密的，这刚好符合迁移学习的思想。本文也做了相关的实验验证了这个方法的可行性。首先，采集另一种鞋底花纹的穿鞋足迹样本，总共 91 类 191 张，在对数据集进行数据增强后进行划分，其中 50 类作为训练集，41 类作为测试集，因为采集样本数量较少，足迹 1 1 验证准确率只随机选择 1 000 对，累计匹配曲线的测试样本总数为 92。接着，利用 FootNet 来进行训练，将已经训练好的足迹识别模型作为预训练模型进行加载，冻结预训练模型的所有卷积层，只训练剩下全连接层。为了考察迁移学习对新的
36、鞋底花纹的有效性，本文设计了 4 组对比实验：一是不进行迁移学习，直接用原来的足迹训练模型进行测试，记为 FootNet；二是不进行迁移学习，将新的鞋底花纹训练样本加入原来的训练样本中，从头开始训练，记为 FN-train；三是将新的足迹样本加入到原来的训练样本中进行迁移学习，记为 FN-TL-all；四是只利用新的鞋底花纹训练样本进行迁移学习，记为 FN-TL-50。实验结果如表 4 所示。表4 不同方法在新的鞋底花纹上的实验结果Table 4 Experiment results of different methods on new shoe patterns%模型AccR1R5R10F
37、ootNet83.5058.2480.2290.11FN-train87.1573.6273.6286.8192.31FN-TL-all86.2071.4283.5189.01FN-TL-5088.8588.8571.4390.1190.1193.4193.41注：加粗表示最好的结果。由表 4 可以看出，网络模型在面对没有训练过的鞋底花纹时，其识别准确率很不理想，但经过迁移学习后，不管是 FN-TL-50 还是 FN-TL-all，最后针对这一种花纹的识别准确率都有了大幅度的提升，特别是 FN-TL-50，其 Rank1%和 Rank5%对比FootNet 都有着 10 个百分点左右的提升。再
38、看 FN-train 和 FN-TL-50，FN-TL-50 除 了 Rank1%稍 差，其余指标均优于 FN-train，并且 FN-TL-50 在训练速度上是远远快于 FN-train 的。由此可以得出结论：迁移学习在面对网络模型未见过的花纹时，是一种比较好的解决方法。此外，本文也针对迁移学习后新模型对以前的鞋底花纹识别准确率是否有变化做了相关实验，结果显示如果只用新的鞋底花纹样本进行训练，得到的模型对于以前的鞋底花纹识别准确率是有一定下降的，但如果将新的鞋底花纹样本加入到原来的训练样本中进行迁移学习，得到的模型对于原来的鞋底花纹识别准确率是不受影响的。针对足迹花纹种类繁多的问题，迁移学习
39、的方法可以说能够很好地解决。而且相比于大量采集不同花 纹的足迹样本，其成本大大降低了，而且效率也得到了很大的提高。当然如果只用新的鞋底花纹样本进行迁移学习，会对以前的鞋底花纹识别造成一定的影响，所以需要根据实际情况来进行选择，如果只追求模型对新的鞋底花纹的识别准确率，那么就只需使用新的鞋底花纹样本进行迁移学习，如果在追求新的鞋底花纹识别准确率的同时，还要保证模型对原有鞋底花纹的识别效果，那么则需要将新的鞋底花纹样本加入到原有的足迹样本中一起进行迁移学习。5 总结与展望本文对单枚穿鞋足迹的自动识别问题展开了研究。首先制作了相关的穿鞋足迹数据集，并进行了数据增强，大幅增加了样本的数量。接着利用多尺
40、度特征融合网络对足迹样本的特征进行提取学习，在数据集上达到了较高的准确率；最后针对犯罪现场足迹花纹不可预估的问题，提出了迁移学习的方法，进一步提高了网络模型的泛化性，实现了较好的识别效果。当然，本文所做的工作还有许多可以提升的地方，未来可以尝试继续扩充足迹数据集，将不同的鞋底花纹按大类划分，采集一些具有代表性的鞋底花纹数据，进一步增强网络的泛化性。同时本研究刑事技术Forensic Science and Technology4122023 年 第 48 卷 第 4 期针对的都是完整的足迹，而残缺足迹在刑事案件中的占比是很大的，其也是足迹识别中的一大难点，将来需要在这方面有所突破。参考文献 1
41、 金益锋，于霄雪，王丽，等.基于多尺度特征的赤足足迹图像人身识别算法 J/OL .刑事技术.2022-06-02 .https:/doi.org/10.16467/j.1008-3650.2021.0175.(JIN Yifeng,YU Xiaoxue,WANG Li,et al.Algorithm ofpersonal recognition based on multi-scale features frombarefoot footprint image J/OL.Forensic Science andTechnology.2022-06-02 .https:/doi.org/10.1
42、6467/j.1008-3650.2021.0175.)2 姚力，卓玉.判别分析法在鞋底磨损特征检验中的应用 J .刑事技术，2009(1):13-16.(YAO Li,ZHUO Yu.Discriminant analysis wear characteristicsof shoes J .Forensic Science and Technology,2009(1):13-16.)3 武帅，刘威，崔岩.对足迹进行同一认定的探讨 J .中国人民公安大学学报（自然科学版），2005(4):13-16.(WU Shuai,LIU Wei,CUI Yan.Carry on the samedete
