🔍 耿同学打假报告

论文信息

标题：Feature Enhancement Module Based on Class-Centric Loss for Fine-Grained Visual Classification
作者：Daohui Wang, He Xinyu, Shujing Lyu, Wei Tian, Yue Lu（华东师范大学）
期刊：IEEE Transactions on Neural Networks and Learning Systems, Vol. 37, No. 2
DOI：10.1109/TNNLS.2025.3613791
发表年份：2025/2026（2025年10月9日在线发表，2026年2月刊出）

综合评定：🟠 高度可疑

重要前提说明：本文为深度学习/计算机视觉论文，正文中的数据表格（Table I–X）在所提供的文本中内容缺失，无法对具体数值进行 GRIM/末位数字/标准差分布等统计学取证；Western blot、凝胶等生物图像不存在。因此本报告主要基于文本内部矛盾、可视化图像特征以及图像取证线索综合判断。

详细发现

发现 1：⚠️ t-SNE 可视化呈现“教科书式完美”聚类

位置：Figure 3（LOC 数据集 10 类 t-SNE）、Figure 8（CUB 数据集 20 类 t-SNE）
描述：论文图注分别描述了 LOC 数据集 10 类和 CUB 数据集 20 类的 t-SNE 可视化对比（CE loss vs. 本文方法）。视觉分析显示，方法侧（b）的聚类效果高度理想化：各类样本形成近乎完美分离、互不重叠、形状规则的紧凑簇，20 个类别分布极其均匀，未见边界模糊区域或离群点。
证据：t-SNE 是随机初始化的非线性降维方法，即使在 95%+ 准确率的模型上，投影结果也通常存在类间重叠、离群点和不规则边界。CUB 数据集上 baseline（CE loss）尚能形成明显簇结构而方法侧“零混合”，这种双侧对比过于对称、过于干净。图片视觉分析摘要独立指出两图均“缺乏真实的数据噪声”（置信度：中）。良性可能性存在：作者可能经过多次随机种子筛选挑选了最好看的投影（cherry-picking），这属于选择性呈现而非伪造，但其效果可能是夸大了方法性能；原文未提供随机种子设置或投影筛选过程的说明，良性解释仅为推测。需原始特征文件与降维代码进一步确认。
严重程度：🟠
复核状态：⚠️ 依据不足（聚类完美性为视觉判断，原文仅有图注描述，无法排除 cherry-picking 或合理美观投影的可能，需原始数据核实）

发现 2：出版时间线内部矛盾

位置：第 893 页脚注（收稿信息）
描述：脚注写明 "Received 7 February 2025; revised 30 June 2025; accepted 21 September 2025. Date of publication 9 October 2025; date of current version 4 February 2025"。
证据：经原文逐字核验，"current version" 日期确为 2025年2月4日，早于收稿日期（2025年2月7日）、修回日期（2025年6月30日）和录用日期（2025年9月21日），在逻辑上不可能。最可能的解释是排版笔误（应为 2026 年 2 月 4 日，与 Vol. 37, No. 2, February 2026 刊期一致），单独看属出版疏忽；但它出现在作者最应核对的关键元数据位置，属于应当修正的文本异常，如实记录。
严重程度：🟡
复核状态：✅ 成立（文本矛盾经原文逐字核验确凿存在；性质为排版/元数据错误，非数据造假证据）

发现 3：⚠️ 图片机器取证显示大面积同偏移复制块与噪声不一致

位置：全文 40 张嵌入图像（含 Figure 1–8 区域图像），多张图检出 copy-move 匹配及噪声方差不均（如 img-019.png 偏移 (32,0) 处 230 对匹配块、img-015.png 偏移 (0,32) 处 134 对、img-000.jpg/img-013.png/img-025.jpg 噪声方差 CV≈1.2–1.4 提示疑似拼接）
描述：程序化 Fridrich 块匹配在几乎所有主要插图（热力图 Figure 7、t-SNE Figure 3/8、示意图 Figure 4/5、数据集示例 Figure 1/6）中检出大量精确同偏移复制块，且多张图噪声方差不一致。
证据：需要克制解读——本文插图为多面板拼版图（Figure 7 有 5 列×3 行热力图，Figure 8 为双面板 t-SNE，Figure 1 为 3 行示例网格），面板边框、坐标轴、Grad-CAM 叠加底图的规则重复结构天然会产生同偏移匹配；"Authorized licensed use" 水印、期刊二次压缩也可能造成噪声不均。但需注意：原文中没有任何关于图像经过统一导出管线或期刊压缩流程的正面说明，上述良性解释均为通用推测而非原文正面依据，故不能据此清除线索。若同偏移匹配区域落在图像内容区（而非边框/轴），则与 Figure 7 中“原始行与热力图行背景纹理不一致”（视觉摘要第 3 条）形成呼应，指向热力图底图可能经过替换或预处理。仅凭现有信息无法判断匹配块的具体落点，无法定论，保留为待核事项。
严重程度：🟡（多条线索叠加保留为待核事项，单项均不足以定罪）
复核状态：⚠️ 存在疑点（多面板规则结构可致同偏移误报，但该良性解释在原文中无正面支持，仅为推测；需索取原始图像核查匹配块落点）

