2020年4月1日，《Multimedia Tools and Applications》（2018 IF=2.101）發佈撤稿通知，署名合肥工業大學計算機與信息學院學者於2017年2月發表在該刊的一篇論文《Image retargeting based on self-learning 3D saliency for content-aware data analysis》被撤稿，該論文第一作者Qiang Lu（英譯：路強），通訊作者為Yanxiang Chen（英譯：陳雁翔）。
撤稿原因：涉及抄襲文章（Plagiarism of Article）的問題。
基金支持：文章顯示，本研究得到國家自然科學基金（61672201）、安徽省自然科學基金（1408085MKL76）的資助，及安徽省科技計劃重點項目（15czz02074）的部分資助。
https://doi.org/10.1007/s11042-017-4436-0
https://doi.org/10.1007/s11042-017-4436-0
撤稿通知顯示：
“總編收回了這篇作為‘多媒體建模中的數據安全’特刊的一部分發表的這篇文章，因為它顯示了大量的文本重疊，尤其是與引用的文章：
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。
所有作者都同意這一撤回。”
該文摘要（英譯）：
“圖像重定目標是在保持感興趣區域的同時，改變圖像分辨率，避免明顯視覺失真的過程。換言之，它更關注圖像內容，而不是用於篩選數據分析有用信息的任何其他內容。現有的方法在處理不同類型的圖像時可能會遇到困難，因為這些方法大多隻考慮對圖像內容的複雜性敏感的二維特徵。目前，研究人員主要關注RGB-D信息，希望深度信息能有助於提高精度。然而，在任何地方都不容易獲得我們需要的RGBD圖像，如何利用深度信息仍在探索中。本文采用迭代MRF學習模型來預測單個靜止圖像的深度信息，而不是使用3D相機採集的RGB-D數據。那麼提出了基於RGB-D數據的自學習三維顯著性模型，並將其應用於接縫雕刻框架中。在放頂煤開採中，將自學習的三維顯著性與L1梯度範數相結合，可以更好地進行煤層搜索。實驗結果表明在接縫雕刻框架中使用RGB-D數據的優點。”
（注：“撤稿觀察”-追蹤撤稿事件，營造誠信學術環境；原創作品未經許可請勿轉載，歡迎分享轉發。）
閱讀更多 撤稿觀察 的文章
