N2D2 est le framework CAD de CEA LIST pour la conception et la simulation de réseaux neuronaux profonds (DNN), ainsi que la construction d'applications DNN complètes sur plateformes embarquées. Il est développé en collaboration avec des partenaires industriels et académiques et est open source.

MonoProb est un projet de recherche en vision par ordinateur qui vise à estimer la profondeur d'une scène à partir d'une seule image. Il s'appuie sur des méthodes d'apprentissage profond auto-supervisées et fournit des incertitudes interprétables. Il a été accepté à la conférence IEEE Winter Conference on Applications of Computer Vision (WACV) 2024.

BrightFlow est un projet d'apprentissage profond dédié à l'analyse de flux optiques dans des vidéos, en particulier pour la détection de changements de luminosité. Il s'appuie sur un apprentissage non supervisé pour améliorer la précision des résultats.

KaliCalib est un framework développé pour participer au défi de calibration de caméras pour les matchs de basketball de l'ACM MMSports 2022. Il permet de reconnaitre et calibrer les terrains de basketball grâce à l'analyse de vidéos de matchs.

Ce projet propose une méthode de formation robuste contre les attaques adverses en utilisant la théorie récente des transports optimaux et un nouveau métrique de robustesse. Il fournit des outils pour entraîner des modèles avec cette méthode et pour évaluer leur robustesse contre différents types d'attaques adverses.

Le NeuroCorgi-SDK est un SDK permettant d'utiliser le modèle NeuroCorgi dans vos applications de détection d'objets, de segmentation d'instances et de classification en tant qu'extracteur de fonctionnalités. Ce SDK est développé dans le cadre du projet Andante. Le SDK fournit des versions du circuit NeuroCorgi qui peuvent simuler le comportement des modèles sur puce. Deux versions ont été conçues à partir d'un MobileNetV1 entraîné et quantifié en 4 bits en utilisant la méthode SAT dans N2D2 : l'une avec l'ensemble de données ImageNet et l'autre avec l'ensemble de données Coco.

Ce projet utilise des techniques de vision par ordinateur et d'apprentissage profond pour estimer la taille de ballons de basket-ball sur des vidéos. Il permet d'analyser des images sportives et de suivre l'évolution de la taille des ballons dans une vidéo.