2020年4月1日，《Multimedia Tools and Applications》（2018 IF=2.101）发布撤稿通知，署名合肥工业大学计算机与信息学院学者于2017年2月发表在该刊的一篇论文《Image retargeting based on self-learning 3D saliency for content-aware data analysis》被撤稿，该论文第一作者Qiang Lu（英译：路强），通讯作者为Yanxiang Chen（英译：陈雁翔）。
撤稿原因：涉及抄袭文章（Plagiarism of Article）的问题。
基金支持：文章显示，本研究得到国家自然科学基金（61672201）、安徽省自然科学基金（1408085MKL76）的资助，及安徽省科技计划重点项目（15czz02074）的部分资助。
https://doi.org/10.1007/s11042-017-4436-0
https://doi.org/10.1007/s11042-017-4436-0
撤稿通知显示：
“总编收回了这篇作为‘多媒体建模中的数据安全’特刊的一部分发表的这篇文章，因为它显示了大量的文本重叠，尤其是与引用的文章：
Chen, Y., Pan, Y., Song, M. et al. Image retargeting with a 3D saliency model. Signal Processing (2015). https://doi.org/10.1016/j.sigpro.2014.11.001。
所有作者都同意这一撤回。”
该文摘要（英译）：
“图像重定目标是在保持感兴趣区域的同时，改变图像分辨率，避免明显视觉失真的过程。换言之，它更关注图像内容，而不是用于筛选数据分析有用信息的任何其他内容。现有的方法在处理不同类型的图像时可能会遇到困难，因为这些方法大多只考虑对图像内容的复杂性敏感的二维特征。目前，研究人员主要关注RGB-D信息，希望深度信息能有助于提高精度。然而，在任何地方都不容易获得我们需要的RGBD图像，如何利用深度信息仍在探索中。本文采用迭代MRF学习模型来预测单个静止图像的深度信息，而不是使用3D相机采集的RGB-D数据。那么提出了基于RGB-D数据的自学习三维显著性模型，并将其应用于接缝雕刻框架中。在放顶煤开采中，将自学习的三维显著性与L1梯度范数相结合，可以更好地进行煤层搜索。实验结果表明在接缝雕刻框架中使用RGB-D数据的优点。”
（注：“撤稿观察”-追踪撤稿事件，营造诚信学术环境；原创作品未经许可请勿转载，欢迎分享转发。）
閱讀更多 撤稿觀察 的文章
