🔍 耿同学打假报告

论文信息

论文来源：基于SWimAM设计的YOLOv5轻量化交通标志检测方法.pdf
标题：基于SWimAM设计的YOLOv5轻量化交通标志检测方法
作者：金忠文，葛动元，姚锡凡
期刊：科学技术与工程 (Science Technology and Engineering)
DOI：10.12404/j.issn.1671-1815.2400927
发表年份：2024年

综合评定：🟠 高度可疑

详细发现

发现 1：数据高度雷同（复制粘贴实锤？）

位置：Table 4 (CCTSDB数据集) 与 Table 5 (GTSDB数据集)
描述：作者声称在两个完全不同的国家的数据集（中国CCTSDB与德国GTSDB）上验证了泛化性。但在对比改进模型 C32SimAM-SE-SIoU 的结果时，两个不同数据集在“指示标志”上的平均精度（AP）竟然一模一样。
证据：Table 4 中指示标志的 AP 为 0.902；Table 5 中指示标志的 AP 同样是 0.902。考虑到两个数据集的图像背景、光照、标志样本完全不同，在保留三位小数的情况下精度完全一致的概率在统计学上微乎其微，高度疑似数据编造或复制粘贴时未修改干净。
严重程度：🔴
复核状态：✅ 成立

发现 2：模型命名前后矛盾（找替换的漏网之鱼）

位置：第6节（泛化性实验）及 Table 4、Table 5
描述：论文核心提出的最终模型名为 C32SWimAM-SE-SIoU（融合了作者首创的SWimAM模块）。但在验证泛化性最关键的表格和结论中，模型名字突然退回到了没有使用新模块的 C32SimAM-SE-SIoU。
证据：正文写道“将TT100K数据集上训练得到的C32SWimAM-SE-SIoU模型在CCTSDB数据集上进行迁移训练”，但 Table 4 和 Table 5 的表头印的却是 C32SimAM-SE-SIoU。这说明作者在拼接文本或套用之前未成熟的实验数据时，出现了低级的替换遗漏。
严重程度：🟠
复核状态：✅ 成立

发现 3：文本与表格数据严重打架（随机数生成翻车）

位置：Table 2 与第5.3节正文
描述：正文描述的性能提升幅度，与表格中实际给出的数据对不上。此外，最终模型在 Table 2 和 Table 3 中的检测速度（FPS）也不一致。
证据：
1. 正文称：“检测速率提升了7.33%”。根据 Table 2，YOLOv5s速度为40.65，最终模型速度为43.3。计算得出：(43.3-40.65)/40.65 = 6.51%，根本不是7.33%。作者正文里的7.33%，实际上是拿 Table 3 里的另一个数据 43.63 算出来的。
2. 同一个最终模型 C32SWimAM-SE-SIoU，在 Table 2 中的FPS是 43.3，到了 Table 3 里却变成了 43.63。同一张显卡测出来的模型推理速度，在不同表格里居然变了。
严重程度：🟠
复核状态：✅ 成立

发现 4：数学与概念性悖论（无参数？自欺欺人）

位置：2.1.2节（SWimAM注意力机制）
描述：作者声称其提出的 SWimAM 机制“添加了可学习权重...即保留了原模块无参数的特点”。
证据：在深度学习（PyTorch框架）中，self.weight1 作为可学习权重，会在反向传播中更新，这就意味着它占据了内存并引入了额外参数（哪怕只是一个大小为 [1,1,1,1] 的张量）。将其定义为“无参数”，暴露了作者对深度学习基础概念的严重误解，为了强行碰瓷 SimAM 的“无参数”卖点而乱造概念。
严重程度：🟡
复核状态：✅ 成立

发现 5：错误引用与公式张冠李戴

位置：2.3节（SIoU损失函数）及参考文献[19][20]
描述：作者引用了 SIoU 损失函数，但给出的公式（公式8）完全是把传统的 IoU 公式和 Smooth L1 强行缝合在一起，根本不是 SIoU。
证据：真实的 SIoU（Gevorgyan, 2022）的核心创新是引入了预测框与真实框之间的角度惩罚、距离和形状代价。而本文的公式8不仅毫无角度计算，且该公式实际上是 CIoU 或早期 IoU 变体的形变。作者可能根本没读过原论文，只是为了“堆创新点”瞎编了一个公式。
严重程度：🟠
复核状态：✅ 成立

发现 6：简单的算术错误

位置：5.3节正文与 Table 3
描述：夸大纵向实验的性能提升百分比。
证据：正文声称“相比于YOLOv8s网络...检测速度提升了11.34%”。查 Table 3 与 Table 2 数据：YOLOv8s 速度为 38.89，最终模型为 43.63。计算得出：(43.63 - 38.89) / 38.89 = 12.18%。连最基础的除法都算不对。
严重程度：🟡
复核状态：✅ 成立

(注：由于仅有文本信息，无法对 Western Blot 或显微镜图进行像素级分析，本文主要排查其数学逻辑与表格数据异常。)

耿同学辣评

这篇论文简直是“漏洞大狂欢”：把中国和德国马路上的交通标志识别精度算得一模一样（精确到小数点后三位），就好比你吃重庆火锅和广东白切鸡尝出来的盐分完全相同——你这模型的味觉挺神奇啊！连自己创新的核心模块名字都能在结论表里写错，损失函数公式全靠缝缝补补、张冠李戴，正文里的百分比计算也是想怎么算就怎么算。连最基本的概念和算术都频频翻车，这哪是做学术，这简直是来考验审稿人和读者的底线吧！

建议后续行动

联系作者要求提供原始数据（要求其解释Table 4与Table 5为何完全一致）
在 PubPeer 上提出质疑
向期刊编辑部举报（要求核查实验日志、代码仓库及公式出处）
向作者所在机构学术委员会举报（视期刊核查结果而定）

⚠️ 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。

基于SWimAM设计的YOLOv5轻量化交通标志检测方法