ENVI Deep Learning

ENVI Deep Learning è un modulo aggiuntivo commerciale per il software di analisi delle immagini ENVI di NV5 Geospatial che porta il deep learning nelle immagini da telerilevamento senza programmazione. L'addestramento di modelli utili solitamente richiede competenze di data science e codice; il modulo invece fornisce una mappa guida e uno strumento di etichettatura in cui gli analisti etichettano esempi con regioni di interesse, annotazioni o dataset COCO, quindi addestrano i modelli con pochi clic.

La versione 4.0 addestra modelli ONNX con sette architetture integrate per segmentazione pixel (SegUNet++, SegUNet, DeepLabV3+), rilevamento oggetti (RT-DETRV2 Small e Large) e rilevamento a griglia (ResNet50V2, ResNet101V2), e può anche eseguire modelli ONNX addestrati altrove, per esempio in PyTorch o TensorFlow. La pre-elaborazione di ENVI (calibrazione, correzione atmosferica, trasformazioni di colore) prepara input coerenti, e gli utenti possono aggiungere indici spettrali o layer di elevazione per rafforzare i classificatori. Gli output includono raster di classificazione, mappe di attivazione delle classi, ROI, shapefile e GeoJSON.

Il modulo supporta immagini terrestri, UAV, aeree e da satellite. NV5 lo mostra estrarre nuove acque di alluvione da dati Sentinel-1 SAR e rilevare aeromobili in immagini SkySat a 0,5 m. La Korea University lo ha usato con compositi stagionali Sentinel-2 per mappare foreste conifere e latifoglie in tutta la Corea del Sud per la rendicontazione nazionale dei gas serra, raggiungendo un'accuratezza complessiva dell'83,13%. Basato sul framework ENVI Task, i classificatori addestrati possono essere eseguiti su desktop, server on-premises o nel cloud; un'edizione Runtime esegue l'inferenza senza una licenza Deep Learning separata, e i modelli possono essere condivisi tramite l'Analytics Repository. Funziona su Windows e Linux; l'addestramento richiede una GPU NVIDIA CUDA, mentre la classificazione può essere eseguita su GPU o CPU.