Le logiciel Deepfaune est un outil développé par le CNRS-INEE permettant la reconnaissance automatique d'espèces animales dans des images de pièges photographiques. Il est basé sur des algorithmes de deep learning et permet de faciliter le suivi et la surveillance de la faune sauvage, ainsi que d'aider les chercheurs en écologie et en biologie de la conservation dans leur travail.

Le projet Fixed-Kinetic Neural Hamiltonian Flows est une implémentation officielle d'un réseau de neurones utilisant des transformations Hamiltoniennes pour simuler des systèmes physiques complexes. Il est basé sur le papier Hamiltonian Generative Networks.

Ce projet fournit des liens Python vers les modèles PROSPECT et SAIL de réflectance des feuilles et des canopées, respectivement. Les modèles ont été réécrits et couplés en Python, avec certaines modifications pour améliorer l'efficacité. Les liens implémentent les modèles PROSPECT (versions 5 et D), SAIL (y compris l'extension thermique), et un modèle de réflectance du sol simple.

Ce projet fournit des implémentations PyTorch pour la traduction d'images non appariées et appariées, utilisant les réseaux antagonistes génératifs (GAN) et la traduction cycle-consistante. Il permet de convertir des images d'un domaine à un autre, de générer des images réalistes à partir de croquis, d'améliorer la qualité d'images et de créer des images à partir de descriptions textuelles.

Ce projet est un tutoriel sur l'apprentissage de réseaux de neurones et l'optimisation de fonctions différentiables à l'aide de PyTorch. Il couvre les bases de Python, la manipulation de tenseurs, l'automatic differentiation, et l'apprentissage automatique.

Ce projet est un framework de traduction d'images semi-supervisé pour la correspondance entre images radar et images optiques. Il est basé sur l'article « A Semi-Supervised Image-to-Image Translation Framework for SAR–Optical Image Matching » publié dans IEEE GRSL.

TorchMunTAN est un package Python contenant une implémentation PyTorch des réseaux d'attention temporels proposés dans [1] et affinés dans [2]. Il fournit une implémentation modulaire du module d'attention temporelle et une architecture Variational Auto-Encoder, ainsi qu'une classe de jeu de données pour travailler avec des données tensorielles extraites du jeu de données Pastis-R.