Projet de master visant à appliquer des outils d'apprentissage profond (deep learning) pour résoudre un problème complexe de vision par ordinateur : la reconnaissance d'expressions mathématiques manuscrites. Il propose des méthodes pour analyser, segmenter et reconnaître des symboles mathématiques à partir de données manuscrites, avec des outils pour évaluer les performances des modèles développés.

LaREx est une solution innovante conçue pour détecter les décalages de distribution dans les données d'entrée des modèles d'intelligence artificielle, notamment ceux utilisés en vision par ordinateur. Elle permet d'évaluer la fiabilité des systèmes de classification d'images, de détection d'objets et de segmentation sémantique en identifiant les écarts entre les données d'entraînement et les nouvelles données. Développée par des chercheurs soutenus par des programmes publics français, cette méthode offre une approche légère et efficace pour renforcer la sécurité des applications critiques.

Bibliothèque open source dédiée à l'estimation de l'incertitude et à la détection de données hors distribution (OoD) pour les modèles d'intelligence artificielle. Elle permet d'évaluer et de déployer des méthodes d'incertitude pour des tâches de vision par ordinateur (classification d'images, détection d'objets, segmentation sémantique) et de traitement automatique des langues (détection d'hallucinations dans les grands modèles de langage).

Segmentools est une bibliothèque open source dédiée à la segmentation d'images par intelligence artificielle. Elle fournit des outils pour entraîner, évaluer et déployer des modèles de segmentation basés sur PyTorch. La solution facilite la standardisation des formats de données et propose des pipelines modulaires pour les chercheurs et développeurs en vision par ordinateur. Elle ne fournit pas de modèles pré-entraînés mais des utilitaires pour les intégrer facilement.

Ce projet de recherche académique étudie comment la quantification des modèles de vision par ordinateur (VLMs) peut améliorer leur fiabilité sans sacrifier leur précision. Il propose une évaluation systématique des compromis entre précision et robustesse dans le cadre de l'ICML 2026, avec des implications pour le déploiement de modèles légers en production.

Projet dédié à la création, l'entraînement et l'évaluation de modèles de machine learning pour la vision par ordinateur. Il permet de prédire des résultats à partir d'images en utilisant des architectures de réseaux de neurones comme U-Net. Le code est structuré pour faciliter l'entraînement, la sauvegarde et l'utilisation des modèles, avec des outils pour visualiser les performances et les prédictions.

Ce projet propose des exemples concrets et des cas d'usage pour l'algorithme HappyPose, spécialisé dans l'estimation de pose 3D d'objets à partir d'images. Il sert de support pédagogique et de référence pour les chercheurs, développeurs et utilisateurs souhaitant comprendre ou tester les capacités de ce modèle. Les exemples illustrent des scénarios variés d'application, facilitant l'intégration et l'évaluation dans des projets de vision par ordinateur.

SCE est un framework dédié à l'apprentissage auto-supervisé pour les modèles de vision par ordinateur. Il permet d'entraîner des réseaux de neurones profonds sans nécessiter de données étiquetées, en utilisant des techniques de contraste pour améliorer la qualité des représentations apprises. Le projet propose des méthodes pour évaluer et comparer les performances des modèles sur diverses tâches de classification et de détection d'objets.