ENVI Deep Learning

ENVI Deep Learning är en kommersiell tilläggsmodul till NV5 Geospatials ENVI-bildanalysprogramvara som för in djupinlärning i fjärranalysbilder utan programmering. Att träna användbara modeller kräver vanligtvis datavetenskapliga färdigheter och kod; modulen erbjuder istället en vägledande karta och ett märkningsverktyg där analytiker märker exempel med intresseområden, anteckningar eller COCO-dataset, och sedan tränar modeller med några klick.

Version 4.0 tränar ONNX-modeller med sju inbyggda arkitekturer för pixelsegmentering (SegUNet++, SegUNet, DeepLabV3+), objektigenkänning (RT-DETRV2 Small och Large) och rutnätsdetektion (ResNet50V2, ResNet101V2), och kan även köra ONNX-modeller tränade på andra håll, till exempel i PyTorch eller TensorFlow. ENVI:s förbehandling (kalibrering, atmosfärisk korrigering, färgomvandlingar) förbereder konsekventa indata, och användare kan lägga till spektrala index eller höjddata för att stärka klassificerare. Utdata inkluderar klassificeringsraster, klassaktiveringskartor, ROI:er, shapefiler och GeoJSON.

Modulen stöder terrestriska, UAV-, flyg- och rymdburna bilder. NV5 visar hur den extraherar nytt översvämningsvatten från Sentinel-1 SAR-data och upptäcker flygplan i 0,5 m SkySat-bilder. Korea University använde den med Sentinel-2 säsongskompositer för att kartlägga barr- och lövskog över Sydkorea för nationell rapportering av växthusgaser, och nådde 83,13 % total noggrannhet. Byggd på ENVI Task-ramverket kan tränade klassificerare köras på stationära datorer, lokala servrar eller i molnet; en Runtime-version kör inferens utan separat Deep Learning-licens, och modeller kan delas via Analytics Repository. Den körs på Windows och Linux; träning kräver en NVIDIA CUDA GPU, medan klassificering kan köras på GPU eller CPU.