ENVI Deep Learning

ENVI Deep Learning is een commercieel add-on module voor NV5 Geospatial's ENVI beeldanalyse software die deep learning naar op afstand verkregen beelden brengt zonder programmeren. Het trainen van bruikbare modellen vereist meestal datawetenschappelijke vaardigheden en code; de module biedt in plaats daarvan een gidskaart en labeltool waarin analisten voorbeelden labelen met interessegebieden, annotaties of COCO-datasets, en vervolgens modellen trainen met een paar klikken.

Versie 4.0 traint ONNX-modellen met zeven ingebouwde architecturen voor pixelsegmentatie (SegUNet++, SegUNet, DeepLabV3+), objectdetectie (RT-DETRV2 Small en Large) en rasterdetectie (ResNet50V2, ResNet101V2), en kan ook ONNX-modellen uitvoeren die elders zijn getraind, bijvoorbeeld in PyTorch of TensorFlow. ENVI's preprocessing (kalibratie, atmosferische correctie, kleurtransformaties) bereidt consistente inputs voor, en gebruikers kunnen spectrale indices of hoogtelagen toevoegen om classifiers te versterken. Outputs omvatten classificatierasters, klasse-activatiekaarten, ROIs, shapefiles en GeoJSON.

De module ondersteunt terrestrische, UAV-, lucht- en ruimtebeelden. NV5 toont het extraheren van nieuw overstromingswater uit Sentinel-1 SAR-gegevens en het detecteren van vliegtuigen in 0,5 m SkySat-beelden. Korea University gebruikte het met Sentinel-2 seizoenscomposities om naaldbos en loofbos in Zuid-Korea in kaart te brengen voor nationale broeikasgasrapportage, met een totale nauwkeurigheid van 83,13%. Gebouwd op het ENVI Task-framework kunnen getrainde classifiers draaien op desktops, on-premises servers of in de cloud; een Runtime-editie voert inferentie uit zonder aparte Deep Learning-licentie, en modellen kunnen worden gedeeld via de Analytics Repository. Het draait op Windows en Linux; training vereist een NVIDIA CUDA GPU, terwijl classificatie op GPU of CPU kan draaien.