🔍 耿同学打假报告

论文信息

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
DOI：无（学位论文）
发表年份：2025年8月（提交日期）
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

综合评定：🟠 高度可疑

详细发现

发现 1：模型复杂度数据涉嫌直接复制粘贴（连装都不装了）

位置：表 5.2（第 59 页）
描述：作者声称 SMRS-DeepLabv3+ 模型采用了轻量级的 MobileNetv2 作为骨干网络，而基线模型是 DeepLabv3+。但在这两个架构截然不同的模型对比中，两者的 FLOPs（浮点运算次数）竟然一模一样，精准等于 26.43G。
证据：表中明确列出 DeepLabv3+ 和 SMRS-DeepLabv3+ 的 FLOPs 均为 26.43G。骨干网络从传统的卷积网络换成主打深度可分离卷积的 MobileNetv2（核心目的就是降低计算量），FLOPs 绝无可能分毫不差。这明显是作者在填表时直接 Ctrl+C 加 Ctrl+V，极大概率是伪造或抄袭了数据。
严重程度：🔴
复核状态：✅ 成立

发现 2：实验环境与硬件配置存在“精神分裂”

位置：3.5.4 节（第 34 页）与 4.4 节（第 44 页）、5.3 节（第 55 页）
描述：在第三章的小样本实验中，作者使用的硬件是 Intel i7-13700KF + RTX 4090，软件环境是极其超前的 NVIDIA 驱动 560.94、CUDA 12.6、PyTorch 2.5.1；然而到了第四、五章的核心深度学习实验中，硬件突然降级变成了 NVIDIA Tesla V100S-PCIE-32GB，软件环境也退回到了 PyTorch 2.1 + CUDA 12.4。
证据：第34页原文明确记载“实验硬件配置为 Intel i7-13700KF CPU、128GB RAM、NVIDIA RTX 4090 GPU。软件环境包括 NVIDIA 驱动 560.94、CUDA 12.6、PyTorch 2.5.1+cu121”；而第44页与55页则明确记载“采用 NVIDIA Tesla V100S-PCIE-32GB 图形处理器并配置 CUDA 12.4 进行加速”、“基于 Python 3.12 及 PyTorch 2.1”。如果有 RTX 4090（目前顶级的消费级显卡），绝不可能放着吃灰，转头去用算力更弱的服务器级 V100S 跑需要大量算力的 Swin-DeepLabv3+。极其像是不同章节的实验由不同数据源拼凑或捏造而成。
严重程度：🟠
复核状态：✅ 成立

发现 3：掩耳盗铃的“实地调研”与数据来源

位置：4.2 节（第 39 页）
描述：作者写道：“本研究对中国海南省的红树林进行了实地调研。基于调研结果，选取了三亚市亚龙湾……本章所用的遥感影像源于 Google Earth 平台”。
证据：第39页原文如实描述了上述文字。实地调研通常是为了获取一手高光谱数据、无人机航拍影像或地面真值，既然最终使用的是任何人坐在家里就能免费下载的 Google Earth RGB 图像，所谓的“实地调研”极大概率只是为了凑字数、迎合盲审要求而凭空捏造的套话，属于学术写作中的典型“水分”与不诚实表现。
严重程度：🟡
复核状态：✅ 成立

发现 4：目录与正文严重脱节（为了凑页数/成果？）

位置：目录部分（第 XI 页）
描述：在目录的表格列表中，赫然列着“表 6.1 比赛获奖 ... 73”。但在正文的第六章总结与展望结束后，并没有出现所谓的“表 6.1 比赛获奖”。
证据：第XI页表格目录确实列有“表 6.1 比赛获奖 ........ 73”。这表明作者在最终删改论文（很可能是为了隐藏某些无法自圆其说的奖项或虚假成果，或者直接拼接了别人的模板）后，连最基本的目录更新刷新都没有做，草草交差。
严重程度：🟡
复核状态：✅ 成立

发现 5：不同章节的性能对比数据“复制粘贴”

位置：表 4.1（第 45 页）与表 5.1（第 56 页）
描述：第四章和第五章是两个不同的改进模型实验，但在这两张表中，LinkNet、MANet、U-Net、U-Net++、PAN、FPN、DeepLabv3、DeepLabv3+ 以及 Swin-DeepLabv3+ 和 SwinMLFO-DeepLabv3+ 的各项指标（mIoU、准确率、精确率、召回率）在小数点后两位做到了 100% 完全一致。
证据：对比原文第45页和第56页的数据表格，上述罗列的所有对比基准模型的具体数值连小数点后两位都完全相同。虽然有可能是直接复用了同一批基准测试结果，但考虑到本文展现出的极差的数据校验习惯（如发现 1 所述），这两张表极有可能是作者在写第五章时，直接把第四章的表格拷贝过来改了个自己的新模型名字，完全懒得重新跑对比实验。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

这篇论文的数据处理主打一个“只要我敢抄，导师就看不见”。把 MobileNetv2 的 FLOPs 算得和原版 DeepLabv3+ 一模一样（精准锁定26.43G），连随机数生成器看了都得连夜买站票走人！上一章还在用 4090 纵享丝滑，下一章立马切回 V100S 忆苦思甜，这显卡吃草莓（挑硬件）的毛病怕是跟作者学的。连去海南实地调研的最终目的都是为了截一张 Google Earth 的图，不仅侮辱了读者的智商，还侮辱了海南的红树林。建议授予作者“Ctrl+C 与 PS 键盘损坏”荣誉学位！

建议后续行动

联系作者及导师要求提供含有 FLOPs 计算输出的完整原始训练日志
要求作者出具 4090 与 V100S 服务器的实际使用记录与实验环境配置凭证
向海南师范大学研究生院学术委员会提出复核申请，重点核查实验数据的真实性
建议盲审专家重新审查其各章节实验是否真正独立运行

⚠️ 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。

基于深度学习与迁移学习的红树林遥感图像分割方法研究