Ce projet est un environnement pédagogique dédié à l'apprentissage et à l'expérimentation des techniques d'apprentissage profond, notamment pour la vision par ordinateur. Il permet aux utilisateurs de tester et comparer différents modèles de réseaux de neurones convolutifs sur des jeux de données standardisés comme FashionMNIST. Le dépôt inclut des outils pour l'entraînement, le suivi des expériences et la visualisation des résultats, facilitant ainsi la compréhension des concepts clés en deep learning.

DeepPPI est un projet de recherche en bioinformatique utilisant l'apprentissage profond pour prédire les interactions entre protéines à partir de leurs séquences. Il propose des modèles basés sur des architectures PyTorch et Keras, permettant d'entraîner et d'évaluer des réseaux de neurones sur des jeux de données spécifiques. Les résultats peuvent être utilisés pour approfondir la compréhension des mécanismes biologiques fondamentaux.

Decloud est un outil dédié au traitement d'images satellites optiques, notamment pour éliminer les nuages et améliorer la qualité des données. Il permet d'entraîner et d'utiliser des modèles de réseaux de neurones convolutifs afin de reconstruire des images claires à partir d'images partiellement obstruées. Utilisé principalement dans le domaine de la télédétection, il facilite l'analyse et l'exploitation des données géospatiales pour des applications scientifiques ou environnementales.

Ce projet, basé sur l'article intitulé "Deep learning for population size history inference: design, comparison and combination with approximate Bayesian computation" (Sanchez et al.), fournit des outils pour l'inférence de la taille de population historique en utilisant des réseaux de neurones entraînés sur des données génétiques. Il inclut un notebook illustratif, une implémentation PyTorch de l'architecture SPIDNA avec la plus faible erreur de prédiction, ainsi qu'un réseau pré-entraîné SPIDNA disponible en téléchargement.

Ce projet génère des jeux de données vidéo à partir de vidéos en ligne sous licence Creative Commons. Il extrait des séquences de 16 images consécutives, uniformément réparties dans la vidéo, en respectant des critères de qualité (résolution HD, absence de flou, de mouvements brusques ou de contenu sensible). Les données sont destinées à entraîner des réseaux de neurones pour le débruitage vidéo ou d'autres applications de vision par ordinateur.

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.

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.

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.

Ce projet développe des modèles de réseaux de neurones dédiés à la correction de phase dans des systèmes optiques complexes, notamment pour des réseaux de lasers. Il permet de simuler des mesures, d'entraîner des algorithmes d'apprentissage automatique pour optimiser la qualité des faisceaux lumineux, et de générer des données synthétiques pour des applications en photonique. Les outils proposés facilitent la recherche et l'expérimentation dans le domaine de l'optique adaptative.