国外同行举报CVPR 2020中国论文一稿多投,作者之一华科教授还是本届CVPR领域主席...

本文主要是介绍国外同行举报CVPR 2020中国论文一稿多投,作者之一华科教授还是本届CVPR领域主席...,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

贾浩楠 发自 凹非寺
量子位 报道 | 公众号 QbitAI

CVPR 2020主会议开幕在即,本次大会中榜的两位中国学者却被指责“一稿多投”。

而且,原论文的作者之一,华中科大的白翔教授,还是本届CVPR 2020 的领域主席。

耐人寻味的是,就是这同一篇论文,CVPR接收的版本却没有属白翔教授的名字。

来龙去脉到底是怎样的?

质疑的理由:作者相同,课题一样,结果高度相似

6月13日,有网友在Reddit发帖称,一篇CVPR 2020已经接收的论文疑似存在一稿多投的情况。这篇论文名为UnrealText: Synthesizing Realistic Scene Text Images from the Unreal World,作者Shangbang Long、Cong Yao。

而另一篇疑似与它相同的论文是2020年1月15日发表在《中国科学-信息科学》(Science China)上的SynthText3D: synthesizing scene text images from 3D virtual worlds,作者:Minghui Liao, Boyu Song, Shangbang Long, Minghang He, Cong Yao & Xiang Bai,其中Shangbang LongCong Yao与CVPR论文作者相同。

此外,发表在《中国科学》期刊上的论文作者之一Xiang Bai,即华中科技大学电子与信息工程系教授白翔,他的名字并没有出现在CVPR会议论文中。白翔教授同时是本届CVPR 2020的领域主席。

白翔教授还是《中国科学-信息科学》的编委之一,是另一篇争议论文投稿发表的期刊。

目前尚不清楚白翔教授与这一篇CVPR 2020会议论文有何关系。

提出质疑的网友认为,这两篇论文作者相同、课题相同、结论高度相似。并且两篇文章之间没有互相引用,有一稿多投的嫌疑。

有人仔细解读了这两篇论文:

这位网友详细比较了两篇论文的思路、方法上的异同。

相同之处:
两篇论文都解决了以场景文本检测为目的的合成场景文本生成问题。
两篇论文都使用了虚幻引擎与UnrealCV插件。
在提出他们的方法后,两篇论文都在ICDAR 2015/2013和MLT数据集上使用EAST模型和>Resnet-50作为骨干进行了基准测试。

不同之处:
CVPR论文的实验还包括场景文本识别和多语言场景文本。
CVPR论文取消了取景器方法和环境随机化。

得出的结论是:尽管在一些实验的细节(比如计算条件和区域文本生成)有所不同,但两篇论文的目的和实验方法是高度相似的。

这位网友还指出了一个细节,作者Shangbang Long在CVPR投稿时的单位是CMU,在给《中国科学》投稿时的单位是北京大学。

Shangbang Long个人主页

他给出了两种猜测:一是Shangbang Long和Cong Yao一开始和其他作者一同工作,并投稿《中国科学》,离开北大到CMU后又两人又对之前的工作做了改进,重新向CVPR投稿。

另一种可能是作者希望通过改动一些实验方法和细节,重复投稿给知名顶会,并侥幸认为在国际并不知名《中国科学》上的同一篇论文不会其他同行被发现,这样的问题就十分严重了。

这位网友已经向作者发邮件询问,但没有得到明确答复,作者只是说目前正计划向学界详细说明这些差异。但坚持说这两篇论文代表了两种不同的使用UE生成数据的尝试,是完全不同的。

论文作者回应

论文作者Shangbang Long在Reddit热帖下面做出了回应,解释了这两篇论文为什么看起来高度相似,以及它们的不同之处。

Shangbang Long认为两篇论文针对同一问题提出了非常不同的方法和实现。SynthText3D基本上是SynthText的3D版本,而UnrealText则主要依赖于与3D世界的交互

由于会议论文的篇幅限制(8页),作者不得不着重谈总体思路。这让给人们一种两篇论文高度相似的感觉,但其实不然。作者提出愿意将代码库提供给读者深入考查。

在解释贴中,Shangbang Long花了大量篇幅比较两篇论文的细节上的不同之处,结论是CVPR论文实验方法完全不同于另一篇。

但他所举出的例证恰是国外同行指出的实验方法上的细节差异(环境随机化和区域文本生成等),质疑者认为这些不足以作为自证清白的证据。

目前质疑者没有回应他的解释。

已经有人将这篇论文疑似重复投稿的问题提交给了CVPR 2020组委会审核,目前官方也没有给出结论。

在官方调查结论出来之前,我们不能草率的下结论批评谁,但我们希望任何中国学者都能自觉遵守科研规则,高质量产出科研成果,而不是为了投中顶会,用投机取巧的方法走捷径。

希望你也能认真研读以下这两篇论文,并提出自己的看法。

传送门

Reddit爆料原贴
https://www.reddit.com/r/MachineLearning/comments/h7we7v/d_the_case_of_a_dualsubmitted_paper_accepted_by/

