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.

RPCDataloader est une variante du Dataloader de PyTorch utilisant des travailleurs distants pour optimiser l'apprentissage automatique et le traitement de données.

Ce projet vise à étudier la vulnérabilité des modèles de reconnaissance de personnes aux attaques adverses. Il propose différents types d'attaques sur les modèles d'apprentissage métrique en fonction du nombre et du type de guides disponibles. Deux attaques particulièrement efficaces ont été identifiées, et le projet propose également des méthodes de défense contre ces attaques.

Ce projet concerne l'amélioration de l'apprentissage automatique à partir de quelques exemples grâce à la théorie de la métarépresentation multi-tâche. Il s'agit du code officiel de l'article accepté à ECCV 2022 intitulé "Improving Few-Shot Learning through Multi-task Representation Learning Theory".

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.

Le projet Quantum-Benchmark-CEA-LIST vise à fournir des outils pour l'optimisation et la simulation de systèmes quantiques, ainsi que l'évaluation des performances des calculateurs quantiques. Il s'appuie sur des bibliothèques telles que NumPy et SciPy pour fournir des fonctionnalités de calcul avancées.

Le projet ODGS (Object Detection with Geometric Shapes) est une solution de détection et de classification d'objets en 3D en utilisant des formes géométriques et des étiquettes 2D. Il permet d'améliorer la navigation et la manipulation dans des environnements 3D, facilitant ainsi l'interaction avec ces derniers.