43、rmination to the footprint discussion J .Journal of People sPublic Security University of China(Science and Technology),2005(4):13-16.)4 李孟歆，孙艺桐，刘桐序.基于混合滤波 LBP 的鞋底足迹识别 J .信息技术与信息化，2018(10):86-89.(LI Mengxin,SUN Yitong,LIU Tongxu.Sole footprintrecognition based on hybrid filter LBP J.InformationTechn
44、ology and Informatization,2018(10):86-89.)5 SZEGEDY C,LIU W,JIA Y,et al.Going deeper withconvolutions C /Proceedings of the IEEE conference oncomputer vision and pattern recognition,2015:1-9.6 HUANG G,LIU Z,VAN DER MAATEN L,et al.Denselyconnected convolutional networks C /Proceedings of theIEEE conf
45、erence on computer vision and pattern recognition,2017:4700-4708.7 SIMONYAN K,ZISSERMAN A.Very deep convolutionalnetworks for large-scale image recognition J/OL .arXiv.2020-10-16 .https:/arxiv.org/abs/1409.1556.8 HE K,ZHANG X,REN S,et al.Deep residual learning forimage recognition C /Proceedings of
46、the IEEE Conference onComputer Vision and Pattern Recognition,2016:770-778.9 CHOLLET F.Xception:deep learning with depthwiseseparable convolutions C /Proceedings of the IEEEconference on computer vision and pattern recognition,2017:1251-1258.10 高毅，戴贝贝，张斌.穿鞋足迹鞋底花纹与足底部位相关性研究 J .中国人民公安大学学报（自然科学版），2020,
47、26(2):10-15.(GAO Yi,DAI Beibei,ZHANG Bin.The Correlation betweensole patterns and plantar position of footprints when wearingshoes J .Journal of People s Public Security University ofChina(Science and Technology),2020,26(2):10-15.)11 LIN T Y,DOLLR P,GIRSHICK R,et al.Feature pyramidnetworks for objec
48、t detection C /Proceedings of the IEEEconference on computer vision and pattern recognition,2017:2117-2125.12 TAN M,PANG R,LE Q V.EfficientDet:scalable andeffi cient object detection C /Proceedings of the IEEE/CVFconference on computer vision and pattern recognition,2020:10781-10790.13 SCHROFF F,KAL
49、ENICHENKO D,PHILBIN J.FaceNet:a unifi ed embedding for face recognition and clustering C /Proceedings of the IEEE conference on computer vision andpattern recognition,2015:815-823.14 DENG J,GUO J,XUE N,et al.ArcFace:additive angularmargin loss for deep face recognition C /Proceedings ofthe IEEE/CVF Conference on Computer Vision and PatternRecognition,2019:4690-4699.收稿日期：2022-06-20；修回日期：2022-10-17引用本文格式：吴憾，赵蔺，孟小平，等.基于多尺度特征融合的穿鞋足迹识别网络J.刑事技术，2023,48(4):405-412.