作者之一Shangbang Long的解释
https://www.reddit.com/r/MachineLearning/comments/h7we7v/d_the_case_of_a_dualsubmitted_paper_accepted_by/fuq5dwk/

CVPR 2020投稿原文

https://arxiv.org/pdf/2003.10608.pdf

《中国科学》投稿原文
https://arxiv.org/pdf/1907.06007.pdf

作者系网易新闻·网易号“各有态度”签约作者

「数据库」系列公开课开启,快来免费报名!

6月17号第一期直播,腾讯云数据库副总经理--王义成将全面剖析全球数据库的发展历程,分享如何将云计算、新基建、数据库的能力进行融合创新。此外还将结合实际金融案例,详细介绍腾讯云自研国产数据库TDSQL和TBase的产品核心架构和最佳实践。

之后的课程中,来自浪潮、蚂蚁集团的数据库业务负责人也将带来精彩分享,干货满满,全程免费参与,欢迎扫码报名~ 

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点「在看」吧 !

这篇关于国外同行举报CVPR 2020中国论文一稿多投,作者之一华科教授还是本届CVPR领域主席...的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/360569

相关文章

跨国公司撤出在华研发中心的启示:中国IT产业的挑战与机遇

近日,IBM中国宣布撤出在华的两大研发中心,这一决定在IT行业引发了广泛的讨论和关注。跨国公司在华研发中心的撤出,不仅对众多IT从业者的职业发展带来了直接的冲击,也引发了人们对全球化背景下中国IT产业竞争力和未来发展方向的深思。面对这一突如其来的变化,我们应如何看待跨国公司的决策?中国IT人才又该如何应对?中国IT产业将何去何从?本文将围绕这些问题展开探讨。 跨国公司撤出的背景与

usaco 1.3 Mixing Milk (结构体排序 qsort) and hdu 2020(sort)

到了这题学会了结构体排序 于是回去修改了 1.2 milking cows 的算法~ 结构体排序核心: 1.结构体定义 struct Milk{int price;int milks;}milk[5000]; 2.自定义的比较函数,若返回值为正,qsort 函数判定a>b ;为负,a<b;为0,a==b; int milkcmp(const void *va,c

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

从戴尔公司中国大饭店DTF大会,看科技外企如何在中国市场发展

【科技明说 | 科技热点关注】 2024戴尔科技峰会在8月如期举行,虽然因事未能抵达现场参加,我只是观看了网上在线直播,也未能采访到DTF现场重要与会者,但是通过数十年对戴尔的跟踪与观察,我觉得2024戴尔科技峰会给业界传递了6大重要信号。不妨简单聊聊:从戴尔公司中国大饭店DTF大会,看科技外企如何在中国市场发展? 1)退出中国的谣言不攻自破。 之前有不良媒体宣扬戴尔将退出中国的谣言,随着2

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

PostgreSQL核心功能特性与使用领域及场景分析

PostgreSQL有什么优点? 开源和免费 PostgreSQL是一个开源的数据库管理系统,可以免费使用和修改。这降低了企业的成本,并为开发者提供了一个活跃的社区和丰富的资源。 高度兼容 PostgreSQL支持多种操作系统(如Linux、Windows、macOS等)和编程语言(如C、C++、Java、Python、Ruby等),并提供了多种接口(如JDBC、ODBC、ADO.NET等

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

OmniGlue论文详解(特征匹配)

OmniGlue论文详解(特征匹配) 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super

BERT 论文逐段精读【论文精读】

BERT: 近 3 年 NLP 最火 CV: 大数据集上的训练好的 NN 模型,提升 CV 任务的性能 —— ImageNet 的 CNN 模型 NLP: BERT 简化了 NLP 任务的训练,提升了 NLP 任务的性能 BERT 如何站在巨人的肩膀上的?使用了哪些 NLP 已有的技术和思想?哪些是 BERT 的创新? 1标题 + 作者 BERT: Pre-trainin