2019年ENVI深度学习模块应用与开发.pdf

《2019年ENVI深度学习模块应用与开发.pdf》由会员分享，可在线阅读，更多相关《2019年ENVI深度学习模块应用与开发.pdf（57页珍藏版）》请在三个皮匠报告上搜索。

1、ENVI深度学习模块应用与开发主要内容正式发布工具和参数应用案例精度分析开发技术与 ENVI Modeler与 ENVI Services EngineENVIDeepLearningENVI Deep Learning 正式发布ENVI Deep Learning 介绍 Harris（ENVI原厂商）拥有多年深度学习解决方案的实施经验。基于 TensorFlow 框架开发的遥感图像分类和目标识别工具。算法成熟，界面友好，操作便捷。引导式深入学习工作流程跨行业的专家解决方案4月18日V1.0 正式发布ENVI Deep Learning 特点与传统图像处理算法相比，ENVI基于光谱和空间的深度

2、学习可以更好地解决复杂问题。用户完全可以在ENVI中完成深度学习应用，无需额外编程。ENVI提供对数据、图像、矢量等文件的完善支持，有助于完成高级深度学习分析。ENVI深入学习工作流程使用户可以花费更多时间用于分析结果，而不是编程和配置各种库。ENVI Deep Learning 使用创建样本创建模型训练模型图像分类Built on TensorFlowTensorFlow众包的建筑物标签利用 ENVI Deep Learning发现新增建筑ENVI Deep Learning 工具和参数模块安装 需要单独安装：envideeplearningXX-win.exeenvideeplearnin

3、gXX-linux.tar.gz 支持 Windows、Linux 操作系统自助申请试用： Learning/Deep Learning Guide Map训练新的模型利用已训练模型进行目标提取重新训练模型 工具菜单：查看模型元数据信息自动检测硬件信息（GPU）CUDA-enabled GPU cardshttps:/ Build Label Raster from ROI利用 ROI 创建标签图像 Build Label Raster from Classification利用 ROI 创建标签图像 Train TensorFlow Mask Model模型训练 TensorFlow Mas

4、k Classification目标提取模型参数模型初始化参数 Patch Size：切片大小此值与GPU显存有关值越大，效率越高，对显存要求越高切片大小不能大于标签图像行列数 Number of Bands：波段个数支持多波段数据模型参数模型训练参数 Number of Epochs：周期数，建议在 16 到 32 之间 Number of Patches per Epoch：每个周期训练的切片数 此值一般在 200 到 1000 之间 训练数据集数量越少，设置此值越小 Number of Patches per Batch：一次迭代使用的切片数 Batch 是指一次迭代使用的一组切片 如果

5、为空，ENVI 将自动确定合适的值 Patch Sampling Rate：切片采样比率 当特征稀疏时，增加该值可能会有所帮助 对于较小的切片大小，增加此参数模型参数模型训练参数 Solid Distance：固定距离（单位像素）对于宽度一致的线性特征（如道路、道路中心线和运输集装箱）或尺寸一致的紧凑型特征（汽车和停车标志），建议定义该参数。Blur Distance：模糊距离（单位像素）深度学习算法很难学习诸如建筑物等特征的锐利边缘。模糊边缘，并在训练过程中减少模糊距离可以帮助模型逐渐聚焦于特征。模糊距离最大值必须小于70。模型参数模型训练参数 Class Weight一般来说，为稀疏训练集

6、设置最大值。最大值有效范围在 0.0 和 6.0 之间。Loss Weight参数可用于偏差损失函数（bias the loss function），以更加注重正确识别特征像素，而不是识别背景像素。此参数在特征目标稀疏分布或者没有标记所有特征时很有用。值为0表示模型应同等对待特征和背景像素。增加Loss Weight参数会使损失函数偏向于寻找特征像素。此参数值的有效范围在 0 到 3.0 之间。ENVI Deep Learning 应用案例主要内容建筑物蔬菜大棚人造地物倒塌建筑物特殊符号数据源预处理样本训练结果效率精度卫片建筑物提取基本信息 数据源：3 景 SuperView-1 影像全色分辨