Le projet TP-MLP est dédié à la reconnaissance de symboles mathématiques à partir d'images et de données au format InkML. Il permet de former des modèles de machine learning grâce à des notebooks Jupyter et des scripts Python. Le projet offre des outils utilitaires pour la conversion de fichiers InkML en images et la gestion de bases de données.

Ce projet est un plugin pour le logiciel d'analyse d'images biologiques Icy, qui intègre la bibliothèque DeepLearning4J. Il permet d'effectuer des analyses d'images avancées grâce à l'apprentissage profond, telles que la segmentation d'images et la reconnaissance de formes biologiques.

Ce projet vise à produire un jeu de données de transcriptions de manuscrits du Roman d'Alexandre en arabe écrits en caractères levantins. Il a été réalisé dans le cadre d'un hackathon réunissant des étudiants de plusieurs universités françaises et visait à former ces derniers à la reconnaissance automatique de textes manuscrits (HTR) et à leur fournir une introduction à la littérature populaire du Moyen-Âge et aux manuscrits arabes. Le projet a abouti à la production d'un modèle d'HTR entraîné sur plus de 3 400 000 caractères extraits de cinq manuscrits provenant de trois bibliothèques européennes.

Ce projet fournit des outils pour former et tester un modèle Mask-RCNN utilisant PyTorch. Il permet la segmentation d'images pour la détection d'objets, la reconnaissance d'objets dans des images et l'analyse de la mise en page de documents.

Ce projet vise à développer des opérateurs morphologiques approximatifs basés sur des auto-encodeurs asymétriques. Il permet l'analyse et le traitement d'images, ainsi que la reconnaissance de formes et la détection d'objets.

Le projet python_client est une bibliothèque Python développée par Inria. Il s'agit d'une interface pour la plateforme SaaS AllGo, qui offre un showroom virtuel de technologies développées par des équipes de recherche. Cette bibliothèque permet aux utilisateurs de soumettre des tâches de traitement d'images et de vidéos, de reconnaissance d'images et de formes, et de génération de modèles 3D en utilisant l'API REST AllGo.

Le projet e-mantis est une solution d'analyse d'images dédiée au domaine médical. Il permet d'automatiser le diagnostic de certaines pathologies en analysant des images médicales, telles que des radiographies ou des IRM. Grâce à des algorithmes avancés de reconnaissance de formes et de segmentation d'images, e-mantis est capable d'extraire des informations pertinentes et de les classer automatiquement, offrant ainsi un gain de temps et une fiabilité accrus dans le processus de diagnostic.

Le projet mnist est un exemple d'utilisation de TensorFlow et Keras pour la reconnaissance de chiffres écrits à la main dans des images. Il démontre comment un modèle de machine learning peut être entraîné pour classer des formes et des nombres, ce qui peut être utile dans de nombreux cas d'utilisation métiers.

Ce projet utilise des techniques d'apprentissage automatique pour représenter et analyser les données de manière efficace. Il permet de former des modèles sur des données variées, telles que des images ou du texte, et de les utiliser pour différentes tâches, telles que la reconnaissance d'images ou le traitement du langage naturel.

Ce projet utilise une approche de Point Process Marké (MPP) pour la détection d'objets et la reconnaissance de formes géométriques dans des images. Il s'appuie sur des bibliothèques telles que Pillow, Matplotlib, scikit-image et scikit-learn pour le traitement et l'analyse d'images.