澳门大学全奖博士项目（Bob Zhang教授）

一、导师简介

作为澳门大学科技学院的副教授，Bob Zhang（YIBO BOB ZHANG）在生物识别、人工智能及多媒体分析领域深耕多年，积累了深厚的学术积淀与丰富的研究经验。

公开学术数据显示，他的研究成果获得广泛认可：WOS数据库收录其论文297篇，Scopus数据库收录262篇；WOS引用量达7517次，Scopus引用量更是高达8755次，H指数在两大数据库中分别达到44和48，FWCI（Scival）为0。值得关注的是，在澳门大学任职期间，他的学术产出尤为突出——WOS收录288篇、Scopus收录253篇，引用量分别为6423次和7314次，H指数对应为43和46。这一数据充分说明，Bob Zhang教授在澳门大学的学术团队中扮演核心角色，其研究方向与机构的学科发展高度契合。

Bob Zhang教授的研究横跨计算机视觉、模式识别与多媒体分析等交叉领域，核心聚焦生物识别技术、异常检测算法、人工智能模型融合及隐私保护技术。澳门大学科技学院凭借区域领先的科研资源与跨学科合作氛围，为其研究的开展与深化提供了坚实支撑。

二、近期文章和项目解析

2025年，Bob Zhang教授团队发表的10项研究成果，集中体现了“技术创新+场景落地”的研究特色，发表于IEEE Transactions系列顶刊、IJCAI等国际顶会及权威专著，覆盖三大核心研究方向，展现了扎实的理论功底与强劲的应用潜力。

2.1 生物识别技术：从静态到动态，从单一到智能

生物识别是Bob Zhang教授的核心研究方向，近期成果打破传统技术局限，实现多重创新。

-IEEE Transactions on Information Forensics and Security（IF:8.0/8.5）刊发了《SF2Net: Sequence Feature Fusion Network for Palmprint Verification》。该期刊是信息安全与取证领域的顶级学术平台，此次发表的序列特征融合网络（SF2Net），通过优化特征提取逻辑，有效解决了手掌纹验证中特征信息不足的问题，显著提升了识别的准确性与稳定性。

-《Beyond Static Features: A Novel Dynamic Palmprint Verification Framework Empowered by Generative Models》发表于IEEE Signal Processing Letters（IF:3.9/3.9）。不同于传统静态特征依赖型方法，该研究借助生成模型的优势，构建动态手掌纹验证框架，让识别系统在复杂环境下依然能保持高鲁棒性，为生物识别技术的场景拓展提供了新路径。

-2025 IEEE International Joint Conference on Biometrics（IJCB）收录了《Integrating LLM in Privacy-Sensitive Age Estimation: A Tongue-Based Biometric Framework》。该研究创新性地将大语言模型（LLM）融入舌头生物识别系统，针对年龄估计这类隐私敏感场景，在保证识别准确性的同时强化隐私保护，进一步拓宽了生物识别技术的应用范围。

2.2 异常检测：多场景覆盖，技术落地导向明确

异常检测领域的研究是Bob Zhang教授团队的另一重点，近期成果覆盖视频、工业、像素级等多个关键场景，技术路线紧扣实际应用需求。

-Neural Networks（IF:6.3/7.5）发表的《Prototype-guided and dynamic-aware video anomaly detection》，提出原型引导与动态感知相结合的检测方法。该方法大幅提升了动态场景中异常事件的识别效率，为安防监控、公共安全等领域的技术升级提供了有力支持。

-《Towards VLM-based Hybrid Explainable Prompt Enhancement for Zero-Shot Industrial Anomaly Detection》入选International Joint Conference on Artificial Intelligence（IJCAI-25）。作为人工智能领域的顶级会议，IJCAI的认可印证了该研究的前沿性——基于视觉语言模型（VLM）的混合可解释性提示增强方案，成功解决了工业场景下零样本异常检测的核心痛点，为工业质检的智能化转型提供了新方案。

-同样入选IJCAI-25的《Omni-Dimensional State Space Model-driven SAM for Pixel-level Anomaly Detection》，将全维状态空间模型与SAM（Segment Anything Model）深度融合，实现像素级精准异常检测。该技术可直接应用于医疗影像分析、工业缺陷检测等高精度需求场景，具备极强的落地价值。

2.3 大模型融合：跨领域赋能，拓展研究边界

将LLM、VLM等人工智能大模型与传统技术结合，是Bob Zhang教授近期研究的显著特色，也为多个领域的技术升级提供了新动能。

-ACM International Conference on Multimedia（MM 2025）收录的《Towards a Global Spatial-Temporal Food Memory: A Vision for Privacy-Preserving Collaborative Multimedia Analysis》，提出隐私保护型协同多媒体分析的学术愿景。该研究探索大模型在时空数据处理中的应用路径，为跨区域、跨机构的多媒体数据共享与分析提供了隐私安全保障，展现了研究的前瞻性与社会价值。

三、未来研究预测

结合Bob Zhang教授的研究轨迹与行业发展趋势，其未来研究将在现有基础上进一步深化，呈现三大清晰方向：

3.1 生物识别技术：多模态融合与隐私保护并重

动态生物识别技术的优化将持续推进，静态与动态特征的融合机制会更高效、更精准。多模态生物识别（如手掌纹与其他生理特征的组合应用）将成为重点研究方向，以提升识别系统的适应性与可靠性。同时，隐私保护技术将贯穿生物识别的全流程，LLM等智能模型的深度融入将进一步提升系统的智能化水平，推动技术在远程身份认证、医疗隐私数据管理等敏感场景的广泛应用。

3.2 异常检测：聚焦实时性与泛化性突破

工业生产、公共安防、医疗诊断等实际场景，对异常检测技术的实时性要求日益提高。未来研究将重点优化模型架构，降低计算开销，实现技术的端侧部署，满足实时检测需求。同时，针对不同行业的个性化场景，研究将着力提升模型的泛化能力，解决跨场景适配难题，推动异常检测技术从实验室研究走向规模化工业应用。

3.3 大模型融合：深化跨领域应用与可解释性提升

LLM、VLM等大模型与生物识别、异常检测、多媒体分析的融合将更加深入，不仅局限于现有场景，还将向更多跨学科领域拓展。可解释性AI技术将成为重要研究支撑，破解大模型“黑箱”问题，让融合模型在隐私敏感、高可靠性要求的场景中更具竞争力，为技术的落地应用清除关键障碍。