ENVI Deep Learning

ENVI Deep Learning ir komerciāls papildmodulis NV5 Geospatial ENVI attēlu analīzes programmatūrai, kas ievieš dziļo mācīšanos attālināti iegūtu attēlu apstrādē bez programmēšanas. Noderīgu modeļu apmācība parasti prasa datu zinātnes prasmes un kodu; šis modulis piedāvā ceļvedi un marķēšanas rīku, kurā analītiķi atzīmē piemērus ar interesējošām teritorijām, anotācijām vai COCO datu kopām, pēc tam ar dažiem klikšķiem apmāca modeļus.

4.0 versija apmāca ONNX modeļus ar septiņām iebūvētām arhitektūrām pikseļu segmentācijai (SegUNet++, SegUNet, DeepLabV3+), objektu noteikšanai (RT-DETRV2 Small un Large) un režģa noteikšanai (ResNet50V2, ResNet101V2), kā arī var darbināt ONNX modeļus, kas apmācīti citur, piemēram, PyTorch vai TensorFlow vidē. ENVI priekšapstrāde (kalibrēšana, atmosfēras korekcija, krāsu transformācijas) sagatavo konsekventus ievaddatus, un lietotāji var pievienot spektrālos indeksus vai augstuma slāņus, lai pastiprinātu klasifikatorus. Rezultātos ietilpst klasifikācijas rastri, klases aktivācijas kartes, ROI, shapefile faili un GeoJSON.

Modulis atbalsta sauszemes, bezpilota lidaparātu, gaisa un kosmosa attēlus. NV5 demonstrē tā pielietojumu, izdalot jaunu plūdu ūdeni no Sentinel-1 SAR datiem un atrodot lidmašīnas 0,5 m SkySat attēlos. Korejas Universitāte izmantoja to ar Sentinel-2 sezonālajiem kompozītiem, lai kartētu skujkoku un lapkoku mežus Dienvidkorejā valsts siltumnīcefekta gāzu ziņošanai, sasniedzot 83,13% kopējo precizitāti. Balstīts uz ENVI Task ietvaru, apmācītie klasifikatori var darboties uz galddatoriem, vietējiem serveriem vai mākonī; Runtime izdevums veic inferenci bez atsevišķas Deep Learning licences, un modeļus var koplietot caur Analytics Repository. Darbojas Windows un Linux vidēs; apmācībai nepieciešama NVIDIA CUDA GPU, bet klasifikācija var darboties gan uz GPU, gan CPU.