ENVI Deep Learning

Az ENVI Deep Learning egy kereskedelmi bővítmény modul az NV5 Geospatial ENVI képelemző szoftveréhez, amely mélytanulást hoz a távérzékelt képekhez programozás nélkül. Hasznos modellek betanítása általában adat-tudományi készségeket és kódot igényel; a modul ehelyett egy útmutató térképet és címkéző eszközt biztosít, amelyben az elemzők példákat jelölnek meg érdekes területekkel, megjegyzésekkel vagy COCO adathalmazokkal, majd néhány kattintással betanítják a modelleket.

A 4.0 verzió ONNX modelleket képez hét beépített architektúrával pixel szegmentációhoz (SegUNet++, SegUNet, DeepLabV3+), objektumfelismeréshez (RT-DETRV2 Kicsi és Nagy) és rácsdetektáláshoz (ResNet50V2, ResNet101V2), valamint képes futtatni máshol betanított ONNX modelleket is, például PyTorch vagy TensorFlow környezetből. Az ENVI előfeldolgozása (kalibráció, atmoszférikus korrekció, színtranszformációk) egységes bemeneteket készít elő, és a felhasználók spektrális indexeket vagy magassági rétegeket adhatnak hozzá az osztályozók megerősítésére. A kimenetek között szerepelnek osztályozási raszterek, osztály-aktivációs térképek, érdekes területek (ROI), alakfájlok és GeoJSON.

A modul támogatja a földi, UAV, légi és űrből származó képeket. Az NV5 bemutatja, hogyan nyer ki új árvízi vizet Sentinel-1 SAR adatokból, és hogyan észlel repülőgépeket 0,5 m-es SkySat képeken. A Korea Egyetem Sentinel-2 szezonális kompozitokkal használta az országos üvegházhatású gázjelentéshez, és 83,13%-os összpontosságot ért el a tűlevelű és lomblevelű erdők feltérképezésében Dél-Koreában. Az ENVI Task keretrendszerre építve a betanított osztályozók futtathatók asztali gépeken, helyszíni szervereken vagy a felhőben; egy Runtime kiadás futtatja az inferenciát külön Deep Learning licenc nélkül, és a modellek megoszthatók az Analytics Repository-n keresztül. Windows és Linux rendszereken fut; a betanításhoz NVIDIA CUDA GPU szükséges, míg az osztályozás GPU-n vagy CPU-n is végezhető.