🔍 耿同学打假报告

论文信息

• 论文来源：2026.03.31.09-面向道路障碍物及缺陷的轻量化实时目标检测算法.pdf
• 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：未明确标明（推测为国内某计算机/工程类核心期刊或学报，文章编号处留空）
• 发表年份：2026年（收稿日期留空）

综合评定：🟠 高度可疑

详细发现

发现 1：第六式 - 方法学与基础概念存在严重常识性错误

• 位置：3.3 节 模型评估指标及结果分析，公式 (14) 下方
• 描述：文中对目标检测的基础评价指标定义出现了极其荒谬的笔误：“其中TP(真阳性)为正确检测数 ,FN(假阳性)为漏检数。”
• 证据：在深度学习目标检测中，FN 的全称是 False Negative（假阴性），代表漏检。FP（False Positive，假阳性）才代表误检。连这种本科生都不应该犯的统计学/机器学习基础概念都能写错，说明作者在撰写时极度不严谨，或者可能是从其他来源复制粘贴时出现了乱码或未加思考的修改。
• 严重程度：🟠 （虽然可能是笔误，但严重降低了论文的学术可信度）

发现 2：第五/六式 - 文本逻辑与图表编号出现“时空错乱”

• 位置：3.7 节 检测效果可视化对比
• 描述：文中提到“综合图 14 各列可见，无论是在强光、阴影还是纹理复杂的路面背景下...”。然而，纵观全文，论文中仅包含图 1 至图 10，根本不存在“图 14”。
• 证据：结合论文前言和结构高度模板化的特征，这极大概率是作者在拼凑论文时，直接从其他文献或自己以前的草稿中 Copy-paste 了整段文字，却忘记修改图表编号。这暴露出“量产型学术”和“缝合怪”的典型特征。
• 严重程度：🟠 （确凿的学术敷衍证据）

发现 3：第二/六式 - 硬件环境与性能数据的物理悖论

• 位置：3.2 节 实验环境与参数配置 / 3.4 节 消融实验 (表4)
• 描述：作者声称在 NVIDIA GeForce RTX3050 显卡（且搭配 i5-11400H 移动端 CPU，推测为笔记本或低端台式机）上，输入分辨率为 640×640，Batch Size 设为 16 的情况下进行训练。但在推理速度上，加入了 P2 检测层（特征图分辨率为 160×160）的模型（模型6）竟然跑出了 150 FPS 的极高速度。
• 证据：
  1. 显存溢出（OOM）风险：YOLOv11n 虽小，但加入了 P2 层后，特征图张量呈指数级放大。在 RTX 3050（通常只有 4GB 显存）上以 Batch=16 跑 640 分辨率的 P2 网络几乎必然触发 CUDA Out of Memory。
  2. 推理速度反直觉：增加 P2 层（增加大量网格计算）和 DyHead 动态头，FPS 反而比基线（131 FPS）提升了近 15 FPS。在没有使用 TensorRT 等极致加速引擎的情况下，纯 PyTorch 推理在低端卡上跑出这种数据违背了计算机体系结构的常理。数据有明显的“按需捏造”痕迹。
• 严重程度：🔴 （核心实验数据存疑，涉嫌伪造硬件跑分结果）

发现 4：第二式 - 数据过于巧合的“完美一致”

• 位置：3.6 节 表 6 不同优化器对比试验
• 描述：对比了 SGD、Adam 和 AdamW 三种优化器。在 mAP50-95 这一指标上，SGD 和 Adam 得出了完全相同的 90.1%，而 AdamW 为 89.4%。
• 证据：在深度学习中，不同优化器的收敛路径截然不同，尤其是 Adam 和 SGD 在最终精度上通常会呈现差异（往往 SGD 泛化更好但 mAP 会略低或略高，极少出现做到小数点后一位完全一样的情况）。这种“恰到好处”的相同数值，让人怀疑作者为了凸显最终选择的 SGD 的优越性，是否人为对齐了数据表格。
• 严重程度：🟡

发现 5：第一/三式 - 图片与像素级分析（受限声明）

• 位置：全文图表
• 描述：由于当前输入仅为文本提取内容且带有大量公式乱码（如 � 等），无法对 Western Blot（本文不涉及）或网络结构特征图（图4、图10）进行有效的像素级对比和旋转/裁剪检测。
• 证据：网络结构图（图1）在文本中展示出了混乱的断层，说明 PDF 转文本时图表解析丢失。基于现有信息无法实锤图片造假。
• 严重程度：🟡 （无法判断）

---

耿同学辣评

搞目标检测连 FN（假阴性）和 FP（假阳性）都能搞混，你是把 False Negative 翻译成了“假（装找不到阳性）所以漏检”吗？用搭载 i5-11400H 的笔记本配上孱弱的 RTX 3050，硬生生把带 160×160 P2 检测层和动态注意力头的模型跑出 150 FPS，老黄的皮衣都要被你感动得裂开了！正文中凭空出现的“图14”更是把 Copy-paste 的缝合手艺暴露无遗。建议作者先把显存炸了再重写论文，别在表格里玩“大家来找茬”了！

建议后续行动

• 暂不需要 PubPeer（因为未发表在高影响因子期刊，但可备查）
• 联系期刊编辑部：指出其基础概念错误（FN定义）、图表编号错乱（图14），并要求作者公开原始训练日志（log文件）和显卡功耗/显存占用截图，以自证清白。
• 要求作者提供原始代码：如果在 3050 上真能以 Batch=16 跑通 P2 层的 640x640 训练且不 OOM，这套显存优化技术绝对值得开源。
• 向作者所在机构学术委员会举报（目前证据以“极度不严谨”为主，暂未达到系统性作恶的实锤标准，先由期刊质询）

⚠️ 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。