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.

PyJoules est un logiciel open source permettant de mesurer la consommation énergétique d'un ordinateur hôte pendant l'exécution d'un code Python. Il prend en charge le suivi de la consommation d'énergie des processeurs Intel, de la mémoire RAM et des GPU intégrés Intel pour les architectures serveur, ainsi que des GPU Nvidia.

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 est une formation au Deep Learning, co-organisée par le 3IA MIAI institute, le CNRS, via la Mission pour Transversal et Interdisciplinary Initiatives (MITI) et l'Université de Grenoble Alpes (UGA). Il vise à fournir une compréhension des bases des réseaux de neurones de Deep Learning, une première expérience à travers des exemples simples et représentatifs, une familiarisation avec les technologies Tensorflow/Keras et Jupyter lab, et une initiation aux environnements informatiques académiques Tier-2 ou Tier-1 avec des GPU puissants.

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 fournit une aide aux nouveaux utilisateurs pour comprendre un serveur gitlab spécifique et offre des tutoriels pour l'utilisation de YOLOv5 et DeepSort, deux outils de détection et de suivi d'objets.

Stereo2vec is a project that converts stereo audio data into vector space representations, enabling various audio-related use cases such as music genre classification, speech recognition, and sound event detection.