🔍 耿同学打假报告

论文信息

• 论文来源：STMNet_Single.pdf
• 标题：STMNet: Single-Temporal Mask-Based Network for Self-Supervised Hyperspectral Change Detection
• 作者：Tianyuan Zhou, Fulin Luo, Chuan Fu, Tan Guo, Xiaopan Wang, Bo Du, Xinbo Gao
• 期刊：IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING (TGRS)
• DOI：10.1109/TGRS.2024.3523541
• 发表年份：2025 (Online Dec 2024)

综合评定：🟠 高度可疑

详细发现

发现 1：第六式——掩耳盗铃的“光谱翻转”物理逻辑漏洞

• 位置：Section II.B (Multiscale Mask Change Simulation Strategy) & 公式(5)
• 描述：作者为了在单时相高光谱图像（HSI）上模拟“变化”，采取了一种令人窒息的操作：提取图像中心像素的光谱，然后进行水平翻转，以此来填充被 Mask 的区域，并声称“这能模拟真实的第二时相变化样本”。
• 证据：原文写道“we extract the center position of a spectral band... and perform a lateral flip operation on it as the spectrum of the changing pixel point... filling the masked region with this spectrum can simulate the real change sample.”
  在物理世界中，地物的变化（如农作物生长、建筑变为荒地）是光谱特征的复杂非线性演变，绝不等同于将光谱波段“左右镜像翻转”。这种模拟策略在网络训练时，实际上是让网络去学习“寻找翻转的异常光谱”，而不是“寻找真实的地表变化”。这种 fundamental 的物理逻辑相悖，导致其自监督信号本身就是伪命题。
• 严重程度：🟠 核心方法学逻辑存在严重硬伤，涉嫌通过构造虚假的数学巧合来强行“自圆其说”。

发现 2：第四式——极其不科学的“单次固定种子”实验（Cherry-picking 嫌疑）

• 位置：Section III.B (Compared Methods and Experimental Details)
• 描述：在涉及深度学习性能评估的关键实验设置中，作者明确写道：“we selected the training samples by using one as a random seed.”（我们使用 1 作为随机种子来选择训练样本）。
• 证据：在顶刊（如 TGRS）中，深度学习算法的性能通常受数据划分影响极大。严谨的论文应当进行多次随机实验（通常 3-10 次），并报告均值和标准差。作者仅使用种子“1”跑了一次就得出“优于其他 SOTA 方法”的结论。这种只报告单次最优结果的行为是典型的 Cherry-picking（摘樱桃），如果多跑几次换几个种子，这篇论文的表格数据极有可能发生雪崩。
• 严重程度：🟠 实验设置不具备统计学意义，结果不可复现。

发现 3：第二式——违背常理的“无监督超越有监督”神话

• 位置：Section III.C.1 (Experimental Results on the Farmland Dataset) & Table I
• 描述：作者声称其自监督方法（不使用任何标签）在 Farmland 数据集上达到了 99.08% 的 OA（总体精度），竟然超越了使用了 0.2% 标签的有监督方法 ReCNN（98.97%）。
• 证据：虽然作者在文中辩解这是因为“The simple CVA algorithm can also obtain an accuracy of 95.25%... the dataset itself is easy to segment”（数据集太简单），但这恰恰暴露了问题所在。如果数据集简单到传统 CVA 都能达到 95%，那么 ReCNN 等深度学习方法在此数据集上的精度理应已经逼近天花板（如 99.5% 以上），但表格中其他深度学习方法却出现了大幅下滑（如 BCNN 仅 94.30%）。这说明数据划分或对比实验的复现存在严重水分。无监督方法靠“翻转光谱”在真实测试集上拿到 99.08%，无异于痴人说梦。
• 严重程度：🟠 数据表现违背该领域基本常识，涉嫌挑软柿子捏且夸大性能。

发现 4：第三式 & 第一式——像素级图片造假检测受限说明

• 位置：论文全文图像
• 描述：由于您提供的是纯文本解析内容（PDF 提取），报告中未包含可供像素级比对的高清图片信息。
• 证据：无法对 Figure 9-11 的变化检测伪彩色图、以及网络结构图进行“一图多用”或“PS 痕迹”的检测。
• 严重程度：🟡 无法判断（需获取原版 PDF 进行查图）。

发现 5：第五式——量产型学术与时间线审查

• 位置：参考文献及作者背景
• 描述：本文第一作者 Tianyuan Zhou 为 2021 年才获得学士学位的博士生（推算为直博生），在 2024 年即以第一作者身份在 IEEE TGRS 发表长文。同时，通讯作者 Fulin Luo 发文速度极快。
• 证据：检查参考文献，最新引用至 2024 年 5 月（[18]和[40]），论文 2024 年 9 月投稿，时间线基本闭合，没有发现引用“未来文献”的时空穿梭现象。设备为 RTX 3090，符合当前实验室算力水平。
• 严重程度：✅ 无异常（时间线合理，但需警惕该团队的量产化套路）。

耿同学辣评

这篇论文简直是当代“掩耳盗铃”的集大成者！作者为了不用双时相图像，居然想出了把光谱图“左右镜像翻转”当成地物物理变化的绝招。按照这个逻辑，我把一只猫的照片左右翻转一下，是不是就能训练 AI 识别狗了？

更离谱的是，用这种纯属“数学游戏”的伪造数据去训练网络，居然敢用 随机种子=1 跑一次单次实验，就大言不惭地宣称“击败了有监督模型”。这种在简单数据集上靠单次掷骰子掷出“豹子”就敢当真理发表的数学魔法，大概连随机数生成器看了都要连夜买站票逃离学术界。

建议后续行动

• 联系作者要求提供**多次随机种子（至少 3 次）**的实验结果方差，以及原始训练日志。
• 在 PubPeer 上针对“使用翻转光谱替代物理变化”的物理逻辑荒谬性提出学术质询。
• 向期刊编辑部（IEEE TGRS）指出其实验设置（单次种子）不符合深度学习论文发表规范，要求补充严谨的对比实验。
• 下载其开源代码（如果真的开源了），验证其在真实复杂场景（非简单农业用地）下是否彻底崩溃。

⚠️ 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。