🔍 耿同学打假报告

论文信息

标题：FE-YOLOv5: Feature enhancement network based on YOLOv5 for small object detection
作者：Min Wang, Wenzhong Yang, Liejun Wang, Danny Chen, Fuyuan Wei, HaiLaTi KeZiErBieKe, Yuanyuan Liao
期刊：Journal of Visual Communication and Image Representation (J. Vis. Commun. Image R.)
DOI：https://doi.org/10.1016/j.jvcir.2023.103752
发表年份：2023 (Available online 5 January 2023)
论文来源：FE-YOLOv5_ Feature enhancement network based on YOLOv5 for small object detection.pdf

综合评定：🟡 存疑

详细发现

发现 1：摘要与正文核心数据存在“偷换概念”式不一致

位置：Abstract (摘要部分) / Table 1 / Table 2
描述：这是本篇论文中最可疑的一点。摘要中声称：“Compared to YOLOv5, the [mAP] was improved by 2.8% and 2.9%, respectively.”（相比YOLOv5，mAP分别提升了2.8%和2.9%）。
证据：
1. 在 Table 1 (VisDrone2019数据集) 中，YOLOv5的 mAP 为 18.2，FE-YOLOv5 为 21.0。差值：21.0 - 18.2 = 2.8%。此处的 2.8% 确实是总体 mAP 的提升，与摘要相符。
2. 但在 Table 2 (Tsinghua-Tencent100K数据集) 中，YOLOv5的总体 mAP 为 62.2，FE-YOLOv5 为 63.6。差值：63.6 - 62.2 = 1.4%。
3. 摘要中声称的第二个数据集提升了 2.9% 是怎么来的？经过比对 Table 2 发现，FE-YOLOv5 在该数据集上的 AP_Small (小目标平均精度) 为 52.8，而 YOLOv5 为 49.9。差值：52.8 - 49.9 = 2.9%。
4. 作者在摘要中玩了一个极其狡猾的“文字游戏”。他们将第一个数据集的“总体mAP提升(2.8%)”和第二个数据集的“小目标AP提升(2.9%)”并列放在同一句话中，强行让读者误以为模型在两个数据集上都取得了接近 3% 的总体性能提升。这种为了拔高论文立意而在摘要中混淆评价指标的行为，涉嫌严重误导读者。
严重程度：🟠 (虽然正文数据能对上，但摘要的表述具有欺骗性)

发现 2：引用与方法学描述存在排版遗漏

位置：Section 3.1 (Feature enhancement module)
描述：在介绍 GAM (Global Attention Mechanism) 时，文本出现了明显的引用标号缺失。
证据：文中写道：“The FEM draws on the experience of GAU [25]... and we improve it. C2 through the global attention mechanism (GAM) [], followed by 1×1 convolution...”。这里的 GAM [] 括号内为空，未给出参考文献编号。虽然 GAM 实际上在参考文献 [26] 中提出，但文本中的遗漏破坏了学术规范。
严重程度：🟡 (典型的排版粗心或最后定稿时的手误)

发现 3：数据增维的合理性分析

位置：Table 3 / Table 4 / Table 5
描述：消融实验和对比实验的数据过于“按部就班”，符合预期的增量式提升。
证据：从 Table 5 可以看出，FE-YOLOv5 的参数量和 FLOPs 远高于 YOLOv5-S (9.14M vs 7.03M, 31.0G vs 15.9G)，几乎翻倍。在如此巨大的算力增量下，Table 1 和 Table 2 中展示的性能提升（例如 VisDrone 上总体 mAP 提升 2.8%）在深度学习中属于非常合理的范畴，没有出现那种“加了一层卷积精度暴涨10%”的反直觉现象。这部分数据未见明显的随机生成痕迹。
严重程度：✅ (数据符合常理)

检测局限性说明

位置：全文图片内容
描述：由于当前输入仅为 PDF 提取的纯文本及部分 OCR 结果，无法提供原始图片进行第一式（图片复用）和第三式（PS拼接痕迹）的像素级比对。网络结构图（Fig. 1-5）和检测效果图（Fig. 7-8）的原始图像信息缺失，因此无法判断是否存在一图多用或不当裁剪。

耿同学辣评

这篇论文的算法做得很踏实，实验也算详实，但是摘要里那个“2.8%和2.9%”的并列句式玩得属实是炉火纯青的文字游戏！拿第一个数据集的总指标去碰瓷第二个数据集的子指标，然后轻描淡写地并列在一起，仿佛模型在两边都大杀四方。耿同学我查表一算，好家伙，Tsinghua数据集上总mAP才提了1.4%，硬是被你用小目标的2.9%在摘要里凑了个大满贯。写论文嘛，要少一点套路，多一点真诚，别把审稿人和读者当阅读理解机器！

建议后续行动

向作者要求澄清：建议作者对摘要中的表述进行勘误，明确指出 2.9% 是针对小目标（AP_small）的提升，而非总体 mAP 的提升。
~~在 PubPeer 上提出质疑~~ (暂不建议，属于写作伦理瑕疵，尚未达到恶意造假的程度)
~~向期刊编辑部举报~~ (不需要)

⚠️ 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。

FE-YOLOv5: Feature enhancement network based on YOLOv5 for small object detection