ENVI Deep Learning

ENVI Deep Learning on NV5 Geospatiali ENVI pildianalüüsi tarkvara kommertslik lisamoodul, mis toob süvaõppe kaugseirepiltidesse ilma programmeerimiseta. Kasulike mudelite treenimine nõuab tavaliselt andmeteaduse oskusi ja koodi; see moodul pakub selle asemel juhendkaarti ja märgistustööriista, kus analüütikud märgistavad näited huvipakkuvate piirkondade, annotatsioonide või COCO andmekogudega ning seejärel treenivad mudeleid mõne klikiga.

Versioon 4.0 treenib ONNX mudeleid seitsme sisseehitatud arhitektuuriga pikslisegmendiks (SegUNet++, SegUNet, DeepLabV3+), objektide tuvastamiseks (RT-DETRV2 Väike ja Suur) ning ruudustiku tuvastamiseks (ResNet50V2, ResNet101V2) ning suudab käivitada ka mujal, näiteks PyTorchis või TensorFlow's treenitud ONNX mudeleid. ENVI eeltöötlus (kalibreerimine, atmosfääri korrigeerimine, värvimuutused) valmistab ette ühtsed sisendid ning kasutajad saavad lisada spektraalindekseid või kõrguskihtide kihte klassifikaatorite tugevdamiseks. Väljunditeks on klassifikatsiooni rasterid, klassiaktivatsiooni kaardid, huvipakkuvad piirkonnad (ROI), shapefile'id ja GeoJSON.

Moodul toetab maismaa-, drooni-, õhu- ja kosmosepõhist pildistamist. NV5 demonstreerib selle kasutamist uue üleujutusvee eraldamiseks Sentinel-1 SAR andmetest ning lennukite tuvastamiseks 0,5 m SkySat piltidel. Korea Ülikool kasutas seda Sentinel-2 hooajaliste komposiitidega, et kaardistada okas- ja lehtmetsasid kogu Lõuna-Koreas riiklikuks kasvuhoonegaaside aruandluseks, saavutades 83,13% üldise täpsuse. ENVI Task raamistikule ehitatud treenitud klassifikaatoreid saab käivitada lauaarvutites, kohapealsetel serveritel või pilves; Runtime versioon võimaldab teha järeldusi ilma eraldi Deep Learning litsentsita ning mudeleid saab jagada Analytics Repository kaudu. Tarkvara töötab Windowsis ja Linuxis; treenimiseks on vajalik NVIDIA CUDA GPU, klassifitseerimine võib toimuda nii GPU kui CPU peal.