ENVI Deep Learning

ENVI Deep Learning er en kommerciel tilføjelsesmodul til NV5 Geospatials ENVI billedanalyse-software, der bringer dyb læring til fjernmålede billeder uden programmering. Træning af nyttige modeller kræver normalt data-science færdigheder og kode; modulet tilbyder i stedet et vejledningskort og mærkningsværktøj, hvor analytikere mærker eksempler med interesseområder, annotationer eller COCO-datasæt, og derefter træner modeller med få klik.

Version 4.0 træner ONNX-modeller med syv indbyggede arkitekturer til pixel-segmentering (SegUNet++, SegUNet, DeepLabV3+), objektdetektion (RT-DETRV2 Small og Large) og gitterdetektion (ResNet50V2, ResNet101V2), og kan også køre ONNX-modeller trænet andre steder, for eksempel i PyTorch eller TensorFlow. ENVI's forbehandling (kalibrering, atmosfærisk korrektion, farvetransformationer) forbereder konsistente input, og brugere kan tilføje spektrale indekser eller højde-lag for at styrke klassifikatorer. Output inkluderer klassifikationsrastere, klasse-aktiveringskort, ROI'er, shapefiler og GeoJSON.

Modulet understøtter terrestriske, UAV-, luftbårne og rum-bårne billeder. NV5 demonstrerer det ved at udtrække nyt oversvømmelsesvand fra Sentinel-1 SAR-data og opdage fly i 0,5 m SkySat-billeder. Korea University brugte det med Sentinel-2 sæsonkompositter til at kortlægge nåletræ- og løvskov i hele Sydkorea til national rapportering af drivhusgasser og opnåede 83,13 % samlet nøjagtighed. Bygget på ENVI Task-rammen kan trænede klassifikatorer køre på desktops, lokale servere eller i skyen; en Runtime-udgave kører inferens uden separat Deep Learning-licens, og modeller kan deles via Analytics Repository. Det kører på Windows og Linux; træning kræver en NVIDIA CUDA GPU, mens klassificering kan køre på GPU eller CPU.