首尔大学AI团队论文抄袭被曝，一文抄10篇
首尔大学AI团队论文抄袭被曝，一文抄10篇，据报道，首尔大学涉抄袭论文数量在10篇上下。首尔大学AI团队甚至直接照抄某些句子，一个单词都没有改。首尔大学AI团队论文抄袭被曝，一文抄10篇。
据新浪科技报道，韩国SBS电视台25日消息，韩国顶级学府首尔大学人工智能（AI）研究团队23日在全球顶级学术会议（CVPR）上展示了研究成果，但被发现抄袭并受到各方严厉批评。
韩国国内担心，该丑闻有可能发酵为第二起“黄禹锡事件”。该事件就是2006年韩国克隆之父黄禹锡博士干细胞造假风波，曾被改编为电影《举报者》。
CVPR 2022是人工智能和机器学习领域的全球顶级学术会议，于6月19日至24日在美国路易斯安那州新奥尔良举行。
去年11月，首尔大学研究团队向CVPR提交了一篇学术论文，结果被选为“优秀论文”，本月23日，该成果在与会的全球研究人员面前进行了展示。但第二天开始，舆论便出现首尔大学团队论文抄袭的争议。
视频网站YouTube上的一个视频表示，首尔大学论文中的部分英语表达和公式没有标注引用来源，论文还包含不少与已经发表论文相同的内容。
据报道，首尔大学涉抄袭论文数量在10篇左右。被剽窃的论文包括加州大学伯克利分校2018年发表的一篇论文、加拿大多伦多大学2019年发表的一篇论文，以及韩国科学技术研究院和英国牛津大学2021年发表的论文等。
以多伦多大学的论文为例，首尔大学AI团队甚至直接照抄某些句子，一个单词都没有改变。此外，作为论文核心的公式结构，首尔大学的论文与去年某海外研究团队所发表论文的结构也是一模一样。
据韩国SBS电视台报道，韩国顶级学府首尔大学人工智能（AI）研究团队23日在全球顶级学术会议（CVPR）上展示了研究成果，但被发现抄袭并受到各方严厉批评。
图：首尔大学
据悉，该论文于2021年11月被首尔大学研究团队提交，并被CVPR选为“优秀论文”，而就在6月23日CVPR 2022开幕并展示该成果期间，该论文剽窃现象被揭露。
由于几名涉事作者分别来自首尔大学和韩国科学技术研究院，堪称韩国国内水平最高的学术研究团队。韩国国内担心，该丑闻有可能发酵为第二起“黄禹锡事件”。
CVPR是IEEE下设、人工智能和机器学习领域的全球顶级学术会议。“CVPR 2022”于6月19日至24日在美国路易斯安那州新奥尔良举行。
图：首尔大学AI论文
本届大会第二天开始，舆论便出现首尔大学团队论文抄袭的争议。视频网站YouTube上的一个视频表示，首尔大学论文中的部分英语表达和公式没有标注引用来源，论文中还包含不少与已经发表论文相同的内容。
据报道，首尔大学涉抄袭论文数量在10篇上下。被剽窃的论文包括加州大学伯克利分校2018年发表的一篇论文、多伦多大学在2019年发表的一篇论文，以及韩国科学技术研究院和牛津大学2021年发表的`论文等。
以多伦多大学的论文为例，首尔大学AI团队甚至直接照抄某些句子，一个单词都没有改。此外，作为论文核心的公式结构，首尔大学的论文与去年某海外研究团队所发表论文的结构也是完全一模一样。
图：CVPR回应论文抄袭
随着争议的升级，CVPR方面在社交平台推特上发文，称“抄袭是不可接受的”，已委托世界电气和电子工程师协会对首尔大学的论文进行调查，同时宣布撤回该论文。
有海外学者认为，CVPR未充分核验抄袭论文，造成了动摇口碑的恶劣后果。
随后，涉事论文的第一作者首尔大学在读博士兼研究员金某和其他3名合著者在指控抄袭的YouTube视频下留言，承认论文抄袭。
金某表示：“论文所有的错误都在我身上，我将接受任何惩处，不再寻找借口。”其他研究人员也表示，“虽然论文的主要内容是第一作者所写，但作为合著者未能发觉论文剽窃，对此深感歉意。”
韩国最近曝出了一则丑闻，几乎惊呆了众人！
据环球时报消息，韩国SBS电视台本月25日报道，韩国顶级学府首尔大学人工智能（AI）研究团队23日在全球顶级学术会议（CVPR）上展示了研究成果，但第二日就被发现存在抄袭现象。
据悉，这项学术论文于去年11月份提交，还被评为了“优秀”，6月23日，这项论文在与会的全球研究人员面前进行了展示。
不过好景不长，24日，有舆论称首尔大学的团队论文存在抄袭，其中部分英语表达和公式没有标注引用来源，论文还包含不少与已经发表论文相同的内容。
