https://github.com/chenyilan/Y-Net
공식 코드Y-Net: A Hybrid Deep Learning Reconstruction Framework for Photoacoustic Imaging in vivo
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
HLMFootFR, aussi appelé HLM Football FR, un média digital centré sur le football, fondé avec la volonté de mettre en lumière les talents issus des quartiers populaires et de créer un espace d’expression représentatif de la culture urbaine et du sport populaire. Ce projet, à mi-chemin entre journalisme, culture et technologie, utilise des outils numériques de pointe, notamment l’intelligence artificielle, pour optimiser sa production de contenu, sa capacité d’analyse et sa diffusion.
Concrètement, HLMFootFR ne se contente pas de relayer l’actualité footballistique. Il s’appuie sur des modèles de traitement automatique du langage (NLP) pour rédiger ou enrichir des descriptions, des résumés de matchs, ou encore des formats courts destinés aux réseaux sociaux. Cette utilisation permet de produire rapidement des textes cohérents, adaptés à différents publics et plateformes comme TikTok, Instagram ou un blog spécialisé.
L’intelligence artificielle est aussi utilisée pour la veille et l’analyse des performances des joueurs. Grâce à des outils de scraping et d’agrégation de données, HLMFootFR collecte des informations issues de bases publiques (telles que Transfermarkt ou des APIs sportives), et les transforme en indicateurs visuels, profils de joueurs, ou tendances exploitables. Des scripts automatisés permettent d’identifier les évolutions, comme les transferts ou les blessures, en temps réel, ce qui constitue une valeur ajoutée dans un contexte où l’information est très rapide et concurrentielle.
En interne, des systèmes simples de machine learning sont en place pour aider à la personnalisation du contenu. En fonction de l’engagement du public, des heures de publication ou des types de contenu les plus performants, HLMFootFR adapte sa stratégie de publication de manière semi-automatisée. Cela permet au média d’avoir une diffusion plus ciblée et plus efficace de ses messages.
HLMFoot FR utilise également l’IA dans le domaine audiovisuel. Des outils comme Whisper sont utilisés pour la transcription automatique des interviews, facilitant ainsi la mise en ligne de vidéos sous-titrées, accessibles à tous. L’équipe expérimente également des outils de montage intelligent, de synthèse vocale et de traduction automatisée, dans le but d’élargir son public à d’autres langues et régions.
Le projet s’appuie sur un stack technique léger mais évolutif, avec une forte composante Python (scraping, NLP, automatisation), JavaScript pour l’intégration web, et des outils comme HuggingFace Transformers, OpenAI GPT ou spaCy pour le traitement du langage. Des plateformes comme Firebase, Streamlit et diverses APIs sociales (TikTok, Instagram) sont intégrées pour piloter l’ensemble.
Enfin, HLMFootFR souhaite partager prochainement certains de ses outils en open-source, à travers des dépôts publics. Il s’agira notamment d’un générateur de résumés automatisés de matchs, d’un pipeline de veille footballistique, ou encore d’un système de profilage joueur à partir de données disponibles librement. Ces projets ont pour but de démontrer comment l’intelligence artificielle peut s’intégrer dans des initiatives culturelles et communautaires, en dehors du cadre académique classique.
HLMFootFR est donc un exemple concret de convergence entre passion, média et technologie. Il montre comment, avec des ressources limitées mais des outils bien utilisés, il est possible de créer une structure médiatique alternative, réactive, et profondément ancrée dans les réalités sociales et culturelles du sport. HLMFootFR est un média digital indépendant dédié au football, fondé par Helmut Patahini en 2022, qui met en lumière les joueurs issus des quartiers populaires et de la culture urbaine. Né entre la France et la Belgique, le projet s’appuie sur les réseaux sociaux (TikTok, Instagram, YouTube …) pour diffuser une parole différente, libre et engagée. HLMFootFR se distingue par l’utilisation de l’intelligence artificielle dans la création de contenu, l’analyse de données et l’automatisation des tâches, afin de proposer une expérience moderne, rapide et accessible. Le média vise à représenter ceux qu’on entend peu, tout en connectant le monde du foot à la technologie d’aujourd’hui.
관련 논문과 평가 결과에 연결된 구현입니다. 출처에서 확인된 저자 구현에는 공식 코드 표시가 있습니다.
Y-Net: A Hybrid Deep Learning Reconstruction Framework for Photoacoustic Imaging in vivo
FASTC: A Fast Attentional Framework for Semantic Traversability Classification Using Point Cloud
RNTrajRec: Road Network Enhanced Trajectory Recovery with Spatial-Temporal Transformer
Complex Handwriting Trajectory Recovery: Evaluation Metrics and Algorithm
MaxStyle: Adversarial Style Composition for Robust Medical Image Segmentation
Mixed-granularity Implicit Representation for Continuous Hyperspectral Compressive Reconstruction
Select and Attend: Towards Controllable Content Selection in Text Generation
A Deep Reinforcement Learning Approach for Solving the Traveling Salesman Problem with Drone
Textless Unit-to-Unit training for Many-to-Many Multilingual Speech-to-Speech Translation
SEDNet: Shallow Encoder-Decoder Network for Brain Tumor Segmentation
SelfReg-UNet: Self-Regularized UNet for Medical Image Segmentation
EdgeSAM: Prompt-In-the-Loop Distillation for On-Device Deployment of SAM
Rethinking Coarse-to-Fine Approach in Single Image Deblurring
Salient Building Outline Enhancement and Extraction Using Iterative L0 Smoothing and Line Enhancing
Direct Robot Configuration Space Construction using Convolutional Encoder-Decoders
Helping Hands: An Object-Aware Ego-Centric Video Recognition Model
Fast Generation of High Fidelity RGB-D Images by Deep-Learning with Adaptive Convolution
GeNet: A Graph Neural Network-based Anti-noise Task-Oriented Semantic Communication Paradigm
Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation
HDRUNet: Single Image HDR Reconstruction with Denoising and Dequantization
Enhanced Seq2Seq Autoencoder via Contrastive Learning for Abstractive Text Summarization
Neural Combinatorial Optimization with Heavy Decoder: Toward Large Scale Generalization
Modeling the Dynamics of PDE Systems with Physics-Constrained Deep Auto-Regressive Networks
Supervised Symbolic Music Style Translation Using Synthetic Data
VISA: Reasoning Video Object Segmentation via Large Language Models
VISA: Reasoning Video Object Segmentation via Large Language Models
TransESC: Smoothing Emotional Support Conversation via Turn-Level State Transition
Do Language Models Learn about Legal Entity Types during Pretraining?
CLFT: Camera-LiDAR Fusion Transformer for Semantic Segmentation in Autonomous Driving
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.