« DeepInverse » : différence entre les versions

DeepInverse
Type de service	Outils de gestion des données
Statut	En production
URL	https://deepinv.github.io/deepinv/
Contact	https://discord.com/invite/qBqY5jKw3p
Localisation
Structure d'appartenance	Laboratoire de Physique
Tutelles	Inria, ENS Lyon, CNRS

Version du 14 janvier 2025 à 17:26

Page en construction

DeepInverse est une bibliothèque basée sur PyTorch pour résoudre les problèmes d’imagerie inversée avec du deep learning.

L'objectif est d'accélérer le développement de méthodes basées sur le deep learning pour les problèmes d'imagerie inversée, en combinant les approches populaires de reconstruction basées sur l'apprentissage dans un cadre commun et simplifié, en standardisant les modèles d'imagerie avant et en simplifiant la création d'ensembles de données d'imagerie.

Domaines scientifiques :Sciences & Technologies

PE6 Sciences informatiques et informatique

Thématique et/ou mots clés :

Deep learning
Imagerie inversée
Pytorch

Type de données :

Communauté d'utilisateurs : Usagers et bénéficiaires :Chercheurs, Enseignants-Chercheurs, Doctorants, Ingénieurs

Conditions d'usage : Le code est open source et disponible sur Github : https://github.com/deepinv/deepinv

Conditions tarifaires : Gratuit

Certification/Label :

Conditions générales d'utilisation :

Services proposés par la structure d'appartenance

Structure	Services proposés
IMB	DeepInverse PARI/GP
Lab PHYS	DeepInverse
NeuroSpin	Iseult DeepInverse

@@ Ligne 14 : / Ligne 14 : @@
 |Description='''DeepInverse''' est une bibliothèque basée sur PyTorch pour '''résoudre les problèmes d’imagerie inversée avec du deep learning'''.
-L'objectif est d'accélérer le développement de méthodes basées sur l'apprentissage profond pour les problèmes inverses d'imagerie, en combinant les approches populaires de reconstruction basées sur l'apprentissage dans un cadre commun et simplifié, en standardisant les modèles d'imagerie avant et en simplifiant la création d'ensembles de données d'imagerie.
+L'objectif est d'accélérer le développement de méthodes basées sur le deep learning pour les problèmes d'imagerie inversée, en combinant les approches populaires de reconstruction basées sur l'apprentissage dans un cadre commun et simplifié, en standardisant les modèles d'imagerie avant et en simplifiant la création d'ensembles de données d'imagerie.
 |Discipline=Sciences & Technologies
 |SousDisciplineSciences&Technologies=PE6 Sciences informatiques et informatique