ENVI深度学习新增功能（V1.1.1）_envi deep learning

版本新增功能

ENVI深度学习1.1.1专门用于ENVI 5.6。

1.1 多类架构

• 一次提取多个特征的能力。ENVI深度学习1.0是一个单分类器。使用新的多类体系结构，最多可以训练255个类。
• 通过新的定制架构，模型性能得到了显着改善。借助这种新架构，可以使分类器的准确性达到90%。使用相同的几何形状创建标注更加有助于重现，例如圆形，矩形或多边形。
• 该体系结构可用于任意类别数量的识别，包括可能使用ENVI Deep Learning 1.0创建的单类模型。这是推荐用于训练所有会话的体系结构，并已取代ENVI Modeler工作流程中默认的单类体系结构。

下图显示了使用新的多类体系结构识别龙卷风后建筑物受损的结果。可以看到该体系结构如何捕获蓝色篷布的形状和轮廓，以及如何识别边界不明确的类：

 

虽然四种类别可能是常见的多类方案，但以下示例显示了多类体系结构的真正功能。这是从Landsat 8影像和美国农业部耕地数据层获得的84级土地覆盖物分类图像：深度学习标签工具

ENVI深度学习通过添加深度学习标签工具，对标记和管理数据的过程进行了重大改进。

 

1.2 标签工具可帮助简化训练过程：

• 存储了项目信息。可以在统一管理特定场景的所有训练数据。
• 管理类的列表。当具有任意数量的类别时，无需在每次添加新图像时都创建新的ENVI ROI。如果在打开图像时不存在ROI基类，则标签工具将自动创建ROI基类
• 确保进度永不丢失。在添加新标签或更新现有类别和几何图形时，所有更改将立即保存并保存到磁盘。

可以跟踪标记了哪些图像，以便知道从哪里停止。下图显示了通过标签工具创建的统计报告：

训练过程自动化。如果不存在栅格，或者自上次训练后训练数据已更新，将自动栅格化标签。这意味着标签工具不仅可以管理标签，还可以从中生成模型。

1.3 TensorBoard集成

如果发现输入错误的参数值或没有创建足够的训练数据，了解模型的实时性能可以节省时间。为了提供有关训练的实时反馈，TensorBoard已集成到训练过程中。当开始训练模型时，TensorBoard会自动启动。在Web浏览器中打开一个窗口，如下图所示：

 

以下是有关TensorBoard与ENVI深度学习集成的一些详细信息：

• TensorBoard报告训练期间每个Batch和每个Epoch的准确性、损失值、精确度和召回率，以及用于验证每个Epoch。
• TensorBoard允许验证训练期间的准确性和召回率是否在增加，而损失是否在减少。建议的方法是训练至少两个Epoch，并验证是否是这种情况。如果没有，可以停止训练，调整参数，添加更多数据，然后重试。对于某些复杂的功能，可能需要培训几个世纪才能获得大致的性能信息
• 可以使用内置的窗口小部件浏览器或系统浏览器查看训练指标。
• 可以通过从“Deep Learning Guide Map”菜单栏中选择“显示训练指标”来访问和管理指标：

  

   

 

• 可以轻松地将不同训练过程相互比较。TensorBoard的日志在训练期间保持不变，因此，当进行重新训练时，可以比较模型性能以查看新的训练数据或更新的参数是否有益。

 

1.4  验证系统要求

首次安装ENVI Deep Learning时，应运行“测试安装和配置”工具。此工具将验证系统是否已正确配置了NVIDIA驱动程序、NVIDIA GPU和安装库。

测试安装和配置工具更新后，可以进行一次小型训练，以验证一切是否按预期完成。完成后，会显示一个对话框，指示系统是否已准备好使用ENVI深度学习。

1.5 其他改进

其他更改提高了ENVI深度学习的可用性：

CUDA 10支持。现在可以将ENVI深度学习与最新的NVIDIA GPU一起使用。使用TensorFlow mask分类工具对图像进行分类时，现在可以生成分类图像以及现在可选的类激活图像。通过直接返回分类图像作为单独的步骤，而不是从类激活图像生成分类图像，可以减少处理时间。建议保存分类图像而不是类激活图像，除非想自己设置类激活图像的阈值，尤其是对于单类情况。

在训练期间，现在默认情况下，Train TensorFlow mask模型工具将保存最佳模型和最后一个模型。最好的模型是在每个时期结束时验证数据的损失值最低的模型。在大多数情况下，该模型在其他数据上的性能要比上一个模型更好（甚至可能是最后一个模型）。但是，根据验证数据的创建方式，与训练数据的相似性，与模型使用的其他数据的相似性等，有时训练时间越长，模型产生的性能就越好。因此，还提供了最后一个模型。