ENVI Deep Learning

ENVI Deep Learning on NV5 Geospatialin ENVI-kuvananalyysiohjelmiston kaupallinen lisämoduuli, joka tuo syväoppimisen kaukokartoitettuihin kuviin ilman ohjelmointia. Hyödyllisten mallien kouluttaminen vaatii yleensä data-analytiikan taitoja ja koodausta; moduuli tarjoaa sen sijaan opaskartan ja merkintätyökalun, jossa analyytikot merkitsevät esimerkit kiinnostuksen kohteiden alueilla, annotaatioilla tai COCO-datalla, ja kouluttavat malleja muutamalla napsautuksella.

Versio 4.0 kouluttaa ONNX-malleja seitsemällä sisäänrakennetulla arkkitehtuurilla pikselisegmentointiin (SegUNet++, SegUNet, DeepLabV3+), kohteiden tunnistukseen (RT-DETRV2 Small ja Large) ja ruudukon havaitsemiseen (ResNet50V2, ResNet101V2), ja voi myös ajaa ONNX-malleja, jotka on koulutettu muualla, esimerkiksi PyTorchilla tai TensorFlow'lla. ENVI:n esikäsittely (kalibrointi, ilmakehän korjaus, värimuunnokset) valmistaa yhtenäiset syötteet, ja käyttäjät voivat lisätä spektri-indeksejä tai korkeustasoja vahvistaakseen luokittelijoita. Tuloksia ovat luokittelurastrit, luokkatilakartat, kiinnostuksen kohteet (ROI), shapefilet ja GeoJSON.

Moduuli tukee maanpäällisiä, UAV-, ilmakuvia ja avaruudesta otettuja kuvia. NV5 esittelee sen uoman veden erottelussa Sentinel-1 SAR -datasta ja lentokoneiden havaitsemisessa 0,5 m SkySat-kuvissa. Korean yliopisto käytti sitä Sentinel-2:n kausikoosteiden kanssa kartoitukseen havu- ja lehtimetsistä Etelä-Koreassa kansallista kasvihuonekaasuraportointia varten, saavuttaen 83,13 % kokonaistehokkuuden. ENVI Task -kehykseen perustuen koulutetut luokittelijat voivat toimia työasemilla, paikallisilla palvelimilla tai pilvessä; Runtime-versio suorittaa päättelyn ilman erillistä Deep Learning -lisenssiä, ja malleja voidaan jakaa Analytics Repositoryn kautta. Se toimii Windowsilla ja Linuxilla; koulutus vaatii NVIDIA CUDA -näytönohjaimen, kun taas luokittelu voi toimia GPU:lla tai CPU:lla.