🔍 耿同学打假报告

论文信息

论文来源：3715698.pdf (用户提供文本)
标题：SRF: SpectrumRecombineFormer for Hyperspectral Image Classification
作者：Weipeng Jing, Peilun Kang, Donglin Di, Juntao Gu, Linhui Li, Mahmoud Emam, Linda Mohaisen, Xun Yang, Chao Li
期刊：ACM Trans. Multimedia Comput. Commun. Appl. (ACM TOMM)
DOI：https://doi.org/10.1145/3715698
发表年份：2025 (Publication date: November 2025)

综合评定：🟠 高度可疑

(注：由于仅提供文本而无法获取高清原图，本报告主要针对文本逻辑、数据异常和写作模式进行检测。基于现有文本证据，该论文存在明显的“量产型学术”特征及方法学描述矛盾。)

详细发现

发现 1：第六式：引用与方法学异常 —— 模型命名与引用文献张冠李戴

位置：Section 1 (Introduction), 参考文献 [20]
描述：在引言部分，作者写道：“Fu et al. [20] proposed a framework named SSRT-UNet, which, by integrating RNN and Transformer, enables the model to harness the strengths of both architectures...”
证据：查阅参考文献 [20] 的条目：“Guanyiman Fu... 2024. Hyperspectral image denoising via spatial-spectral recurrent transformer.”
该文献的研究主题是“高光谱图像去噪”，而不是作者在正文中声称的用于“分类”的“SSRT-UNet”框架。这说明作者在撰写综述或拼凑相关工作时，可能根本没有仔细阅读该文献，或者是从其他地方复制了错误的描述，属于典型的“贴错标签”或“引用错误”。
严重程度：🟠

发现 2：第五式：量产型学术 —— 大面积复制粘贴

位置：Section 1 (Introduction 最后一段) 与 Section 2.2 (Transformer-Based Approaches)
描述：论文的引言部分与相关工作部分存在极高重复度的段落，显然是直接复制粘贴而未做内容重组。
证据：
- 引言原文：“Recent studies have investigated the application of Transformer networks for HSI classification... For instance, He et al. [26] introduced a transformer-based model called HSI-BERT... Similarly, Hong et al. [29] developed SpectralFormer... In another study, Zhong et al. [71] presented a SSTN... Mei et al. [43] note that... Ahmad et al. [3] address the challenge...”
- 2.2节原文：“Recent studies have investigated the application of Transformer networks for HSI classification... For instance, He et al. [26] introduced a Transformer-based model called HSI-BERT... Similarly, Hong et al. [29] proposed SpectralFormer... In another study, Zhong et al. [71] presented a SSTN... Mei et al. [43] note that... Ahmad et al. [3] address the challenge...”
  这两段文字几乎一字不差，这在严肃的学术论文中是极不专业的表现，通常暗示着赶工、拼凑或“论文工厂”流水线作业。
严重程度：🟠

发现 3：第六式：引用与方法学异常 —— 实验描述前后矛盾

位置：Section 4.2 vs Section 4.3.4
描述：关于模型训练的 Epoch 设置，论文在不同章节给出了自相矛盾的描述。
证据：
- 在 4.2 Implementation Details 中写道：“...with the number of epochs set to 300 for all datasets.”
- 但在 4.3.4 Computational Cost and Convergence 中又写道：“The time required to train for 100 epochs for each method was recorded...”
  虽然作者可能是为了公平对比记录了100个epoch的时间，但在对比表格（Table 9）中列出的“Train (s)”数据，读者无法确定这是跑300个epoch的真实耗时，还是仅仅跑了100个epoch就截断了比较。这种模糊的描述损害了实验的可重复性。
严重程度：🟡

发现 4：第二式：数据造假检测 —— 对比方法异常低值

位置：Table 11 (Houston2013 Dataset)
描述：在 Houston2013 数据集的分类结果表中，部分对比方法在某些类别上表现异常差，甚至出现极端低值。
证据：
- 在 Class 6 (Water) 中，对比方法 PyFormer 的准确率仅为 1.85%（而其他方法大多在90%以上）。
- 在 Class 15 (Running Track) 中，PyFormer 为 71.21%，而其他方法均在97%以上。
- 分析：如果这是作者自己复现的 PyFormer，如此崩坏的性能要么是代码跑错了，要么是调参完全没调好。作者直接将这种明显不合理的对比数据放入表格中作为“SOTA对比”，有失严谨。真实合理的对比实验应该确保基线模型（特别是近年提出的Transformer模型）已经收敛并调至较优状态，而不是拿一个明显失败的训练结果来垫背。
严重程度：🟡

发现 5：说明 —— 第一式、第三式无法进行像素级分析

位置：全文图表
描述：由于本次输入为纯文本格式，无法提取 Figure 1, 2, 3 的原始图像以及 Figure 6-10 的分类可视化图像。
证据：因此，无法检测 Western Blot/凝胶电泳图是否复用（虽然本文为计算机视觉论文，不涉及此类图），也无法检测分类伪彩图是否存在拼接痕迹或通过数字手段修改分类精度的行为。
严重程度：无

耿同学辣评

这篇论文的写作属于典型的“缝合怪”风格。Introduction 和 Related Work 大段大段地复制粘贴，连改都不改一下，甚至连引用的论文是做“去噪”还是“分类”都没搞清楚就硬往上套。这就好比做菜连菜都没洗干净就下锅了，虽然最后端上来的数据（OA、AA）看着挺香，但这毛糙的手法，难免让人怀疑这数据是不是也是闭着眼睛瞎跑出来的。

建议后续行动

针对引用错误（Reference [20]），这属于事实错误，建议读者在引用该论文时保持警惕。
鉴于文本高度重复，建议期刊编辑部核查该论文是否使用了“论文工厂”服务或存在学术不端代写行为。
建议作者公开源码和完整的训练日志，特别是 PyFormer 在 Houston2013 数据集上为何表现如此糟糕，以证清白。
在 PubPeer 上提出质疑（针对复制粘贴和引用错误问题）。

⚠️ 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。

SRF: SpectrumRecombineFormer for Hyperspectral Image Classification