ENVI Deep Learning

ENVI Deep Learning ist ein kommerzielles Add-on-Modul für die Bildanalyse-Software ENVI von NV5 Geospatial, das Deep Learning auf ferngesteuerte Bilddaten ohne Programmierung bringt. Das Trainieren nützlicher Modelle erfordert normalerweise Data-Science-Kenntnisse und Code; das Modul bietet stattdessen eine Leitkarte und ein Beschriftungswerkzeug, mit dem Analysten Beispiele mit Interessensgebieten, Anmerkungen oder COCO-Datensätzen kennzeichnen und dann Modelle mit wenigen Klicks trainieren.

Version 4.0 trainiert ONNX-Modelle mit sieben integrierten Architekturen für Pixelsegmentierung (SegUNet++, SegUNet, DeepLabV3+), Objekterkennung (RT-DETRV2 Small und Large) und Rastererkennung (ResNet50V2, ResNet101V2) und kann auch ONNX-Modelle ausführen, die anderswo trainiert wurden, beispielsweise in PyTorch oder TensorFlow. Die Vorverarbeitung von ENVI (Kalibrierung, atmosphärische Korrektur, Farbtransformationen) bereitet konsistente Eingaben vor, und Benutzer können spektrale Indizes oder Höhenlagen hinzufügen, um Klassifikatoren zu stärken. Die Ausgaben umfassen Klassifikationsraster, Klassenaktivierungskarten, ROIs, Shapefiles und GeoJSON.

Das Modul unterstützt terrestrische, UAV-, luftgestützte und weltraumgestützte Bilddaten. NV5 zeigt, wie es neues Hochwasser aus Sentinel-1 SAR-Daten extrahiert und Flugzeuge in 0,5 m SkySat-Bildern erkennt. Die Korea University nutzte es mit Sentinel-2-Saisonkompositen, um Nadel- und Laubwälder in Südkorea für die nationale Treibhausgasberichterstattung zu kartieren und erreichte eine Gesamtgenauigkeit von 83,13 %. Basierend auf dem ENVI Task Framework können trainierte Klassifikatoren auf Desktops, lokalen Servern oder in der Cloud ausgeführt werden; eine Runtime-Edition führt Inferenz ohne separate Deep-Learning-Lizenz aus, und Modelle können über das Analytics Repository geteilt werden. Es läuft unter Windows und Linux; das Training erfordert eine NVIDIA CUDA GPU, während die Klassifikation auf GPU oder CPU ausgeführt werden kann.