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 un outil d'analyse syntaxique avancé pour le français, permettant de transformer des phrases en Proof Nets, des structures logiques formelles utilisées en linguistique computationnelle. Il s'appuie sur des modèles de deep learning pour identifier et lier les composants syntaxiques d'une phrase, facilitant ainsi l'étude des relations entre les mots et leur rôle dans la structure de la phrase. L'objectif est de fournir une base solide pour des applications en traitement automatique du langage naturel et en linguistique théorique.

Projet de deep learning dédié à l'analyse automatisée d'images archéologiques pour identifier des traces de pigment bleu sur les murs du Temple d'Apollon à Delphes. Développé en collaboration avec Archeovision et dans le cadre d'un master universitaire, il combine traitement d'images, augmentation de données et entraînement de modèles UNet pour produire des rapports d'évaluation précis et des masques de segmentation.

Ce projet développe des modèles de deep learning pour analyser et prédire les risques liés aux installations industrielles. Il permet d'identifier des scénarios critiques et d'optimiser les processus de maintenance préventive. Les modèles sont entraînés sur des données historiques et des simulations pour améliorer la sécurité et la fiabilité des infrastructures.

Le projet eds-pseudo est un outil de détection et de pseudonymisation d'entités nominatives dans des documents, initialement développé pour les rapports cliniques du système d'information de santé de l'AP-HP. Il repose sur une combinaison de règles et de modèles de deep learning, et permet de détecter des adresses, dates, noms, prénoms, numéros de sécurité sociale, etc.

Malpolon est un framework open source conçu pour faciliter l'entraînement et le partage de modèles de distribution d'espèces en profondeur. Il permet aux utilisateurs, même non experts en deep learning ou PyTorch, de prédire la présence d'espèces végétales sur une zone géographique donnée en utilisant des données environnementales variées comme des rasters bioclimatiques, des images satellites ou des données d'usage des sols. Développé dans le cadre de projets européens, il simplifie l'intégration de différents types de covariables pour des modèles visuels profonds.

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.

Ce projet développe des outils pour segmenter automatiquement des gouttes et des cristaux de NaCl dans des images de microscopie. Il utilise des architectures de deep learning (UNet et Yolov8) entraînées sur des données réelles et simulées. Un simulateur numérique génère des images pour compléter les annotations manuelles limitées, permettant ainsi d'entraîner des modèles robustes pour des études physiques ou statistiques.

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.

Ce projet propose une formation complète sur les outils et bibliothèques Python dédiés à l'intelligence artificielle et au deep learning. Il couvre notamment l'utilisation de PyTorch pour la création de modèles, ainsi que des techniques de visualisation de données avec Matplotlib. Destiné aux développeurs et chercheurs, il permet d'acquérir des compétences pratiques en machine learning.