Le projet Turbo décodeur au-delà du Gbps sur multi-cœurs CPU est conçu pour optimiser les performances de décodage de données à des débits supérieurs au Gbps. Il exploite la puissance de traitement parallèle des processeurs multi-cœurs pour améliorer la vitesse et réduire la latence de décodage. Le décodeur prend en charge le décodage simultané de plusieurs flux de données, offrant une solution flexible et efficace pour les applications exigeantes en matière de traitement de données haute vitesse.

Ce projet vise à dresser un état de l'art sur la sélection de variables dans le cadre de l'apprentissage automatique et du data mining, en se concentrant sur les approches supervisée, semi-supervisée et non-supervisée, ainsi que sur le traitement des données multi-labels avec étiquetage incertain. L'objectif est d'améliorer la performance des algorithmes d'apprentissage en nettoyant l'espace de description des données.

Le projet ANR 2019 vise à développer des technologies de traitement rapide de signaux audio sur FPGA. Il s'agit de fournir des outils et des méthodes pour améliorer les performances des équipements audio professionnels en utilisant des FPGA pour le traitement des signaux audio.

Ce projet gère des fonctionnalités spécifiques aux drones, telles que le traitement d'images, la gestion de la mémoire et la mesure du temps. Il est dédié à l'amélioration des performances et de la sécurité des drones.

Plateforme dédiée à l'analyse des performances sportives des athlètes de l'INSEP et des fédérations sportives. Elle permet de collecter, traiter et visualiser des données d'entraînement et de compétition pour améliorer les résultats sportifs. Utilisée par les entraîneurs et les athlètes pour optimiser leur préparation.

Redis-server est une solution de gestion de données en mémoire cache open-source, offrant des fonctionnalités avancées pour le traitement de données en temps réel. Il permet d'améliorer les performances des bases de données en stockant des données fréquemment utilisées en mémoire, réduisant ainsi le temps d'accès et d'interrogation.

Le projet ezpaarse-middlewares est une collection de fonctions et de middlewares conçus pour faciliter le traitement des données de métadonnées dans le projet ezPAARSE. Il permet d'extraire des données à partir de différentes sources, telles que Crossref, Sudoc et ISTEX, et de les mettre en forme pour une utilisation ultérieure. Il dispose également de fonctionnalités de gestion de caches pour améliorer les performances et réduire la charge sur les serveurs de données.

Ce projet est un package ROS dédié à l'amélioration de la parole en temps réel, conçu pour fonctionner dans un conteneur Docker sur un ordinateur externe au réseau ARI. Il offre un support pour le calcul GPU avec CUDA, améliorant ainsi les performances de traitement audio.

Parallel-ATL est un projet d'outillage pour la transformation de modèles et de données, offrant une approche parallèle pour améliorer les performances de traitement. Il permet l'automatisation de workflows métiers, l'intégration de systèmes hétérogènes, la génération de code à partir de modèles et la transformation de données structurées.