Ce projet vise à adapter les méthodes d'apprentissage profond pour le rendu en temps réel en s'inspirant des principes de Pre-computed Radiance Transfer (PRT). Il s'agit d'un fork de Falcor 4.3 avec des scripts et des conversions de formats de scènes supplémentaires pour générer les données d'entraînement. Quatre architectures neurales différentes sont proposées, dont trois sont inspirées de PRT et améliorent la qualité des prédictions d'illumination globale par rapport aux méthodes existantes.

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.

Ce projet propose une formation d'introduction à l'apprentissage profond et à la bibliothèque PyTorch. Il met à disposition des notebooks Jupyter pour explorer des concepts fondamentaux comme la régression linéaire, les réseaux de neurones artificiels et l'optimisation de modèles. Destiné aux débutants, il inclut également des exercices pratiques et un bonus sur l'apprentissage par transfert.

Outil logiciel conçu pour distinguer les événements sismiques naturels des activités humaines à faible magnitude. Basé sur des algorithmes d'apprentissage profond (CNN), il analyse des données sismiques brutes (format mseed) et génère des prédictions probabilistes. Utilisé par des chercheurs et institutions pour améliorer la compréhension des phénomènes sismiques et réduire les fausses alertes.

Le projet Wildlife est un dépôt de données pour le Travaux Pratiques (TP) de VisionCNN de la formation High-Dimensional-Deep-Learning. Il fournit des jeux de données pour l'apprentissage profond et la reconnaissance d'images d'espèces animales.

Ce projet porte sur l'apprentissage de méthodes profondes pour le traitement de données à haute dimension, telles que les signaux ou les images. Il couvre des sujets tels que les réseaux de neurones, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les méthodes de décomposition fonctionnelle, la détection d'anomalies pour les données fonctionnelles et l'apprentissage profond non supervisé.

Ce site public de la Région académique Occitanie centralise l'offre de formation professionnelle continue et d'apprentissage. Il permet aux jeunes, actifs en poste, demandeurs d'emploi et publics spécifiques de rechercher des formations adaptées à leur profil. Le portail propose également des actualités, événements et ressources pour accompagner les parcours professionnels et les transitions métiers dans la région.

Ce projet est un modèle d'apprentissage profond capable de traiter des images et d'en extraire des informations utiles. Il utilise des algorithmes de deep learning pour détecter et classifier des formes, des objets ou des caractères spécifiques dans des images.

Espace de documentation de la mission interministérielle pour l'apprentissage, présentant l'objet, les finalités, l'équipe et l'écosystème d'intervention de la mission.