Écrits techniques.
Retours d'expérience sur des choix d'architecture, d'intégration ou de pattern UI. Tirés de projets pro et personnels.
Multi-datasource Spring Boot : 3 bases, 1 transaction
Sur Evelity, l'édition back-office, la lecture API mobile et l'analytique tournent sur trois bases PostgreSQL distinctes, avec des transactions atomiques qui tiennent quand même entre elles.
Visual SLAM ↔ Python : un pont propre via sous-processus
Intégrer un moteur Visual SLAM C++ dans un back-end FastAPI sans bindings exotiques, puis aligner le résultat sur un plan d'étage avec seulement deux contraintes GPS.
Matcher IA : combiner score déterministe et verdict LLM
Comment ApplyDesk note 100 offres en une fraction de seconde côté navigateur, et garde un budget LLM raisonnable pour un verdict argumenté seulement sur celles qui le méritent.
Vision par ordinateur · 2018-2020
Quatre papiers issus de mon Master Recherche à l'Université de La Rochelle (MIA Laboratory). Présentés ici en résumés détaillés, les PDFs ne sont pas hébergés (droits IEEE).
Coloriser de vraies photos d'archive : palette + scribbles
Les CNN de colorisation sont entraînés sur des photos couleur converties en N&B, donc mal adaptés aux vraies photos d'archives (silver halide). J'améliore le résultat en combinant deux indices : palette globale automatisée + scribbles manuels là où ça compte (drapeaux, monuments).
Coloriser un film N&B avec une palette de couleurs saillantes
Une palette des couleurs « saillantes » de la scène (distinctes des couleurs « mémorables » déjà apprises) injectée au CNN comme entrée additionnelle. Une palette suffit pour des centaines de frames, ce qui convient bien à la colorisation de films sans scribbler par frame.
Détecter des anomalies d'écriture manuscrite par autoencodeur
Un autoencodeur convolutionnel qui détecte, sans annotation, qu'une portion de texte a été écrite par une autre main. Tile splitting + transformée de Radon partielle. La discrimination émerge pendant l'entraînement via un shuffling batch-à-batch.
Visible + NIR pour la reconnaissance faciale par CNN
Dataset original VNIR (52 identités, 3 poses) capturé en retirant l'ICF d'une caméra grand public. Deux CNN comparés. Conclusion : le full-spectrum 3 canaux bat le 4 canaux RGB+I, et le canal bleu est le plus aidé par le NIR.