报道称，首尔大学涉抄袭的论文数量在10篇左右，剽窃的对象包括美国加州大学伯克利分校2018年发表的一篇论文、加拿大多伦多大学2019年发表的一篇论文，以及韩国科学技术研究院和英国牛津大学2021年发表的论文等。
其中最为恶劣的是，抄袭的论文不仅连核心的结构样式没有发生改变，甚至照抄了某些句子，连一个单词都没有改变。
抄袭是件曝光后，CVPR在社交媒体上发文称“抄袭是不可接受的”，已委托世界电气和电子工程师协会对首尔大学的论文进行调查，同时宣布撤回该论文。
论文:A Dual Weighting Label Assignment Scheme for Object Detection
[图片上传失败...(image-26dcc3-1650423723225)]
Anchor作为目标检测器训练的基础单元，需要被赋予正确的分类标签和回归标签，这样的标签指定(LA, label assignment)过程也可认为是损失权重指定过程。对于单个anchor的cls损失计算，可以统一地表示为：
[图片上传失败...(image-2e24aa-1650423723225)]
和 为正向权重和反向权重，用于控制训练的方向。基于这个设计，可以将LA方法分为两个大类：
[图片上传失败...(image-372b16-1650423723225)]
为了给检测器提供更多的监督信息，论文提出了新的LA方法DW(dual weighting)，从不同的角度单独计算 和 并让其能够互补。此外，为了给权重计算函数提供更准确的reg分数，论文还提出了新的bbox精调操作，预测目标的边界位置并根据对应的特征产生更准确的精调信息。
由于NMS的存在，检测器应该预测一致的bbox，既有高分类分数也有准确的位置定位。但如果在训练时平等地对待所有的训练样本，而cls分数越高的预测结果的reg位置不一定越准确，这往往会导致cls head与reg head之间就会存在不一致性。为此，Soft LA通过加权损失来更柔和地对待训练样本，加强cls head与reg head的一致性。基于Soft LA，anchor的损失可以表示为：
[图片上传失败...(image-51f384-1650423723225)]
其中 为预测的cls分数。为一致性更高的预测结果分配更大的 和 ，能够使得网络专注于学习高质量的预测结果，减轻cls head与reg head的不一致问题。
[图片上传失败...(image-98093b-1650423723225)]
当前的方法直接将 设置为 ，主要关注如何定义一致性以及如何将其集成到损失权重中。表1总结了一些方法对 和 的计算公式，这些方法先定义用于度量一致性的指标 ，随后将 作为不一致性的度量指标，最后添加缩放因子将指标集成到损失权重中。 上述方法的 和 都是高度相关的，而论文认为pos和neg权重应该以prediction-aware的方式单独设置，具体如下：
通过上述定义， 对于pos权重相似的这种模棱两可的anchor，就可以根据不同的neg权重得到更细粒度的监督信息 。
[图片上传失败...(image-535eff-1650423723225)]
DW方法的整体流程如图2所示，先根据中心点距离来为每个GT构造候选正样本集，其余的anchor为候选负样本。由于负样本的统计信息十分混乱，所以不参与权重函数的计算。候选正样本会被赋予三个权重 、 以及 ，用于更有效地监督训练。
pos权重需要反映预测结果对检测性能的重要性，论文从目标检测的验证指标来分析影响重要性的因素。在测试时，通常会根据cls分数或cls分数与IoU的结合对单分类的预测结果进行排序，从前往后依次判断。正确的预测需满足以下两点：
上述条件可认为是选择高ranking分数以及高IoU的预测结果，也意味着满足这两个条件的预测结果有更大概率在测试阶段被选择。从这个角度来看，pos权重 就应该与IoU和ranking分数正相关。首先定义一致性指标 ，用于度量两个条件的对齐程度：
[图片上传失败...(image-aac9d-1650423723225)]
为了让不同anchor的pos权重的方差更大，添加指数调节因子：
[图片上传失败...(image-3a2156-1650423723225)]
最终，各anchor的pos权重会根据对应GT的候选anchor的pos权重之和进行归一化。
