🔍 耿同学打假报告

论文信息

• 论文来源：基于深度学习与迁移学习的红树林遥感图像分割方法研究_陈华泽.pdf
• 标题：基于深度学习与迁移学习的红树林遥感图像分割方法研究
• 作者：陈华泽
• 期刊：海南师范大学硕士学位论文（导师：陈焕东 教授, 冯莉颖 教授）
• DOI：无
• 发表年份：2025年（提交日期：二〇二五年八月）

综合评定：🟡 存疑

详细发现

发现 1：失效模型指标完全一致——这其实是数学的必然

• 位置：第三章 / 表 3.5, 表 3.6
• 描述：在表3.5和表3.6中，深度学习模型 FCN 和 U-Net 在小样本（1-shot）场景下各项指标（准确率、精确率、召回率、mIoU）出现了完全一模一样的情况（如表3.5中的 71.63%, 0.00%, 0.00%, 35.82%）。乍一看，这像是数据造假者直接复制粘贴产生的低级错误。
• 证据：利用耿同学第二式（数据自洽性检测）进行推演：根据原文3.5.5节描述“FCN 和 U-Net 这两种深度学习方法完全失效，其结果全为红色（TN）和蓝色（FN）”，即未检测到任何真正例（TP=0）和假正例（FP=0）。此时，准确率等于真实负例占总像素的比例，mIoU也由纯背景类别的 IoU 决定。这两个模型在完全失效时，其混淆矩阵的数学推导结果必然相同，甚至连 71.63% 与 35.82% 之间的数学换算（\(mIoU = \frac{1-x}{2}\)）都严丝合缝。
• 严重程度：🟡（虚惊一场，反而证明了数据的内部自洽性）
• 复核状态：✅ 成立

发现 2：第四章与第五章对比实验数据“像素级”复用

• 位置：第四章 表 4.1 与 第五章 表 5.1
• 描述：两个表格列出了十几个对比模型（如 LinkNet, U-Net, DeepLabv3+ 等）的性能指标。比对发现，这十几个对比模型的四项指标（mIoU、准确率、精确率、召回率）在第四章和第五章中连小数点后两位都完全相同。
• 证据：这通常有两种可能：第一，作者为了省事，直接把第四章跑出来的对比结果复制到了第五章的表格里（属于写作上的偷懒）；第二，作者在实验中严格控制了全局变量（原文4.4与5.3节均提到“设定全局随机数种子为 42”），因此在使用同一批数据集和相同代码库下确实能复现出完全一致的 baseline 结果。虽然不构成数据造假实锤，但图表复用痕迹明显，建议在论文写作中明确标注数据同源。
• 严重程度：🟡（建议在论文中明确标注数据同源）
• 复核状态：✅ 成立

发现 3：真实且分裂的实验环境时间线

• 位置：第三章 3.5.4 与 第四、五章 实验配置
• 描述：造假者通常会一键复制实验环境配置，但本文却暴露了真实的“实验演进史”。第三章（3.5.4节）使用的是 Intel i7-13700KF + RTX 4090 显卡，软件为 PyTorch 2.5.1 + CUDA 12.6；而第四、五章使用的却是 Tesla V100S 显卡，软件为较老的 PyTorch 2.1 + CUDA 12.4。
• 证据：结合原文信息，RTX 4090 和 PyTorch 2.5.1 的出现完全合理。这说明作者前期的红树林基础分割实验（四、五章）是在实验室服务器（V100S）上完成的，而后期的原型小样本学习（三章）是后续在更新过的设备上补充的。时间线完美自洽，没有出现使用软件库“未来版本”的穿越漏洞，印证了科研的真实演进轨迹。
• 严重程度：🟢（不仅没问题，反而印证了科研的真实轨迹）
• 复核状态：✅ 成立

耿同学辣评

这篇论文主打一个“死磕细节”。连完全失效的模型输出的指标，都严格遵循了数学公式的绝对推导（TP和FP为0时殊途同归）；连模型参数量计算的大小都严丝合缝。同时，作者非常实在地把不同章节（不同时期）使用的显卡和PyTorch版本和盘托出，暴露了真实的实验推进时间线，打破了学术造假常有的“一键复制环境”嫌疑。虽然第四章和第五章对比实验表的 Ctrl+C / Ctrl+V 用得比深度学习还溜，但就冲这逻辑自洽程度和坦诚度，这属于“写作偷懒但学术老实”的典型代表。

建议后续行动

• 无需联系作者提供原始数据（数据一致性极佳）
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报
• 向作者所在机构学术委员会举报
• 建议在后续论文修改中，对跨章节完全一致的对比实验表格进行说明或精简。

⚠️ 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。