ENVI Deep Learning

ENVI Deep Learning est un module complémentaire commercial pour le logiciel d'analyse d'images ENVI de NV5 Geospatial qui apporte l'apprentissage profond aux images télédétectées sans programmation. La formation de modèles utiles nécessite généralement des compétences en science des données et du code ; le module fournit à la place une carte guide et un outil d'étiquetage dans lesquels les analystes étiquettent des exemples avec des régions d'intérêt, des annotations ou des ensembles de données COCO, puis entraînent les modèles en quelques clics.

La version 4.0 entraîne des modèles ONNX avec sept architectures intégrées pour la segmentation de pixels (SegUNet++, SegUNet, DeepLabV3+), la détection d'objets (RT-DETRV2 Small et Large) et la détection en grille (ResNet50V2, ResNet101V2), et peut également exécuter des modèles ONNX entraînés ailleurs, par exemple dans PyTorch ou TensorFlow. Le prétraitement d'ENVI (calibration, correction atmosphérique, transformations de couleur) prépare des entrées cohérentes, et les utilisateurs peuvent ajouter des indices spectraux ou des couches d'élévation pour renforcer les classificateurs. Les sorties incluent des rasters de classification, des cartes d'activation de classe, des ROI, des shapefiles et GeoJSON.

Le module prend en charge les images terrestres, UAV, aéroportées et spatiales. NV5 montre son extraction de nouvelles eaux de crue à partir des données Sentinel-1 SAR et la détection d'avions dans des images SkySat à 0,5 m. L'Université de Corée l'a utilisé avec des composites saisonniers Sentinel-2 pour cartographier les forêts de conifères et feuillus à travers la Corée du Sud pour le rapport national sur les gaz à effet de serre, atteignant une précision globale de 83,13 %. Construit sur le cadre ENVI Task, les classificateurs entraînés peuvent fonctionner sur des ordinateurs de bureau, des serveurs sur site ou dans le cloud ; une édition Runtime exécute l'inférence sans licence Deep Learning séparée, et les modèles peuvent être partagés via le Analytics Repository. Il fonctionne sous Windows et Linux ; la formation nécessite un GPU NVIDIA CUDA, tandis que la classification peut s'exécuter sur GPU ou CPU.