Bam-ood est un projet d'analyse d'images basé sur des algorithmes d'apprentissage profond. Il permet de détecter des objets, de reconnaître des visages, de segmenter des images et de les classer.

Ce projet est un projet de deep learning implémenté en Python. Il consiste en un notebook contenant un modèle de deep learning et des algorithmes. Le projet est structuré en plusieurs répertoires : le notebook principal, un répertoire contenant le jeu de données utilisé pour l'entraînement et les tests, un répertoire contenant les résultats d'évaluation et les métriques de performance, et un répertoire contenant l'application web.

Ce projet fournit des outils pour manipuler les prédictions d'un modèle de segmentation qui produit des masques de segmentation. Les masques de segmentation sont fusionnés dans un seul fichier. Le projet offre deux utilitaires : la conversion d'un masque d'image de segmentation en un fichier JSON décrivant la segmentation et le redimensionnement de la segmentation d'un fichier JSON.

Outil d'extraction de visages sur des images en utilisant OpenCV et la librairie Boost. Il détecte les visages dans une image, identifie les points fiduciaux (68 points) et extrait les visages en utilisant une ellipse comme masque.

Face-morpher est un projet utilisant la bibliothèque OpenCV pour la détection et le traitement d'images faciales. Il permet de déformer une image de visage selon une autre image, en se basant sur des points de repère fiduciaux (68 points par visage). Ce projet peut être utilisé pour représenter visuellement des émotions ou servir de base à des systèmes de reconnaissance faciale.

Le projet ITNI est dédié à l'indexation, la classification et la recherche d'images. Il permet d'analyser et d'organiser des collections d'images, facilitant ainsi leur gestion et leur réutilisation.

LMP est un outil d'analyse faciale qui fournit une implémentation des expériences décrites dans l'article de Benjamin Allaert, Ioan Marius Bilasco et Chaabane Djeraba. Il permet de reproduire les expériences en utilisant les mêmes configurations de données.

Ce projet fournit des outils pour former et tester un modèle Mask-RCNN utilisant PyTorch. Il permet la segmentation d'images pour la détection d'objets, la reconnaissance d'objets dans des images et l'analyse de la mise en page de documents.

Le projet motion-artifacts vise à analyser et améliorer des séquences vidéo en détectant les artefacts et en suivant les mouvements. Il permet d'obtenir des images de meilleure qualité en réduisant les distorsions et en stabilisant les séquences.

Le projet occ_rec est dédié à la reconstruction 3D d'espaces intérieurs et à l'analyse de leur occupation. Il permet de créer des plans d'intérieur précis et détaillés.