ENVI Deep Learning

ENVI Deep Learning er en kommersiell tilleggsmodule for NV5 Geospatials ENVI bildeanalyseprogramvare som bringer dyp læring til fjernmålte bilder uten programmering. Å trene nyttige modeller krever vanligvis datafaglige ferdigheter og koding; modulen tilbyr i stedet et veiledningskart og merkingsverktøy der analytikere merker eksempler med interesseområder, annotasjoner eller COCO-datasett, og deretter trener modeller med noen få klikk.

Versjon 4.0 trener ONNX-modeller med syv innebygde arkitekturer for pikselsegmentering (SegUNet++, SegUNet, DeepLabV3+), objektdeteksjon (RT-DETRV2 Small og Large) og rutenettdeteksjon (ResNet50V2, ResNet101V2), og kan også kjøre ONNX-modeller trent andre steder, for eksempel i PyTorch eller TensorFlow. ENVIs forhåndsbehandling (kalibrering, atmosfærisk korreksjon, fargetransformasjoner) forbereder konsistente innganger, og brukere kan legge til spektrale indekser eller høyde-lag for å styrke klassifikatorene. Utdata inkluderer klassifiseringsrastere, klasse-aktiveringskart, ROI-er, shapefiler og GeoJSON.

Modulen støtter terrestriske, UAV-, luftbårne og rombårne bilder. NV5 viser den trekke ut nytt flomvann fra Sentinel-1 SAR-data og oppdage fly i 0,5 m SkySat-bilder. Korea University brukte den med Sentinel-2 sesongkompositter for å kartlegge barskog og løvskog over Sør-Korea for nasjonal rapportering av klimagassutslipp, og oppnådde 83,13 % total nøyaktighet. Bygget på ENVI Task-rammeverket kan trente klassifikatorer kjøre på stasjonære PC-er, lokale servere eller i skyen; en Runtime-utgave kjører inferens uten egen Deep Learning-lisens, og modeller kan deles gjennom Analytics Repository. Den kjører på Windows og Linux; trening krever en NVIDIA CUDA GPU, mens klassifisering kan kjøre på GPU eller CPU.