ENVI Deep Learning

ENVI Deep Learning je komerční doplňkový modul pro software NV5 Geospatial ENVI pro analýzu snímků, který přináší hluboké učení do vzdáleně snímaných obrazů bez programování. Trénování užitečných modelů obvykle vyžaduje dovednosti v datové vědě a kódování; modul místo toho poskytuje průvodce a nástroj pro označování, ve kterém analytici označují příklady oblastmi zájmu, anotacemi nebo COCO datovými sadami a poté modely trénují několika kliknutími.

Verze 4.0 trénuje ONNX modely se sedmi vestavěnými architekturami pro segmentaci pixelů (SegUNet++, SegUNet, DeepLabV3+), detekci objektů (RT-DETRV2 Small a Large) a detekci mřížky (ResNet50V2, ResNet101V2) a může také spouštět ONNX modely trénované jinde, například v PyTorch nebo TensorFlow. Předzpracování v ENVI (kalibrace, atmosférická korekce, barevné transformace) připravuje konzistentní vstupy a uživatelé mohou přidávat spektrální indexy nebo vrstvy nadmořské výšky pro posílení klasifikátorů. Výstupy zahrnují klasifikační rastry, mapy aktivace tříd, ROI, shapefile a GeoJSON.

Modul podporuje pozemní, UAV, letecké a kosmické snímky. NV5 ukazuje jeho použití při extrakci nových záplavových vod ze Sentinel-1 SAR dat a detekci letadel na 0,5 m SkySat snímcích. Korea University jej použila se sezónními kompozity Sentinel-2 k mapování jehličnatých a listnatých lesů po celé Jižní Koreji pro národní hlášení emisí skleníkových plynů, dosahujíc celkové přesnosti 83,13 %. Postaveno na rámci ENVI Task, trénované klasifikátory mohou běžet na desktopu, lokálních serverech nebo v cloudu; edice Runtime umožňuje inferenci bez samostatné licence Deep Learning a modely lze sdílet prostřednictvím Analytics Repository. Funguje na Windows a Linuxu; trénování vyžaduje NVIDIA CUDA GPU, zatímco klasifikace může běžet na GPU nebo CPU.