面向 Forensic 鞋印分析的可扩展空间点过程模型

从犯罪现场恢复的鞋印证据在侦探工作中扮演关键角色。通过检查鞋印，侦探可确定侦 suspect 所穿鞋的细节。然而，仅仅确认嫌疑人的鞋子与犯罪现场鞋印的品牌和型号可能不足以确立等效性。通常，数千双相同尺寸、品牌和型号的鞋子都可能导致该鞋印。因此，侦探常检查鞋印是否出现“意外事件”，即切割、刮伤及其他购买后因使用而积累的特征。虽然某些意外事件模式在特定类型鞋子上较为常见，但其他模式则高度具有辨识度，可能将嫌疑人的鞋子与其他所有鞋子区分开来。量化某模式稀有性因此至关重要，以准确衡量 Forensic 证据的强度。本研究通过开发分层贝叶斯模型来完成此任务。本方法的改进主要源于两个方面：其一，我们将方法表述为潜在高斯模型，从而通过集成嵌入的拉普拉斯近似值实现对大量标注鞋印集合的高效推断；其二，我们纳入空间变系数，以建模鞋子纹路模式与意外位置之间的关系。我们通过在保留数据上的优异性能演示了这些改进，提升了 Forensic 鞋印分析的准确性和可靠性。