ENVI Deep Learning

ENVI Deep Learning je komercijalni dodatni modul za NV5 Geospatialov ENVI softver za analizu slika koji donosi duboko učenje na daljinski snimljene slike bez programiranja. Treniranje korisnih modela obično zahtijeva vještine znanosti o podacima i kodiranje; modul umjesto toga pruža vodič i alat za označavanje u kojem analitičari označavaju primjere regijama interesa, bilješkama ili COCO skupovima podataka, a zatim treniraju modele s nekoliko klikova.

Verzija 4.0 trenira ONNX modele sa sedam ugrađenih arhitektura za segmentaciju piksela (SegUNet++, SegUNet, DeepLabV3+), detekciju objekata (RT-DETRV2 Small i Large) i detekciju mreže (ResNet50V2, ResNet101V2), te može također pokretati ONNX modele trenirane drugdje, na primjer u PyTorch ili TensorFlow. ENVI-jeva predobrada (kalibracija, atmosferska korekcija, transformacije boja) priprema konzistentne ulaze, a korisnici mogu dodati spektralne indekse ili slojeve visine za jačanje klasifikatora. Izlazi uključuju klasifikacijske rasterske karte, karte aktivacije klasa, ROI-jeve, shapefile-ove i GeoJSON.

Modul podržava zemaljske, UAV, zračne i svemirske snimke. NV5 prikazuje ekstrakciju novih poplavnih voda iz Sentinel-1 SAR podataka i detekciju zrakoplova u 0,5 m SkySat snimkama. Korejski univerzitet koristio ga je sa sezonskim kompozitima Sentinel-2 za mapiranje četinjačkih i listopadnih šuma diljem Južne Koreje za nacionalno izvještavanje o stakleničkim plinovima, postižući ukupnu točnost od 83,13%. Izgrađen na ENVI Task okviru, trenirani klasifikatori mogu se pokretati na stolnim računalima, lokalnim serverima ili u oblaku; Runtime izdanje pokreće inferenciju bez zasebne licence za Deep Learning, a modeli se mogu dijeliti putem Analytics Repository. Radi na Windows i Linux operativnim sustavima; treniranje zahtijeva NVIDIA CUDA GPU, dok klasifikacija može raditi na GPU-u ili CPU-u.