通过深度学习减少法医微痕迹识别中的手工劳动
Gerben Rijpkema1, Dylan Kalisvaart1, Serafim Korovin1
1Delft Center for Systems and Control, Delft University of Technology, Delft, The Netherlands.
Forensic science international
|December 23, 2025
概括
深度学习模型自动化了法医微痕分析,大大减少了手动数据注释的需要. 预训练策略提高了纤维,毛发和其他痕迹证据的识别精度.
科学领域:
- 法医科学 法医科学 法医科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 对法医微痕的微观分析是耗时和劳动密集的.
- 需要自动化方法来协助法医专家进行痕迹识别和分类.
研究的目的:
- 在法医调查中开发和评估用于自动化微痕迹识别的深度学习模型.
- 调查预训练策略,以尽量减少这些模型所需的数据注释工作负载.
主要方法:
- 利用深度学习对提带样本进行像素分类,以定位和分类微痕迹 (纤维,毛发,皮肤,玻璃,沙子).
- 对比了各种预训练策略:ImageNet预训练,自我监督学习预训练,以及两者的顺序组合.
- 基于预测准确度和减少手动注释工作的评估模型性能.
主要成果:
- 与从头开始训练相比,预训练模型减少了对注释数据的需求两倍,同时保持了预测准确性.
- 结合ImageNet和自我监督的预训练,获得了最高的准确性,实现了手动注释的四倍减少.
- 由于预训练,工会上的平均交点从0.34提高到0.56,显示出更好的识别和本地化.
结论:
- 深度学习模型,特别是在使用联合预训练策略时,为法医微轨迹扫描的自动化分析提供了坚实的基础.
- 这些自动化方法可以通过减少手动注释工作量,显著提高法医调查的效率和准确性.
