9月1日,上海——2022世界人工智能大会(WAIC)隆重召开。时空AI作为开启城市元宇宙的重要技术引擎，在本届大会上从技术研讨、应用实战和场景互动三大层面，同全球观众展开生动交流。
中国科学院院士龚健雅在论坛中就《深度学习框架与时空信息智能处理》发表主旨演讲报告，从人工智能的发展、人工智能与遥感的紧密结合做了重点诠释，并详细介绍了武汉大学自主研发的遥感智能解译深度学习专用框架及其在国土资源与环境监测、农作物监测与估产、森林碳汇估算等许多领域的研究和探索。
以下是演讲实录：
人工智能迅速发展，对各行各业都造成了冲击，有些行业消失，有些行业得到大发展。人工智能的发展根据它的定义或者目前的能力，我个人更加认可由北京大学的朱松纯教授定义人工智能六大方向。这六个方向首先是计算机视觉，其中包括立体视觉、模式识别，我们现在大量的人脸识别都属于这个范畴；第二个是自然语音理解与交流，包括语音识别和翻译等等；第三个是机器学习；第四个是机器人学，包括智能机械、控制、设计、运动规则和任务规范；第五个是博弈与伦理，即机器与人的对抗、机器与机器的对抗等；最后就是认知与推理。
在我们现有的社会经济中存在着大量可感知和分析的数字信息，需要用到AI方法进行推理。今天由维智科技创始人陶闯博士发布的《时空AI白皮书（2022）》中，详细的介绍了时空大数据、时空知识图谱以及基于城市场景的算法模型，通过分析和推理来挖掘城市大数据的应用价值，这一系列的工作我认为在现阶段是非常关键且重要的。
测绘遥感与地理信息科学是与AI关联非常密切的领域。在深度学习、机器学习的发展过程中，大家可能了解最有名的就是ImageNET挑战赛，深度学习最初在图像识别的准确率高达84%，撼动了整个计算机视觉领域。现在深度学习几乎成了人工智能的代名词。测绘遥感实际上用到的也是深度学习，包括目标检测、场景的理解等。然而深度学习在遥感信息处理中也遇到了挑战和问题，主要体现在两个方面：其一是关于基础性的研究，包括高质量的样本库，样本库的设计以及标注；其二是神经网络结构以及模型的设计。
另外，目前通用的深度学习框架还不能满足我们的要求，我们需要研究专用的遥感智能深度学习网络架构。这其中涉及到遥感领域数据的特性，包括遥感的规模化数据量，其次是高光谱、定量遥感等工作要嵌入进去，这是我今天要讲的主要内容，也就是LuojiaNet。
LuojiaNet框架首先依据遥感数据的特性，其内存可扩展，达到图像数据不需要切割就可以直接应用，其次能够支持各项知识融合的工作。该框架的设计之初即直接建立一个图框架，并建立图“金字塔”，消除上下边界效应；其次是多通道设计，在调参时候就会自动的学习和计算最优光谱并计算出最佳参数，使得精度有大幅度提升。除此之外，LuojiaNet作为一个基础性平台，在数据的输入输出方面能够支持十几种的矢量数据格式和三十多种栅格数据格式。在建立好工作流之后，自动生成机器学习的语言。大家感兴趣可以加入我们的开源社区联盟。
最后总结一下时空AI技术的未来发展：
首先是知识图谱，我们通过标签构建知识图谱，通过知识图谱和图形融合，最后得到一个更好更可靠的结果，从这里知识图谱影像的生成来看，其精度和效率都有比较大的提升。
其次是人工智能的可解释性，深度学习就像一个盒子，这个盒子的模型精度高，很复杂，可解释性低。我们将可解释性等工作融入到深度学习框架中，这也是未来的研究方向，包括分析方法、可解释性指标、定量指标、评估指标等。
这些研究都是未来技术发展的必经之路，当然我们还要准备好面对更多的挑战，谢谢大家！
{{item.content}}