ENVI Deep Learning

ENVI Deep Learning to komercyjny moduł dodatkowy do oprogramowania do analizy obrazów ENVI firmy NV5 Geospatial, który wprowadza głębokie uczenie do obrazów pozyskiwanych zdalnie bez konieczności programowania. Trenowanie użytecznych modeli zwykle wymaga umiejętności z zakresu nauki o danych i kodowania; moduł ten oferuje natomiast mapę przewodnią i narzędzie do etykietowania, w którym analitycy oznaczają przykłady za pomocą obszarów zainteresowania, adnotacji lub zestawów danych COCO, a następnie trenują modele kilkoma kliknięciami.

Wersja 4.0 trenuje modele ONNX z siedmioma wbudowanymi architekturami do segmentacji pikseli (SegUNet++, SegUNet, DeepLabV3+), wykrywania obiektów (RT-DETRV2 Small i Large) oraz wykrywania siatki (ResNet50V2, ResNet101V2), a także może uruchamiać modele ONNX trenowane gdzie indziej, na przykład w PyTorch lub TensorFlow. Wstępne przetwarzanie ENVI (kalibracja, korekcja atmosferyczna, transformacje kolorów) przygotowuje spójne dane wejściowe, a użytkownicy mogą dodawać wskaźniki spektralne lub warstwy wysokości, aby wzmocnić klasyfikatory. Wyniki obejmują rastry klasyfikacji, mapy aktywacji klas, ROI, pliki shapefile i GeoJSON.

Moduł obsługuje obrazy naziemne, UAV, lotnicze i satelitarne. NV5 prezentuje jego zastosowanie do wydobywania nowych obszarów zalewowych z danych Sentinel-1 SAR oraz wykrywania samolotów na obrazach SkySat o rozdzielczości 0,5 m. Uniwersytet Korei wykorzystał go z sezonowymi kompozycjami Sentinel-2 do mapowania lasów iglastych i liściastych w całej Korei Południowej na potrzeby krajowego raportowania gazów cieplarnianych, osiągając 83,13% dokładności ogólnej. Oparty na frameworku ENVI Task, wytrenowane klasyfikatory mogą działać na komputerach stacjonarnych, serwerach lokalnych lub w chmurze; edycja Runtime umożliwia wykonywanie inferencji bez osobnej licencji Deep Learning, a modele mogą być udostępniane przez Analytics Repository. Działa na systemach Windows i Linux; trenowanie wymaga karty NVIDIA CUDA GPU, natomiast klasyfikacja może być wykonywana na GPU lub CPU.