pos权重虽然可以使得一致的anchor同时具有高cls分数和高IoU，但无法区分不一致anchor的重要程度。如前面图1所示，anchor D定位校准但分类分数较低，而anchor B恰好相反。两者的一致性程度 一致，pos权重无法区分差异。为了给检测器提供更多的监督信息，准确地体现anchor的重要程度，论文提出为两者赋予更清晰的neg权重，具体由以下两部分构成。
根据COCO的验证指标，IoU不满足阈值的预测结果一律归为错误的检测。所以，IoU是决定achor为负样本的概率的唯一因素，记为 。由于COCO使用0.5-0.95的IoU阈值来计算AO，所以 应该满足以下规则：
[图片上传失败...(image-639b1e-1650423723225)]
任意 上单调递减的函数都可以作为 中间部分。为了简便，论文采用了以下函数：
[图片上传失败...(image-fa54fb-1650423723225)]
公式6需要穿过点 和 ，一旦 确定了，参数 和 可通过待定系数法确定。
[图片上传失败...(image-83052a-1650423723225)]
图3展示了不同 下的 曲线。
在推理时，ranking队列中靠前的neg预测结果虽然不会影响召回率，但会降低准确率。为了得到更高的性能，应该尽可能地降低neg预测结果的ranking分数。所以在训练中，ranking分数较高的neg预测结果应该比ranking分数较低的预测结果更为重要。基于此，定义neg预测结果的重要程度 为ranking分数的函数：
[图片上传失败...(image-1f95aa-1650423723225)]
最终，整体的neg权重 变为：
[图片上传失败...(image-851912-1650423723225)]
与 负相关，与 正相关。对于pos权重相同的anchor，IoU更小的会有更大的neg权重。在兼容验证指标的同时， 能给予检测器更多的监督信息。
pos权重和neg权重都以IoU作为输入，更准确的IoU可以保证更高质量的训练样本，有助于学习更强的特征。为此，论文提出了新的box精调操作，基于预测的四条边的偏移值 进行下一步的精调。
[图片上传失败...(image-98246a-1650423723225)]
考虑到目标边界上的点有更大的概率预测准确的位置，论文设计了可学习的预测模块，基于初步的bbox为每条边生成边界点。如图4所示，四个边界点的坐标定义为：
[图片上传失败...(image-a8361b-1650423723225)]
其中， 为精调模块的输出。最后，结合边界点的预测和精调模块的输出，最终精调后的anchor偏移 为：
[图片上传失败...(image-935c8b-1650423723225)]
DW策略可直接应用到大多数的dense检测器中。论文将DW应用到FCOS中并进行了少量修改，将centerness分支和分类分支合并成cls分数，网络的损失为：
[图片上传失败...(image-5d0fc-1650423723225)]
[图片上传失败...(image-1a38af-1650423723225)]
这里的 跟公式3是同一个， 和 分别为候选anchor数和非候选anchor数。
[图片上传失败...(image-20568e-1650423723225)]
平衡超参数对性能的影响。
[图片上传失败...(image-14e2fa-1650423723225)]
候选anchor选择方法对性能的影响。第一种为中心点的距离阈值，第二种选择最近的几个，第三种为距离权重与pos权重乘积排序。
[图片上传失败...(image-74467a-1650423723225)]
neg权重计算方式对比。
[图片上传失败...(image-8baa09-1650423723225)]
LA研究之间的对比。
[图片上传失败...(image-9d2740-1650423723225)]
与SOTA检测算法对比。
论文提出自适应的label assignment方法DW，打破了以往耦合加权的惯例。根据不同角度的一致性和非一致性指标，动态地为anchor分配独立的pos权重和neg权重，可以更全面地监督训练。此外，论文还提出了新的预测框精调操作，在回归特征图上直接精调预测框。
34篇。
京东探索研究院共34篇论文被CVPR收录，论文涵盖包括目标检测与识别、表征学习、知识蒸馏、图像生成、文本语义识别等领域。
