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.

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.

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.

TensorFlow est une bibliothèque open-source d'apprentissage automatique développée par Google Brain. Elle permet de créer et d'entraîner des modèles de machine learning pour une variété de tâches, telles que la reconnaissance d'images, le traitement du langage naturel, la prédiction de séries temporelles et la détection d'anomalies. TensorFlow prend en charge une grande variété d'algorithmes d'apprentissage automatique, y compris les réseaux de neurones convolutifs, les réseaux de neurones récurrents et les algorithmes d'optimisation stochastique.

Ce projet utilise des méthodes d'apprentissage profond pour détecter automatiquement les lésions liées à la maladie de Crohn dans des images issues de vidéos d'endoscopie sans fil. Il permet d'entraîner des réseaux de neurones convolutifs (CNN) spécialisés, d'augmenter artificiellement les jeux de données d'images médicales, et d'évaluer les performances des modèles générés. L'objectif est d'assister les professionnels de santé dans le diagnostic et le suivi de cette pathologie.

Ce projet implémente une méthode de apprentissage de préférences de préhension d'objets en utilisant un nombre minimal d'étiquettes par objet, et généralise ces préférences à de nouvelles vues de ces objets. Les candidats de préhension sont encodés en patchs d'images pour être facilement utilisés dans des réseaux de neurones convolutifs. Ces patchs sont utilisés pour entraîner un autoencodeur variaionnel convolutif, ce qui permet d'encoder les patchs dans une représentation latente. Cette représentation latente est utilisée pour entraîner un classificateur GP qui prédira la correspondance entre les préférences de préhension d'un utilisateur et un candidat de préhension.

Ce projet utilise des réseaux de neurones convolutifs (CNN) pour l'inférence de la démographie et la sélection naturelle dans les populations. Il contient du code pour entraîner et tester des CNN sur des données génétiques.

RainNet est un réseau de neurones convolutif conçu pour prédire les précipitations à court terme (5 minutes) à partir de données radar. Entraîné sur plusieurs années de composites radar de haute qualité fournis par le service météorologique allemand (DWD), il transforme des scans radar en prévisions précises. Son architecture inspirée des modèles U-Net et SegNet permet une analyse fine des motifs spatiaux et temporels des précipitations, offrant ainsi un outil puissant pour la gestion des risques hydrométéorologiques et la planification des activités sensibles au climat.

TensorFlow est une bibliothèque open-source d'apprentissage automatique développée par Google Brain. Elle permet de créer et d'entraîner des modèles de machine learning pour des tâches telles que la classification, les régressions, les réseaux neuronaux convolutionnels et les réseaux récurrents.

Ce projet propose différentes stratégies pour la réduction de bruit sur les images radar (SAR) en utilisant des réseaux de neurones convolutionnels (CNN). Il analyse l'utilisation de modèles pré-entraînés pour la suppression de bruit additif gaussien et la formation d'un modèle sur des données multitemporelles SAR. Le projet met à disposition des poids de réseaux entraînés pour une utilisation par d'autres chercheurs.