ENVI 全新深度学习物体检测工具：大幅减少标注与训练时间
14742 为本文评分:
4.3
ENVI 全新深度学习物体检测工具：大幅减少标注与训练时间
JP Metcalf 2022年2月22日，星期二
最新发布的 ENVI® Deep Learning 可以大幅减少标注和训练时间。如果您感兴趣的特征是物体而非地表覆盖物，ENVI Deep Learning 1.2 版本中新增的物体检测工具，让您能够在现有的像素分割功能之外，创建物体检测模型。物体标注通过创建矢量边界框来包围像素区域完成。您还可以使用“根据 ROI 构建物体检测栅格”工具，轻松地将现有的像素分割项目转换为物体检测训练图像。操作简单，只需选择起点和终点。
这篇博客概述了一个灾害响应项目，我在 2020 年飓风“德尔塔”过后绘制了屋顶防水布。项目开始时，获取到的最新影像是在飓风“德尔塔”席卷路易斯安那州造成 30 亿美元损失后不久采集的。最初，我利用 NOAA 应急响应影像网站 https://storms.ngs.noaa.gov/ 提供的航空影像，创建了一个像素分割深度学习模型来分类蓝色和绿色的防水布。该数据集包含 1,233 幅分块影像，覆盖范围 2.8 x 2.8 公里，空间分辨率为 20 厘米。
图 1：NOAA Storms 在 2020 年 10 月飓风“德尔塔”过后采集并发布的影像空间范围。
图 2：上传至 ArcGIS Portal 的像素分割结果（矢量格式），显示了防水布的精确轮廓。
在 1,233 幅分块影像中，我选择了包含受损住宅区的六幅图块，标注了蓝色和绿色防水布，以训练一个像素分割深度学习模型。模型训练完成后，我使用 ENVI Modeler 批量分类了全部 1,233 幅图块，将分类图像转换为 shapefile 文件，然后上传到 ArcGIS Portal 以供公众查阅。整个过程大约耗时 24 小时，包括标注防水布、训练深度学习模型以及批量处理矢量产品的所有时间。
当 ENVI Deep Learning 模块在 1.2 版本中添加了物体检测功能后，我想看看同样的防水布检测项目工作流程能否在速度上获益。简短的答案是：确实可以。训练一个新的物体检测模型非常直接。我只需要将已完成标注的像素分割标签转换为边界框，而这可以轻松地通过“根据 ROI 构建物体检测栅格”工具完成。该工具要求输入一幅图像和相关的感兴趣区域作为参数，其输出结果是一幅将标签显示为边界框的图像。转换完六幅已标注的图像后，我训练了一个新的深度学习模型来查找蓝色和绿色防水布，并以矢量边界框的形式输出结果。这省去了将栅格分类转换为矢量的时间。
图 3：将像素分割深度学习工作流转换为物体检测工作流后，得到的防水布边界框结果。
在创建了像素分割和物体检测两种工作流程后，我发现物体检测工作流程更适合检测屋顶防水布，因为我只需要知道防水布的位置，而不需要精确的轮廓描绘。输出结果已经是矢量格式，这使得能够更快地将防水布位置信息分发给灾害响应的相关方。
如果您错过了“ENVI Deep Learning 1.2 新功能”网络研讨会，可以在此处找到视频 here。
探索更多
INTERACTIVE DATA LANGUAGE
IDL 软件
从复杂的数值数据中提取有意义的信息可视化。
值得信赖的答案
ENVI 软件
处理和分析所有类型的影像和数据。
自动化分析
ENVI 深度学习
通过 ENVI 深度学习获得更快、更准确的结果。