ENVI DL 1.1 包含许多重大改进，以提高可用性和训练性能。

·    多类别架构（Multiclass Architecture）

·    深度学习标记工具（Deep Learning Labeling Tool）

·    集成TensorBoard（可查看训练状态）

·    测试系统支持状态

·    其他更新

·    编程

·    申请试用

1 多类别架构（Multiclass Architecture）

ENVI DL 1.1新增支持多类别目标提取。功能如下：

·    支持一次提取多类别。ENVI DL 1.0为单类别提取，1.1新增多类别架构，最多一次可提取255个类别。

·    采用新的定制架构，显著提高模型性能和分类精度。新架构更加擅长重构标记样本的几何形状，例如圆形、矩形或多边形。

·    在自带的ENVI Modeler工作流中，已将模型训练替换为新的架构。

下图展示了使用新的多类别架构识别龙卷风后建筑物损坏情况，可以看到蓝色防水布（Blue Tarps）的形状和边缘捕捉非常清晰，还可以识别边缘模糊的类别。

请参阅ENVI深度学习帮助中的ENVI Deep Learning Tutorial: Extract Multiple Features章节。

四个类别的提取较为常见，但是下面的示例显示了多类别架构的真正能力。这是利用Landsat 8卫星图像提取的84类土地覆盖分类图像。

2 深度学习标记工具（Deep Learning Labeling Tool）

ENVI DL新增标记工具（Deep Learning Labeling Tool），提供了样本数据的标记和管理功能。

包含如下特性：

·    提供工程管理功能。这样便可以统一管理一个特定应用场景的所有训练数据。

·    提供类别管理功能。当我们设定好类别信息后，每次添加图像时无需新建ROI。如果打开图像时ROI类别不存在，标记工具将自动创建。

·    当使用标记工具时，自动实时保存所有操作，保证不会丢失。

·    明确标注图像是否已标记样本，方便工程多次编辑。

下图为标记工具创建的统计报告：

3 集成TensorBoard

可以实时了解模型训练的状态，如果发现输入的参数值不正确或没有创建足够的训练数据，可以提前终止训练从而节省时间。为了提供训练的实时反馈，TensorBoard被集成到训练过程中。开始训练模型时，TensorBoard会自动启动。它将在Web浏览器中打开，类似下图：

·    训练期间，TensorBoard报告每次批处理和迭代的Accuracy、Loss、Precision和Recall。

·    通过TensorBoard可以确认在训练过程中Accuracy、Precision和Recall是否都在增加，并且Loss在减少。建议至少验证两次迭代，如果不是上述情况，便可以停止训练，通过调整参数或添加更多的样本数据来提高精度。对于一些复杂的特征，可能需要经过更长时间的训练才能对性能有一个大致的了解。

·    可以使用ENVI内置的浏览器组件或系统浏览器查看训练指标。

·    通过Deep Learning Guide Map工具菜单Show Training Metrics可以访问和管理训练指标。

·    可以方便地对比多次训练。TensorBoard中的训练日志在训练会话之间保持不变，以便在重新训练时，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效。

4 测试系统支持状态

当我们第一次安装ENVI DL时，建议首先运行Test Installation and Configuration工具（在/Deep Learning/Deep Learning Guide Map工具的菜单Tools下）。此工具验证您的系统是否正确配置了NVIDIA驱动程序、NVIDIA GPU和库文件。

Test Installation and Configuration工具已更新，通过运行一个小的模型训练来验证所有过程是否按预期完成。测试完成后将显示一个对话框，提示系统是否准备好使用ENVI深度学习。

5 其他更新

其他更新提高了ENVI深度学习的可用性：

·    支持CUDA 10。现在可以使用最新的NVIDIA GPU。

·    在使用TensorFlow Mask Classification工具进行图像分类时，可以选择输出分类图像和类激活图（Class Activation Raster）。建议选择输出分类图像而不是类激活图像，除非希望自己设置类激活图像的阈值，特别是对于单类别情况。

·    Train TensorFlow Mask Model工具将默认同时保存最优和最后模型。最优模型是在每个迭代结束时验证数据的Loss值最低的模型。大多数情况下，此模型在其他数据上的性能将优于上一次迭代模型（甚至可能是最后一个模型）。但是，这个取决于创建验证数据的谨慎程度、与训练数据的相似程度、与模型使用的其他数据的相似程度等。有时训练时间越长，生成的模型性能越好，所以同时提供了最后一次迭代的模型。

·    新增工具Class Activation to Polyline Shapefile：将得到的类激活图转换为多边线矢量（提取中心线）

6 编程

新增如下过程/Task:

API更新：

ENVI Deep Learning 1.1有一些API更新，与以前版本会有冲突。如果在IDL代码或ENVI Modeler工作流中使用了以下Task，请更新代码或模型，以便与版本1.1兼容。

·    ENVITensorFlowClassificationTask：OUTPUT_RASTER关键字被OUTPUT_CLASSIFICATION_RASTER和OUTPUT_CLASS_ACTIVATION_RASTER替代。同样的，OUTPUT_RASTER_URI关键字被OUTPUT_CLASSIFICATION_RASTER_URI和OUTPUT_CLASS_ACTIVATION_RASTER_URI替代。

·    ENVIRandomizeTrainTensorFlowMaskModelTask：EPOCHS、OUTPUT_EPOCHS、 PATCHES_PER_EPOCH和OUTPUT_PATCHES_PER_EPOCH被移除。

·    ENVITrainTensorFlowMaskModelTask：新增OUTPUT_LAST_MODEL关键字用于返回最后一次模型。

7 申请试用

请访问

或“ENVI技术殿堂”公众号菜单：申请试用 > ENVI-IDL