ENVI Deep Learning

ENVI Deep Learning é um módulo comercial adicional para o software de análise de imagens ENVI da NV5 Geospatial que traz a aprendizagem profunda para imagens obtidas remotamente sem necessidade de programação. Treinar modelos úteis normalmente requer competências em ciência de dados e código; o módulo fornece em vez disso um mapa orientador e uma ferramenta de rotulagem onde os analistas etiquetam exemplos com regiões de interesse, anotações ou conjuntos de dados COCO, e depois treinam modelos com alguns cliques.

A versão 4.0 treina modelos ONNX com sete arquiteturas incorporadas para segmentação de pixels (SegUNet++, SegUNet, DeepLabV3+), deteção de objetos (RT-DETRV2 Pequeno e Grande) e deteção em grelha (ResNet50V2, ResNet101V2), podendo também executar modelos ONNX treinados noutros locais, por exemplo em PyTorch ou TensorFlow. O pré-processamento do ENVI (calibração, correção atmosférica, transformações de cor) prepara entradas consistentes, e os utilizadores podem adicionar índices espectrais ou camadas de elevação para reforçar os classificadores. Os resultados incluem rásteres de classificação, mapas de ativação de classes, ROIs, ficheiros shapefile e GeoJSON.

O módulo suporta imagens terrestres, de UAV, aéreas e espaciais. A NV5 demonstra a extração de novas águas de inundação a partir de dados Sentinel-1 SAR e a deteção de aeronaves em imagens SkySat de 0,5 m. A Universidade da Coreia utilizou-o com compósitos sazonais Sentinel-2 para mapear florestas de coníferas e folhosas em toda a Coreia do Sul para relatórios nacionais de gases com efeito de estufa, alcançando 83,13% de precisão global. Construído sobre a estrutura ENVI Task, os classificadores treinados podem ser executados em computadores de secretária, servidores locais ou na cloud; uma edição Runtime executa inferência sem uma licença separada de Deep Learning, e os modelos podem ser partilhados através do Analytics Repository. Funciona em Windows e Linux; o treino requer uma GPU NVIDIA CUDA, enquanto a classificação pode ser executada em GPU ou CPU.