Ce projet propose une formation complète pour découvrir le Deep Learning, un sous-domaine de l'intelligence artificielle. Destiné aux débutants comme aux passionnés, il combine théorie et pratique à travers des exercices de classification d'images. Les participants apprennent les fondamentaux des réseaux de neurones et appliquent ces concepts via un cas pratique accessible via Google Colab. Le projet inclut également des ressources pédagogiques et un sondage pour recueillir les retours des utilisateurs.

Ce projet explore l'application des réseaux de neurones dans le domaine de la statistique publique. Il propose des méthodes et des cas d'usage concrets pour l'analyse de données, la classification d'images, l'imputation de valeurs manquantes et la réduction de dimension. Les travaux sont menés par des chercheurs de l'Insee et de la Banque de France, avec des applications variées allant de l'analyse de parcelles cadastrales à l'étude de données économiques.

Ce projet développe un modèle de classification des formes cliniques de sclérose en plaques à partir d'images d'IRM T1w. Il utilise des réseaux de neurones convolutifs graphiques pour analyser la connectivité morphologique cérébrale. Les données extraites d'atlas cérébraux sont exploitées pour améliorer la précision diagnostique et soutenir la recherche médicale dans le domaine des maladies neurodégénératives.

Caffe est un framework open source dédié à l'apprentissage profond, spécialisé dans le traitement d'images et la vision par ordinateur. Il permet de concevoir, entraîner et déployer des modèles de réseaux de neurones convolutifs (CNN) pour des tâches comme la classification d'images, la détection d'objets ou la segmentation sémantique. Utilisé par des chercheurs et des entreprises, il offre une architecture modulaire et des performances optimisées pour accélérer les calculs.

Ce projet développe des modèles d'intelligence artificielle pour classifier des IRM cérébrales en distinguant des états comateux et non-comateux. Il compare les performances de plusieurs architectures de réseaux de neurones profonds (comme LeNet17) et applique des techniques de transfert d'apprentissage pour améliorer la précision des diagnostics. Les résultats sont utilisés pour soutenir la recherche médicale et l'analyse automatisée d'images médicales.

Ce projet est une publication sur l'utilisation des réseaux de neurones dans le domaine de la statistique publique. Il contient des exemples d'analyse de données, de classification d'images, de prédiction de données manquantes et de réduction de dimension de données.

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.

Dépôt de code source contenant le code pour créer les réseaux de neurones utilisés dans le repo Basegun et sur le site web basegun.fr. Il contient du code pour l'entraînement de réseaux de neurones classificateurs d'images. Le dernier modèle entraîné est stocké à cet endroit.

OTBONNX est un module complémentaire pour la boîte à outils OTB (Orfeo ToolBox), permettant d'intégrer des modèles d'apprentissage profond basés sur le format ONNX dans des chaînes de traitement d'images géospatiales. Il facilite l'utilisation de réseaux de neurones pour des tâches comme la classification, la segmentation ou la détection d'objets, en s'appuyant sur des bibliothèques performantes comme ONNX Runtime. Ce module est particulièrement utile pour des applications en télédétection, cartographie ou analyse d'images satellites.

Caffe est un framework open source dédié à la programmation d'algorithmes d'apprentissage profond. Il permet aux chercheurs et développeurs de concevoir, entraîner et déployer des modèles de réseaux de neurones pour des tâches comme la classification d'images, la reconnaissance visuelle ou le traitement du langage. Utilisé dans la recherche académique et industrielle, il offre des outils pour optimiser les performances et faciliter l'expérimentation en intelligence artificielle.