Ce projet est un modèle d'apprentissage profond capable de traiter des images et d'en extraire des informations utiles. Il utilise des algorithmes de deep learning pour détecter et classifier des formes, des objets ou des caractères spécifiques dans des images.

Ce projet porte sur l'apprentissage de méthodes profondes pour le traitement de données à haute dimension, telles que les signaux ou les images. Il couvre des sujets tels que les réseaux de neurones, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les méthodes de décomposition fonctionnelle, la détection d'anomalies pour les données fonctionnelles et l'apprentissage profond non supervisé.

Ce projet est une implémentation officielle de l'approche de concaténation pour la détection de vulnérabilités XSS statiques dans du code. Il représente le code source sur la base de la tokenisation de son contenu et est décrit dans le document de recherche suivant : Héloïse Maurel, Santiago Vidal et Tamara Rezk, 'code2vec: Apprentissage de représentations distribuées de code', POPL'2019.

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.

ASCAD est un projet visant à fournir des outils d'analyse de canaux latéraux et d'apprentissage profond pour la sécurité informatique. Il permet d'identifier et de détecter les fuites d'informations sensibles dans les systèmes informatiques, ainsi que d'évaluer leur robustesse. Grâce à l'apprentissage profond, ASCAD est capable d'analyser de grandes quantités de données de sécurité et de détecter des schémas complexes.

EDS-NLP est un framework collaboratif de traitement automatique des langues (NLP) qui vise principalement à extraire des informations à partir de notes cliniques en français. Il s'agit d'une collection de composants ou de pipes, qui peuvent être des fonctions basées sur des règles ou des modules d'apprentissage profond. Ces composants sont organisés dans un système de pipeline efficace et modulaire, conçu pour les modèles hybrides et multitâches. Nous utilisons spaCy pour représenter les documents et leurs annotations, et PyTorch comme backend d'apprentissage profond pour les composants entraînables.

Projet de master visant à appliquer des outils d'apprentissage automatique (en particulier, apprentissage profond) à un problème de reconnaissance de l'écriture manuscrite de formules mathématiques. Le sujet est disponible dans le répertoire 'subject' et le code fourni dans 'code'. Des exemples de données de test sont disponibles dans le répertoire 'data', mais l'ensemble de données complet est disponible dans le référentiel TC11.

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.

Ce projet vise à adapter les méthodes d'apprentissage profond pour le rendu en temps réel en s'inspirant des principes de Pre-computed Radiance Transfer (PRT). Il s'agit d'un fork de Falcor 4.3 avec des scripts et des conversions de formats de scènes supplémentaires pour générer les données d'entraînement. Quatre architectures neurales différentes sont proposées, dont trois sont inspirées de PRT et améliorent la qualité des prédictions d'illumination globale par rapport aux méthodes existantes.

Ce projet est une implementation officielle d'une approche décrite dans un article scientifique, qui vise à comparer la détection de vulnérabilités XSS dans Node.js et dans un langage JavaScript multi-niveaux via l'apprentissage profond. Il fournit les scripts principaux pour construire l'AST pour les bases de données Hop.js.