Bibliothèque Python conçue pour uniformiser et simplifier l'entraînement, l'inférence et l'évaluation des modèles de détection d'objets et de segmentation d'instances. Elle permet aux chercheurs et développeurs de basculer facilement entre différents modèles avec un minimum de modifications, tout en fournissant des métriques d'évaluation standardisées et des structures de données adaptées.

Projet de recherche dédié à la détection automatisée des ombres dans les images satellites à haute résolution. Il permet d'identifier et de cartographier les zones d'ombre pour des applications en télédétection, urbanisme, gestion des risques naturels ou encore analyse environnementale. Le système utilise des modèles d'apprentissage profond entraînés sur un jeu de données dédié, offrant une solution robuste pour l'analyse des paysages urbains et naturels.

Ce projet vise à détecter et localiser des essaims de drones en temps réel, en estimant leurs positions (coordonnées x, y, z). Il utilise des modèles d'intelligence artificielle basés sur YOLOv5 pour identifier les drones dans des flux vidéo ou des images. Les données collectées permettent d'entraîner et d'améliorer les algorithmes de détection. L'outil est également conçu pour annoter des images afin d'enrichir les jeux de données utilisés pour l'apprentissage automatique.

CamemBERTa est un modèle de langage français basé sur DeBERTa V3, une version améliorée de DeBERTa V2 qui utilise l'objectif de détection de token remplacé (RTD) pour la pré-entraînement. Ce modèle est le premier implémentation publique de DeBERTa V3 et le premier modèle DeBERTaV3 disponible en dehors de la version originale de Microsoft.

Ce projet démontre l'utilisation de Réseaux Antagonistes Génératifs (GAN) pour la génération d'images réalistes, la détection d'anomalies dans des images et l'amélioration de la résolution d'images. Il s'appuie sur des algorithmes d'apprentissage profond pour entraîner des modèles capables de générer des images de haute qualité.

Tensorflow est une plateforme open-source dédiée au machine learning et à l'intelligence artificielle. Elle permet de concevoir, d'entraîner et de déployer des modèles de deep learning pour une variété de tâches, telles que la reconnaissance d'images, la traduction automatique ou la détection de fraude.

LaREx est une solution innovante conçue pour détecter les décalages de distribution dans les données d'entrée des modèles d'intelligence artificielle, notamment ceux utilisés en vision par ordinateur. Elle permet d'évaluer la fiabilité des systèmes de classification d'images, de détection d'objets et de segmentation sémantique en identifiant les écarts entre les données d'entraînement et les nouvelles données. Développée par des chercheurs soutenus par des programmes publics français, cette méthode offre une approche légère et efficace pour renforcer la sécurité des applications critiques.

Le NeuroCorgi-SDK est un SDK permettant d'utiliser le modèle NeuroCorgi dans vos applications de détection d'objets, de segmentation d'instances et de classification en tant qu'extracteur de fonctionnalités. Ce SDK est développé dans le cadre du projet Andante. Le SDK fournit des versions du circuit NeuroCorgi qui peuvent simuler le comportement des modèles sur puce. Deux versions ont été conçues à partir d'un MobileNetV1 entraîné et quantifié en 4 bits en utilisant la méthode SAT dans N2D2 : l'une avec l'ensemble de données ImageNet et l'autre avec l'ensemble de données Coco.

Bibliothèque Python développée par Météo-France pour concevoir et entraîner des modèles d'intelligence artificielle dédiés à l'analyse et la prévision des données météorologiques. Elle propose des architectures de réseaux de neurones adaptées (CNN, transformers, modèles multimodaux) pour des tâches comme la segmentation d'images satellite, la génération de texte à partir de données météo ou la détection d'artefacts sur les images radar. Les modèles sont optimisés pour des applications opérationnelles en météorologie.

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.