LidaRtRee est un package R dédié à l'analyse de données laser aéroportées pour la détection et la caractérisation d'objets forestiers. Il permet la co-enregistrement de parcelles de terrain avec des données LiDAR, la détection et le segmentation des arbres, le calcul de paramètres forestiers avec une approche basée sur la surface, et l'extraction de caractéristiques physiques et statistiques utiles pour la modélisation de l'habitat ou la cartographie de la maturité forestière.

Le projet FLAIR-1 vise à améliorer la précision des cartes en fournissant une segmentation précise des surfaces terrestres à partir d'images aériennes. Il propose un défi de segmentation sémantique et d'adaptation de domaine pour les images aériennes, avec un grand ensemble de données comprenant plus de 20 milliards de pixels annotés.

Skelton2 est une bibliothèque permettant la modélisation de squelettes et la génération de surfaces implicites anisotropes. Elle offre la possibilité de construire une structure squelettique à partir de segments de droite ou d'arcs de cercle, sans restriction de topologie. Skelton2 peut générer des maillages quad-dominants réguliers ou symétriques, en fonction des besoins de l'utilisateur. Les surfaces implicites sont définies par une convolution anisotrope, avec des informations de rayon et d'orientation aux extrémités des squelettes. Le résultat est un maillage quad-dominant de la surface implicite, obtenu en projetant un scaffold sur la surface.

Pysbm est une bibliothèque Python dédiée à l'analyse et au traitement de données topographiques et d'images 3D. Elle permet la segmentation de surfaces et la reconstruction 3D de scènes, offrant des fonctionnalités avancées pour les applications en géomatique, en archéologie et en vision par ordinateur.

Le projet segmentation-network est une implémentation de DeepLab-ResNet dans TensorFlow pour la segmentation d'images sur la base de la dataset PASCAL VOC. Il permet la segmentation d'images à grande échelle avec une précision de 79,7% sur le jeu de test de PASCAL VOC.

Système de segmentation d'éléments agricoles dans des images aériennes RGB+NIR, utilisant des réseaux de neurones entraînés en deux étapes : une pré-formation self-supervisée et une fine-tuning supervisée. Les réseaux de neurones produisent des sorties continûment valorisées qui sont ensuite transformées en vectorisations binaires.

Ce projet propose une pipeline pour segmenter et étiqueter les vertèbres à partir d'images CT avec un champ de vision arbitraire. Il a été testé sur Ubuntu 18.04 avec une carte graphique RTX Quadro 4000 8Gb et cuda 10.1.