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.

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.

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.

Projet de recherche visant à améliorer l'évaluation des algorithmes d'estimation de pose 6D en vision par ordinateur. Il propose un benchmark standardisé pour comparer les performances des méthodes existantes face à des ambiguïtés visuelles. Les résultats sont publiés sous forme de tableaux et métriques accessibles via une interface web dédiée, facilitant la transparence et la reproductibilité des évaluations.