🔍 耿同学打假报告

论文信息

标题：面向道路障碍物及缺陷的轻量化实时目标检测算法
作者：庄其傲，葛动元，姚锡凡，宋昌鸿，贾立航
期刊：未知（中文核心或普通学报格式，未见具体期刊名）
DOI：未提供
发表年份：2026（推测，参考文献中出现了2026年的文献）
论文来源：面向道路障碍物及缺陷的轻量化实时目标检测算法1.pdf

综合评定：🔴 实锤

详细发现

发现 1：逻辑常识性硬伤——薛定谔的 FPS（推理速度）

位置：第 3.6 节 "不同优化方法的影响" 及表6
描述：表6对比了不同优化器（SGD, Adam, AdamW）对最终模型性能的影响。令人震惊的是，作者不仅报告了参数量、mAP和Recall，还报告了FPS（帧率）的变化：AdamW为149 fps，Adam为147 fps，SGD为150 fps。并且作者在文中煞有介事地分析："SGD...在最终速度指标上的轻微领先"。
证据：
1. FPS（Frames Per Second）是推理速度。模型一旦训练完成并固化权重（如导出为ONNX或.engine），其推理速度只受模型结构、输入尺寸、硬件算力、显存带宽影响。
2. 优化器只存在于训练阶段。它决定了梯度下降的方向，但在模型部署推理时，根本不存在"优化器"这个概念。
3. 同一个模型结构（Params均为2.88M），在不同优化器训练后，其浮点运算量（FLOPs）完全不变，绝不可能导致FPS出现2-3帧的差异。
4. 作者要么是完全不懂深度学习的部署原理，把训练时的损失收敛速度当成了FPS；要么就是为了凑数据，人为编造了这三组"完美"的对比结果。
严重程度：🔴 （致命逻辑错误，直接推翻该表数据的真实性）

发现 2：数据过度完美——"教科书式"的消融实验

位置：第 3.4 节 "消融实验" 及表4
描述：在深度学习的消融实验中，各项指标的变化往往伴随着随机性和波动。但该论文的表4数据呈现出一种令人窒息的"完美规律"。
证据：
1. FPS的刻意递减：随着模块增加，Params减小，FPS极其规律地上升（131 -> 144 -> 146 -> 150）。真实工程中，引入复杂的注意力机制（如DyHead的3D attention）往往会导致内存访问碎片化，FPS通常会下降或波动，而不是如此线性地提升。
2. 异常的精度反超：模型5（无DyHead，mAP=89.8%）居然比模型4（有DyHead，mAP=89.6%）精度更高。作者在下面用大段文字强行解释（"良性循环"、"特征筛选"）。实际上，DyHead本身就是用来提升精度的，如果去掉了精度反而变高，只能说明DyHead在这个模型里起了反作用，或者数据是被人为调整过以凸显作者提出的 DS-DAR 和 DySnakeConv 的有效性。
3. 所有的 mAP 和 Recall 数据均精确到小数点后一位，且差值大多为 0.1, 0.4, 1.2 这种极其规整的数字，缺乏真实实验中常见的噪声（如 88.73% 这种）。
严重程度：🟠 （高度疑似数据润色或选择性报告）

发现 3：时间线与命名穿越——YOLOv11 与 YOLOv12

位置：摘要、表5
描述：论文基于 "YOLOv11" 进行改进，并在表5中对比了 "YOLOv12n"。
证据：
1. 根据已知的时间线，Ultralytics 发布 YOLOv11 是在 2024 年下半年。而截至当前（2026年初），YOLOv12 的官方版本是否已经发布并广泛应用存疑（通常YOLO系列更新迭代极快，但文献引用中未见YOLOv12的来源）。
2. 在表5中，YOLOv12n 的参数量（3.3M）恰好与 YOLOv11n 完全一样，且 mAP 仅为 88.4%，低于作者的 90.1%。这种"为了衬托本文模型好，找一个最新的但还没调优好的模型来垫背"的行为，在学术打假中非常常见。且未标注 YOLOv12 的出处。
严重程度：🟡 （规范性问题，数据来源存疑）

发现 4：公式与行文的 PS 痕迹与复制粘贴

位置：全文公式（如公式1, 2, 4-19）
描述：论文的数学公式部分存在大量的复制粘贴拼接痕迹。
证据：
1. 公式(1)中的符号解释："⨂代表矩阵乘积"。但在标准线性代数和PyTorch中， channel attention 的加权通常是逐元素相乘，矩阵乘积符号应不是这个含义。
2. 公式(4)(5)是 DySnakeConv 的原文公式，作者直接照搬，但在文字描述中写道："卷积核中坐标位置表示为..."，上下文衔接生硬。
3. DyHead 的公式推导（公式8-19）占据了极大篇幅，几乎是把原论文 [14] 的内容重新默写了一遍。这种长篇大论的公式堆砌在短篇中文期刊论文中极不正常，通常是为了掩盖核心创新的不足，通过"注水"来增加论文厚度。
严重程度：🟡 （写作规范问题，涉嫌过度引用/抄袭他人公式表述）

发现 5：图文不符与乱码

位置：全文
描述：文本中大量出现 HTML 转义字符和乱码。
证据：
1. 如 "&#3627408448;"、"&#3627408480;"、"&#3627408438;" 等乱码遍布公式段落。
2. 这通常是因为作者在从网页或PDF复制文字时，没有正确处理编码格式，或者是使用了某种低劣的 OCR/PDF转Word工具。这反映出作者在论文撰写和校对环节的极度不严谨。
严重程度：🟡 （态度问题）

耿同学辣评

这篇论文简直是**"缝合怪界的泥石流，数据造假界的望远镜"**。

作者把 YOLOv11、深度可分离卷积、动态蛇形卷积、DyHead 像拌沙拉一样拌在了一起，然后用**"薛定谔的 FPS"**征服了我——我从未见过如此厚颜无耻之表！**优化器还能影响推理帧率？**这就像是说："因为我小时候喝牛奶长大的，所以我今天跑100米的速度取决于那头牛的品种。" 难不成你的模型在推理的时候，还要现场回忆一下当年是用 SGD 还是 Adam 训练的？如果是 SGD，显卡就跑快点？

建议作者下次造假数据前，先复习一下《深度学习入门：训练与推理的区别》。把表6删了吧，太侮辱智商了！

建议后续行动

联系作者要求提供原始数据（特别是表6的训练日志和FPS测试脚本）
在 PubPeer 上提出质疑
向期刊编辑部举报（关注表6的常识性错误）

⚠️ 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。

面向道路障碍物及缺陷的轻量化实时目标检测算法