🔍 耿同学打假报告

论文信息

论文来源：融合混合注意力与检测头的道路障碍物检测_李玉娟.pdf
标题：融合混合注意力与检测头的道路障碍物检测
作者：李玉娟，葛动元，姚锡凡，周浩伟
期刊：科学技术与工程
DOI：10.12404/j.issn.1671-1815.2500190
发表年份：2026

综合评定：🔴 实锤（数据存在无法解释的数学矛盾，且采用“田忌赛马”式的严重误导性比较）

详细发现

发现 1：数据造假检测 —— 消融实验参数量出现“化学反应”式暴增

位置：表 1（消融实验结果）
描述：在表1中，作者进行模块的消融实验。单独添加 AKConv 时（行2），参数量为 2.81M；单独添加 D-DySample 时（行3），参数量为 2.89M。然而，当同时添加 AKConv 和 D-DySample 时（行6），参数量竟然直接飙升到了 10.43M！
证据：
根据深度学习模型的结构叠加原理，如果两个模块单独加入基线模型（2.87M）后参数量变化不大（2.81M, 2.89M），组合使用时参数量绝不可能突变成原先的3.6倍。要么作者在组合时偷偷改变了基线模型的结构（例如把 YOLOv8n 换成了 YOLOv8s），要么就是表格数据纯属捏造。这种“1+1=4”的数学奇迹，说明作者连造假都没造圆。
严重程度：🔴

发现 2：不公平比较（田忌赛马式造假） —— 掩盖模型体积暴增的致命缺陷

位置：摘要、表 2、表 3
描述：作者在摘要中声称“设计参数共享检测头，降低参数量”，并吹嘘自己比 YOLOv9-t、YOLOv10、YOLOv11 等算法精度高。但在表3中，作者的真实模型（ADMH-YOLOv8）参数量高达 9.65M，浮点运算量高达 20.5G！
证据：
作者拿自己 9.65M / 20.5G 的“大模型”，去和 YOLOv5n(1.68M)、YOLOv9-t(2.50M)、YOLOv10(2.57M)、YOLOv11(2.46M) 等轻量级 nano/tiny 模型比精度。一个参数量比别人大 3~4 倍的模型，mAP 高出 2% 本就是理所应当，根本证明不了文中花哨的“混合注意力”、“动态上采样”起了作用。作者在文字中极力淡化模型变臃肿的事实，属于典型的“田忌赛马”式学术误导。
严重程度：🔴

发现 3：文本复制异常 —— 极其敷衍的写作态度

位置：第 3.2 节（数据集标注）
描述：在 3.2 节的第一段末尾，出现了同一句话的完全重复复制粘贴。
证据：
原文：“目标框坐标表示障碍物在图像中的具体位置和尺寸，而类别信息则标明了障碍物的类别。类别信息则标明了障碍物的类别。”
连词句都懒得删，这种低级错误出现在正式发表的期刊上，反映出作者和审稿人的极度不用心。
严重程度：🟠

发现 4：数据造假检测 —— 缺乏统计学支撑的“微小提升”

位置：表 1、第 4.3 节（消融实验）
描述：作者声称各种模块“均有不同程度的提升”，但观察表1的 mAP50，基线为 91.8%，加了各种模块后变成 91.9%、92.1%、92.2%。
证据：
在目标检测任务中，0.1% ~ 0.4% 的 mAP 提升完全在随机误差和训练波动的范围之内。作者不仅没有报告多次实验的均值±标准差（SD），反而将这不到 0.5% 的波动当做“本文算法具有较强的检测能力”的确凿证据，缺乏基本的严谨性。
严重程度：🟠

发现 5：引用与方法学异常 —— 基金支持时间线存疑

位置：首页脚注
描述：论文投稿时间为 2025-01-08，但标注的基金项目为“国家自然科学基金(51765007)”。
证据：
517 开头的国自然项目通常为 2017 年批准立项，项目执行期一般为 4 年（2017-2021）。一篇 2025 年初投稿的论文，仍在唯一标注一项早已结题 3 年以上的 2017 年老基金，这在学术规范中虽不绝对禁止，但通常暗示课题组近年缺乏相关的新基金支持，或者只是强行挂靠。
严重程度：🟡

补充说明

关于时间线：文中提到了 YOLOv11，YOLOv11 于 2024 年 10 月左右发布，投稿日期为 2025 年 1 月，时间逻辑上尚属合理。
关于图片复用/拼接：文本中未提供图片的原始像素信息，无法进行 Western blot 等级别的图像取证，但从行文逻辑看，图表内容高度配合其无法自圆其说的数据。

耿同学辣评

把 YOLOv8n 改成了参数量翻三倍的“臃肿胖子”，然后跑去跟一帮 nano 级别的“小瘦子”比举重，赢了还要吹嘘自己是因为做了“广播体操”（注意力机制）才力气大的。更离谱的是，消融实验里的参数量加法算出了“1+1=4”的奇迹，这是把深度学习当成炼金术了？连段落都能复制粘贴发出来，这就叫“融合混合注意力”，是不是注意力都用在复制粘贴上了？

建议后续行动

联系作者要求提供原始训练日志和模型配置文件（以查证表1参数量暴增的真相）
在 PubPeer 上提出质疑
向期刊编辑部举报（指出其表1数据存在不可调和的数学矛盾，以及对比实验的不公平性）

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

融合混合注意力与检测头的道路障碍物检测