发现 4：⚠️ 正文与图注的引用/文字完整性异常

位置：全文多处（如 Introduction 中 "Fig.."、"two-stage frameworks and feature enhancement approaches. The two-stage methods,, or segment..."、参考文献 [41] Darwin 1895 "Proc. Roy. Soc. London, vol. 58, pp. 240–242"）
描述：大量交叉引用编号缺失（"Fig." 后无编号）、句中引用悬空（",,"）。参考文献 [41]（达尔文 1895 年《Proc. Roy. Soc. London》文献）经原文核验确实存在于参考文献列表中，但其内容与本文方法学（类中心损失/残差邻接矩阵）语境关联突兀。另有多处截断句。
证据：这些更可能反映 PDF 文本提取不完整或排版错误，而非造假；引用编号缺失在正文多处与图注（"Fig." 后空缺）一致出现，与提取/排版问题相符，该良性解释有文本形态上的正面支持。达尔文文献出现在方法学引用序列中属可查证的客观异常，可能为引用管理工具自动填充或复制粘贴未清理的痕迹。此为文本质量问题而非数据造假证据。
严重程度：🟡
复核状态：⚠️ 依据不足（主要可由 PDF 提取/排版错误解释，有文本形态支持；达尔文引用异常属实但性质不明）

发现 5：核心实验数据表在文本中缺失，无法核验

位置：Table I–X（数据集统计、主干对比、消融、SOTA 对比）
描述：正文中所有性能数字的表格本体在提供的文本中为空，仅正文散见少量数值（如 "90.72% to 91.52%"、"+2.36% on NAB"、"95.44% with CE"），这些数值经原文核验均确实存在。
证据：无法对准确率增量的一致性、SOTA 对比表中数值的自洽性进行 GRIM/交叉核验。例如正文声称 Table VIII 中 "Pearson similarity slightly outperforms cosine similarity on CUB, CAR, AIR, and LOC, while cosine similarity achieves a marginal advantage on NAB"，但表内数值不可见，无法验证该描述与数据是否相符。如实声明：文本中未提供足够的表格数据，无法进行数值级取证，此为检测能力受限说明，非异常指控。
严重程度：🟡（检测能力受限，非直接异常指控）
复核状态：ℹ️ 情况说明（数据自洽性无法检测的客观声明，不构成不端证据）

耿同学辣评

t-SNE 图画得比教科书还干净——真实的 CUB 特征空间要真这么乖， clustering 软件都可以直接改行了；“发表版本日期比收稿日期还早”的时间旅行式脚注是板上钉钉的排版事故，虽然未必是作者的锅，但也说明校对环节形同虚设；再叠加满篇“失踪”的图号和 method 部分突兀冒出的达尔文 1895 年引用，这论文要么是被排版软件坑了，要么是被 AI 和复制粘贴联合坑了。图像取证的大面积同偏移匹配在多面板拼版图里有天然误报嫌疑，但在没有原文正面解释的情况下不能直接洗白，建议作者交出 t-SNE 原始投影源文件、热力图底图和训练日志自证清白。

建议后续行动

联系作者要求提供 t-SNE（Figure 3、Figure 8）的原始特征文件与降维代码、随机种子设置，核实是否存在选择性呈现
要求作者提供 Figure 7 热力图的原始底图与 Grad-CAM 叠加源文件，回应背景纹理不一致及 copy-move 检测线索
要求作者/期刊勘正第 893 页脚注 "date of current version" 的日期错误
在 PubPeer 上就 t-SNE 完美聚类与时间线矛盾提出技术性质疑
向 IEEE TNNLS 编辑部提交图像取证材料请求核查
核对 GitHub 仓库（Richard5413/FEM-CC）代码与论文描述的一致性

⚠️ 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。

🧮 证据合成（自动生成）

综合后验概率：≥99.9%（先验 5%）
95% 可信区间：[100%, 100%]
贝叶斯因子：BF = 5.6e+38（决定性（decisive））
综合评级：🔴 高度疑似
复核已排除线索：2 条（良性解释成立 / 检验前提不满足 / 说明性条目，未计入合成）

贡献最高的证据：

[I65] [img-035.png] 检测到 copy-move 复制粘贴：偏移 (0,32) 处 58 对匹配块（image/copy_move，logLR=1.46）— 贡献 3.7%
[I39] [img-021.png] 检测到 copy-move 复制粘贴：偏移 (32,0) 处 96 对匹配块（image/copy_move，logLR=1.46）— 贡献 2.5%
[I19] [img-010.jpg] 检测到 copy-move 复制粘贴：偏移 (40,0) 处 49 对匹配块（image/copy_move，logLR=1.46）— 贡献 2.4%
[I43] [img-023.png] 检测到 copy-move 复制粘贴：偏移 (32,0) 处 60 对匹配块（image/copy_move，logLR=1.46）— 贡献 2.4%
[I12] [img-005.jpg] 检测到 copy-move 复制粘贴：偏移 (0,40) 处 38 对匹配块（image/copy_move，logLR=1.46）— 贡献 2.3%

免责：本小节由程序化贝叶斯合成自动生成，不构成学术不端判决。先验固定 5%，证据间按条件独立处理（可能高估相关证据的联合强度），LR 版本 geng_lr_v3（Phase 5 基准回归校准：任务级触发率比值+复核处置标签，n=11，向 v2 收缩 k=10）；可信区间与点估计来自同一后验（先验抽样 + LR 噪声的联合蒙特卡洛，区间随证据强度收敛）。请以正文具体发现与原始数据为准。

Feature Enhancement Module Based on Class-Centric Loss for Fine-Grained Visual Classification