# 🔍 耿同学打假报告

## 论文信息
- 论文来源：nature1.pdf
- 标题：A deep learning framework based on structured space model for detecting small objects in complex underwater environments
- 作者：Yaoming Zhuang, Jiaming Liu, Haoyang Zhao, Longyu Ma, Zirui Fang, LiLi, Chengdong Wu, Wei Cui & Zhanlin Liu
- 期刊：Communications Engineering (A Nature Portfolio journal)
- DOI：https://doi.org/10.1038/s44172-025-00367-9
- 发表年份：2025

## 综合评定：🟠 高度可疑

## 详细发现

### 发现 1：颠覆常识的数学与公式错误
- **位置**：Methods 部分公式 (4) / 摘要与正文
- **描述**：作为一篇目标检测领域的深度学习论文，竟然把最基础的评价指标 Recall（召回率）的数学公式写错了；同时，在描述模型参数量减少时，使用了令人瞠目结舌的“390%”。
- **证据**：
  1. 原文公式 (4) 明确写道：`Recall = TP / (TN + FN)`。但在机器学习基础理论中，Recall 的分母应该是所有真实的正样本（即 `TP + FN`）。分母写成 `TN + FN` 在数学和逻辑上完全荒谬。
  2. 摘要及正文（Discussion部分）中声称：“represents a reduction of 40%, 67%, 21%, 41%, 227%, and 390% compared to the latest mainstream object detectors”。在描述绝对量（如参数量）的减少时，数学上最多只能减少 100%（即变为 0）。减少 390% 意味着模型拥有“负数”的参数，这暴露出作者使用的是 `(旧模型 - 新模型) / 新模型` 的错误公式，不仅数学不及格，更反映出数据产出与校对过程极度草率。
- **严重程度**：🔴
- **复核状态**：✅ 成立

### ⚠️ 发现 2：图片复用检测（测试集场景造假）
- **位置**：Figure 4c
- **描述**：图文声称展示了不同模型在“各种水下场景”下的检测结果（包含 Normal, Occluded, 以及两个 Dense objects 场景）。视觉分析发现，第三列与第四列的“独立测试场景”背景图完全是同一张照片的复用。
- **证据**：根据视觉分析摘要指出，第三列与第四列的原始背景图像在海底纹理、光照分布及岩石位置上完全一致。但论文原文并没有对这两张图片的相似性或来源提供任何文字说明或解释，仅提到“第三和第四张图片”，难以仅凭文本和辅助视觉摘要作为确凿的造假实锤。
- **严重程度**：🟠
- **复核状态**：⚠️ 依据不足

### ⚠️ 发现 3：数据造假检测（完美的“假”数据）
- **位置**：Figure 6a (DUO 数据集 echinus 类别)
- **描述**：在多模型对比实验中，7个完全不同架构的模型（YOLOv7s, RT-DETR, YOLOv8s 等）在 echinus 类别上的 AP50 数值表现出了不可思议的“完美一致”。
- **证据**：视觉分析摘要显示，所有对比模型的 AP50 柱状图高度呈现绝对平齐（均约为 0.93-0.94）。然而，论文原文中仅提供了 UWNet 自身在 DUO 数据集下 echinus 的 AP50 数据（93.5%），并未在正文中列出其他所有对比模型的精确数值，因此无法通过原文文本数据直接证实“完美平齐”这一造假结论。
- **严重程度**：🟠
- **复核状态**：⚠️ 依据不足

### 发现 4：统计学异常（参数量计算逻辑混乱）
- **位置**：Performance on two test sets 部分 / Discussion部分
- **描述**：为了突出模型的轻量化，文中对 RT-DETR 模型的参数量对比给出了极度夸张且前后矛盾的错误描述。
- **证据**：文中写道“RT-DETR model... has 32.66 million parameters—390% more than UWNet”。（注：此处描述与前文“UWNet 比 RT-DETR 减少 390%”的文字游戏相呼应）。实际上，32.66M 与 UWNet 的 6.67M 相比，真实差距约为 389%（即 RT-DETR 是 UWNet 的近 5 倍）。作者在百分比的表达（A比B多/少百分之几）上存在系统性的逻辑崩塌，使得文中所有基于百分比的性能提升声明都失去了可信度。
- **严重程度**：🟡
- **复核状态**：✅ 成立

## 耿同学辣评

连召回率公式都能写错，参数量能凭空减少 390% 造出“负参数”，这篇 Nature 子刊论文的含水量怕是不低！深度学习不能连最基本的数学逻辑和统计常识都不顾，前文刚说比人家参数量“减少390%”，后文又说人家比自己“多390%”，这样系统性、贯穿全文的百分比计算错误，让文章所有的性能宣称都变得极度可疑。搞科研不能只顾着堆砌先进概念的词汇，最起码的严谨态度不能丢！

## 建议后续行动

- [x] 在 PubPeer 上提出质疑（重点指出公式错误与参数百分比逻辑荒谬点）
- [x] 向期刊编辑部举报（要求核查其极其荒谬的公式错误与不严谨的数据表达）
- [ ] 建议作者所在机构学术委员会核实其实验原始数据

## ⚠️ 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。