Decoder
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 0
- 평가표
- 1
- 보존된 평가 기록
- 2
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.
코드
관련 논문과 평가 결과에 연결된 구현입니다. 출처에서 확인된 저자 구현에는 공식 코드 표시가 있습니다.
https://github.com/Frozenmad/MetaDelta
공식 코드MetaDelta: A Meta-Learning System for Few-shot Image Classification
https://github.com/GGLAB-KU/gecturk
공식 코드GECTurk: Grammatical Error Correction and Detection Dataset for Turkish
https://github.com/GJena/CIS-700-7_Chatbot-Project
공식 코드https://github.com/GT-SALT/Multi-View-Seq2Seq
공식 코드https://github.com/GT-SALT/Structure-Aware-BART
공식 코드Structure-Aware Abstractive Conversation Summarization via Discourse and Action Graphs
https://github.com/GT-Wei/RT-OVAD
공식 코드OVA-DETR: Open Vocabulary Aerial Object Detection Using Image-Text Alignment and Fusion
https://github.com/GXYM/TextBPN
공식 코드Adaptive Boundary Proposal Network for Arbitrary Shape Text Detection
https://github.com/GaryZhu1996/GARNet
공식 코드GARNet: Global-Aware Multi-View 3D Reconstruction Network and the Cost-Performance Tradeoff
https://github.com/GeWu-Lab/Generalizable-Audio-Visual-Segmentation
공식 코드Prompting Segmentation with Sound Is Generalizable Audio-Visual Source Localizer
https://github.com/GeWu-Lab/Stepping-Stones
공식 코드Stepping Stones: A Progressive Training Strategy for Audio-Visual Semantic Segmentation
https://github.com/GeekEagle/FGSTP
공식 코드Fine-grained spatial-temporal perception for gas leak segmentation
https://github.com/GeminiLight/flag-vne
공식 코드https://github.com/Ghadjeres/piano-inpainting-application
공식 코드https://github.com/GitCVfb/SUNet
공식 코드SUNet: Symmetric Undistortion Network for Rolling Shutter Correction
https://github.com/Glaceon31/Document-Transformer
공식 코드Improving the Transformer Translation Model with Document-Level Context
https://github.com/Gorilla-Lab-SCUT/DualPoseNet
공식 코드https://github.com/GouMinghao/rgb_matters
공식 코드RGB Matters: Learning 7-DoF Grasp Poses on Monocular RGBD Images
https://github.com/GradientSpaces/LivingScenes
공식 코드Living Scenes: Multi-object Relocalization and Reconstruction in Changing 3D Environments
https://github.com/Green-Wood/BTTR
공식 코드Handwritten Mathematical Expression Recognition with Bidirectionally Trained Transformer
https://github.com/Green-Wood/CoMER
공식 코드CoMER: Modeling Coverage for Transformer-based Handwritten Mathematical Expression Recognition
https://github.com/GuanlinLee/FPD-for-Adversarial-Robustness
공식 코드Enhancing Intrinsic Adversarial Robustness via Feature Pyramid Decoder
https://github.com/GuoxiaWang/DOOBNet
공식 코드DOOBNet: Deep Object Occlusion Boundary Detection from an Image
https://github.com/Guzaiwang/CE-Net
공식 코드CE-Net: Context Encoder Network for 2D Medical Image Segmentation
https://github.com/HAWLYQ/Qc-TextCap
공식 코드https://github.com/HIPS/molecule-autoencoder
공식 코드Automatic chemical design using a data-driven continuous representation of molecules
https://github.com/HITsz-TMG/SKURG
공식 코드https://github.com/HLR/Dual-Action-VLN-CE
공식 코드https://github.com/HLTSingapore/Emotional-Speech-Data
공식 코드Seen and Unseen emotional style transfer for voice conversion with a new emotional speech dataset
https://github.com/HMEIatJHU/NeuralWalker
공식 코드Listen, Attend, and Walk: Neural Mapping of Navigational Instructions to Action Sequences
https://github.com/HMEIatJHU/SelectiveGeneration
공식 코드What to talk about and how? Selective Generation using LSTMs with Coarse-to-Fine Alignment
https://github.com/HRNet/HRNet-Semantic-Segmentation
공식 코드Segmentation Transformer: Object-Contextual Representations for Semantic Segmentation
https://github.com/HUANGLIZI/ScribFormer
공식 코드ScribFormer: Transformer Makes CNN Work Better for Scribble-based Medical Image Segmentation
https://github.com/HanboBizl/AgMTR
공식 코드AgMTR: Agent Mining Transformer for Few-shot Segmentation in Remote Sensing
https://github.com/Hanjun-Dai/sdvae
공식 코드https://github.com/HanningChen/VLTP
공식 코드VLTP: Vision-Language Guided Token Pruning for Task-Oriented Segmentation
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.