🔍 耿同学打假报告

论文信息

(注：由于仅提供纯文本且公式存在乱码，无法进行完整的像素级图像查重。但仅从文本逻辑和数据分析来看，本文已暴露出严重的数学矛盾与学术不端隐患。)

位置：Section 4.4 (Ablation Experiments) 文本描述 vs Table 2 数据
描述：作者在消融实验的文字描述中，严重夸大了模块的性能增益，给出的百分比与表格中的实际数据完全对不上，纯属"闭眼编造"或"随机数生成"。
证据：
1. 关于 Text cross-attention 的收益：文中声称 "contributing performance gains of +25% AP, +7% AP50, and +12.6% AP75"。但查看 Table 2，Ours (33.7, 84.8, 16.1) 减去 w/o text cross-attention (26.9, 79.0, 14.3)，实际绝对提升仅为 +6.8% AP, +5.8% AP50, +1.8% AP75。
2. 关于 $L_\alpha$ 的收益：文中声称 "contributing gains of +7% AP, +1% AP50, and +12% AP75"。实际计算 Ours 减去 w/o $L_\alpha$ (33.0, 84.7, 14.9)，绝对提升仅为 +0.7% AP, +0.1% AP50, +1.2% AP75。
  (哪怕作者强行解释这是"相对提升率"，计算结果也完全对不上，例如 $L_\alpha$ 的 AP 相对提升仅为 2.1%，绝非 7%)。
严重程度：🔴 (核心实验数据描述造假，严重的学术不端)

位置：Abstract vs Conclusion
描述：对于核心评价指标 $AP_{50}$ ，作者自己在摘要和结论中写的数值都不一样。连自己的实验结果都记不住，令人怀疑数据是否是随手填上去的。
证据：
- Abstract 明确写道："demonstrate the model’s effectiveness with AP, $AP_{50}$ ... scores of 33.7%, 84.8%..."
- Conclusion 却写道："achieving metrics of AP (33.7%), $AP_{50}$ (84.4%), $AP_{75}$ (16.1%)..."
严重程度：🟠 (典型的复制粘贴后忘记统一修改的粗心失误，但在学术论文中属于致命伤)

位置：Table 1
描述：为了凸显自己模型的优越性，作者强行拉了一个表现极差的基线模型作对比，且对比逻辑存在严重漏洞。
证据：
- 在 Table 1 中，倒数第二行 "MM-Grounding-DINO [24]" 的 AP 仅为 1.0%，AR 仅为 8.0%。而 Ours 达到了 33.7%。
- 脚注 1 写道："Results of MM-Grouding-DINO's test using publicly available pre-trained model weights"。
- 逻辑漏洞：作者直接拿公开的零样本/通用预训练权重去测试专业的遥感船舶数据集，得出极低的 1.0% 性能，然后与自己使用该数据集充分微调后的模型进行对比，从而得出 "Our model demonstrates significant superiority" 的结论。这在计算机视觉领域是不公平的对比（Fair Comparison 原则）。
严重程度：🟠 (故意拉低基线以拔高自身创新性)

位置：Section 3.1 & Section 4.2
描述：论文声称采用了基于文本和图像融合的多模态检测机制（Swin-Transformer + BERT），但使用的数据集逻辑上根本不需要这种复杂的多模态设计。
证据：
- Section 4.2 说明使用的是 Levir-Ship 数据集。这是一个标准的纯视觉遥感目标检测数据集，只有 "Ship" 这一个类别。
- 论文在 Section 3.2 提到："all categories from the detection dataset are merged into a single continuous string, such as 'Car. Tree. Dog. Bicycle.'"。对于只有 "Ship" 一类的数据集，所谓的 "语言引导的查询选择" 退化成了在一个单词 "ship" 上的自注意力机制，这完全背离了多模态大模型（如 GLIP, Grounding DINO）处理开放词汇的初衷。
- 怀疑：作者大概率是直接套用了某开源多模态检测代码库，没有做任何针对单类别的适配，强行凑字数凑创新点。
严重程度：🟡 (属于灌水论文的典型特征：新瓶装旧酒，方法与数据不匹配)

位置：Section 3.2 Training Setting
描述：作者声称的训练硬件配置在现实中极难实现，存在伪造实验细节的嫌疑。
证据：
- 文中声称："We train the model for 100 epochs on 8 NVIDIA 4090 GPUs with a batch size of 64."
- 众所周知，NVIDIA RTX 4090 显存为 24GB。包含 Swin-Transformer 和 BERT 的多模态大模型（类似 Grounding DINO 架构）极其吃显存。在 512x512 分辨率下，单卡 4090 跑这类模型 Batch Size 通常只能设为 1 到 2。即便有 8 张卡，全局 Batch Size 也极难达到 64（除非使用极其夸张的梯度累加，但文中并未提及）。
严重程度：🟠 (实验复现性极低，涉嫌虚构实验环境)

这篇论文可以说是把"学术包装学"玩到了极致：摘要和结论的数据都能打架，消融实验的百分比全靠意念计算，拿通用的预训练权重当炮灰来衬托自己的微调结果，甚至能在单类别的遥感数据集上硬生生写出多模态文本融合的故事。建议作者改行去写科幻小说，那里的数字想怎么编就怎么编，不用管表格里填的是啥！

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。