Ce projet vise à développer et comparer des modèles de deep learning pour compter et analyser des foules dans des images. Il reproduit deux architectures populaires (MCNN et SS-DCNet) afin d'évaluer leur performance sur des données réelles comme le jeu de données ShanghaiTech. L'objectif est d'améliorer la gestion des foules lors d'événements publics ou de manifestations, en fournissant des outils précis pour le suivi et la planification des interventions.

Ce projet développe des outils pour analyser et caractériser les sources sismiques à partir de données GNSS en utilisant des modèles d'apprentissage profond. Il permet de générer des séries temporelles synthétiques, d'entraîner des modèles de deep learning et d'évaluer leur performance sur des données réelles et simulées.

GROG est un générateur générique de charges de travail conçu pour créer des jeux de données de tâches destinées à l'évaluation de systèmes de planification. Il s'appuie sur des modèles inspirés de données réelles issues de Google et permet de simuler des environnements cloud ou HPC. Les traces générées sont compatibles avec des simulateurs comme Batsim, facilitant ainsi l'analyse et l'optimisation des systèmes de gestion de ressources.

OntoDBench permet aux DBA d'estimer la structuration de leurs jeux de données et d'évaluer l'évolutivité des trois principaux modèles de stockage de données basées sur l'ontologie dans leur jeux de données et workload réels. En fonction des exigences fonctionnelles et d'évolutivité, le DBA peut choisir le OBDB approprié. OntoDBench prend en charge les fonctionnalités suivantes : évaluation des caractéristiques des jeux de données réels, identification des modèles de stockage pertinents pour un OBDB donné, expression des requêtes de travail selon les trois représentations et évaluation des performances des requêtes.

Ce projet génère des jeux de données synthétiques à partir de données juridiques réelles. Il utilise des méthodes avancées comme CTGAN et Synthpop pour créer des ensembles de données réalistes. Ces données sont destinées à être utilisées pour l'entraînement et l'évaluation de modèles d'intelligence artificielle, notamment dans le domaine juridique.

Ce projet propose une approche multi-niveaux pour évaluer la performance de systèmes industriels avant leur implémentation réelle. Il permet aux experts métiers et aux utilisateurs finaux de définir, configurer et calculer des indicateurs de performance (KPI) à partir de traces d'exécution de modèles simulés. L'outil s'appuie sur des langages dédiés comme GPEL et TraceDQL pour extraire et analyser des données sans modifier les langages d'origine.

Ce projet rassemble des données sur les options d'accessibilité visuelle dans plusieurs systèmes d'exploitation. Il est divisé en deux parties principales : une petite illustration et une évaluation réelle. Les données sont structurées en fonctionnalités et comprennent des modèles de fonctionnalités, des ontologies, des contextes relationnels et des treillis.

Ce projet vise à générer des données synthétiques à l'aide de modèles de langage (LLM) pour tester et évaluer des modèles d'intelligence artificielle. Il permet d'identifier des biais potentiels dans les algorithmes en créant des jeux de données artificiels variés et contrôlés, facilitant ainsi l'analyse des performances et des limites des modèles avant leur déploiement en conditions réelles.

PASO est un outil dédié à l'orbitographie planétaire et satellitaire. Il permet de modéliser et calculer les trajectoires des corps célestes ainsi que des satellites artificiels. Le projet intègre des méthodes numériques avancées pour simuler les mouvements orbitaux et générer des séries de données précises. Il est également utilisé pour évaluer les écarts entre les modèles théoriques et les observations réelles, facilitant ainsi l'ajustement des paramètres orbitaux.

Ce projet permet de comparer et évaluer des algorithmes de gestion énergétique pour des nœuds sans fil alimentés par énergie solaire. Il utilise des données réelles de rayonnement solaire et des modèles de décharge de batteries pour simuler et analyser les performances de différentes stratégies de planification. L'objectif est d'identifier les solutions les plus efficaces pour prolonger l'autonomie des systèmes IoT dans des environnements contraints.