何军，博士，合肥综合性国家科学中心数据空间研究院计算社会学研究所副研究员，合肥市E类人才，安徽省制造强省专家库专家，安徽省高新技术产业领域专家库专家。长期从事智能信息处理、模式识别等研究，主持国家自然科学基金青年项目（C类）1项，主持国家重点研发子课题1项，参与5项国家、省部级项目，在国内外权威期刊发表论文16篇，授权国家发明专利5项，研究成果应用于教育、医疗、网安等领域。
研究方向
何军博士致力于小样本学习研究，针对当前领域存在的基准幻觉、分布失配与落地鸿沟三大痛点，探索以"高噪声—开集—跨域"为核心的递进式泛化研究体系，形成"鲁棒性→可识别性→适应性"的能力闭环，回答好“如何让机器学习突破数据喂养范式，具备仅凭极少量标注即可可靠泛化的认知能力”的关键科学问题，为智慧医疗、工业质检、遥感生态、低资源语言理解等领域工业级落地提供系统性技术支撑。
人物专访
Q
大众对"让机器看几个例子就会"这件事既好奇又怀疑。请先用通俗的话解释：小样本学习到底在解决什么问题？它为什么重要？
A
传统深度学习建立在"数据越学越好"的逻辑上——识别一万张猫的照片，才能学会"猫"这个概念。但现实中大量场景根本不存在十万条标注：一种罕见病可能只有几十例影像，某产线新下线的缺陷件样本寥寥，许多长尾类目连百条数据都凑不齐。小样本学习要解决的，就是让模型在只有极少标注（甚至几张图）的情况下完成可靠识别与泛化，本质上是在模仿人类"举一反三"的认知效率。它的重要性在于：让昂贵的专家标注不再是 AI 落地的瓶颈，也让 AI 能力真正延伸到医疗、工业质检、智慧农业、濒危物种识别这些"数据贫瘠"但价值极高的领域。
Q
既然问题重要，为什么至今还没有"被解决"？当前领域的主要瓶颈是什么，您和团队正把力气花在哪个方向？
A
坦率说，小样本学习仍处在"实验室得分漂亮、开放世界水土不服"的阶段。我们提炼出三大痛点：一是基准幻觉——现有基准数据分布规整，榜单上的提升换到真实场景往往失效；二是分布失配——训练学到的元知识一旦遭遇标注噪声或目标域偏移，泛化性能断崖式下跌；三是落地鸿沟——工程化门槛极高，方法往往依赖繁琐调优，难以嵌入生产管线。针对这些痛点，我们的团队构建了以"高噪声—开集—跨域"为核心的递进式泛化研究体系：在高噪声层面，通过噪声感知与置信度加权机制提升对标注污染的鲁棒性；在开集层面，发展基于度量空间的未知类拒绝方法，让模型"能说不"而不盲目归类；在跨域层面，结合测试时自适应与大模型先验，实现无需额外标注的快速域适应。三条路径形成"鲁棒性→可识别性→适应性"的能力闭环，目标是让模型从"刷榜"走向"能用"。
Q
小样本学习现在已经"落地"了吗？它主要在哪些应用邻域发挥作用，实际现状如何？
A
如果指"直接可用"，坦白说还没有；但作为增强手段和前置技术，它已经在多个邻域产生了实际价值。医学影像可能是最典型的：罕见病、罕见切面数据稀缺，用少样本分类辅助病灶筛查，能显著降低对专家标注的依赖，目前多处于"辅助参考"而非"独立决策"的阶段。工业质检是另一个活跃邻域——新产线、新缺陷类型的样本天然是少的，少样本学习加上测试时自适应，已经出现在部分智能质检产品中，解决的是"产线一换型，模型就要重训"的痛点。此外在遥感地物识别、农业病虫防治、濒危物种监测、推荐系统的冷启动等场景也有成熟落地。但现状要泼一点冷水：公开基准上的领先与真实部署之间存在明显落差，很多应用场景仍需要结合领域数据增强、人工复核，离"开箱即用"还有一段距离。未来随着大模型先验与少样本微调的结合成熟，小样本学习会从"独立研究方向"逐渐变成"基础能力"，像今天的数据增强一样不再被单独讨论。
主要研究成果
[1].Zhao L, Chen B, He J, et al. MultiHuman: Leverage Multimodal Prompts for Controllable Multi-Person Image Synthesizing[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2026.
[2].Ji B , He J ✉, Tang S ,et al.MMNP: Multi-Modal Negative Prototypes for Few-Shot Open-Set Recognition[C]//2025 5th International Conference on Artificial Intelligence, Automation and High Performance Computing (AIAHPC).
[3].Yang Y , He J✉ , Liu X ,et al.Adapting ObjectBox for accurate hand detection[J]. Pattern Recognition, 2025, 161:111315.
[4].王宇键,何军,张建勋,et al.头姿鲁棒的双一致性约束半监督表情识别[J].中国图象图形学报, 2025, 30(2):435-450.
[5].Su Y , Liu X , Huang Z ,et al.Reallocating and Evolving General Knowledge for Few-Shot Learning[J].IEEE Transactions on Circuits and Systems for Video Technology, 2024(12 Pt.2):34.DOI:10.1109/TCSVT.2024.3450861.
[6].Zhang X , He J *, Zhao J ,et al.Exploring and exploiting model uncertainty for robust visual question answering: Exploring and exploiting model.[J].Multimedia Systems, 2024.
[7].吕天根,洪日昌,何军,等.多模态引导的局部特征选择小样本学习方法[J].软件学报, 2023, 34(5):2068-2082.
[8].He J , Hong R , Liu X ,et al.Revisiting Local Descriptor for Improved Few-Shot Classification[J].ACM Transactions on Multimedia Computing, Communications, and Applications (TOMCCAP), 2022, 18(2-Sup):23.
[9].He J, Hong R, Liu X, et al. Memory-augmented relation network for few-shot learning[C]//Proceedings of the 28th ACM International Conference on Multimedia. 2020: 1236-1244.
（代表性论著，按时间降序排列，*共同一作，✉通讯作者）
供稿部门：合肥综合性国家科学中心数据空间研究院人才发展中心
