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/lowlevelai/glare
공식 코드GLARE: Low Light Image Enhancement via Generative Latent Feature based Codebook Retrieval
https://github.com/lseventeen/phtrans
공식 코드PHTrans: Parallelly Aggregating Global and Local Representations for Medical Image Segmentation
https://github.com/lswzjuer/NAS-WDAN
공식 코드MixSearch: Searching for Domain Generalized Medical Image Segmentation Architectures
https://github.com/lsztzp/pathformer3d
공식 코드https://github.com/ltgoslo/norbench
공식 코드https://github.com/ltgoslo/wugs_with_definitions
공식 코드https://github.com/ltkong218/FastFlowNet
공식 코드FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation
https://github.com/ltkong218/ifrnet
공식 코드IFRNet: Intermediate Feature Refine Network for Efficient Frame Interpolation
https://github.com/lucaskirsten/mobilemef
공식 코드MobileMEF: Fast and Efficient Method for Multi-Exposure Fusion
https://github.com/lucasondel/markovmodels.jl
공식 코드Revisiting joint decoding based multi-talker speech recognition with DNN acoustic model
https://github.com/lucasyfl/multistage_diffusion
공식 코드https://github.com/lufficc/sc-transformer
공식 코드SC-Transformer++: Structured Context Transformer for Generic Event Boundary Detection
https://github.com/lukeforeveryoung/ureader
공식 코드https://github.com/lunaproject22/aar
공식 코드Inferring Past Human Actions in Homes with Abductive Reasoning
https://github.com/luost26/DMRDenoise
공식 코드Differentiable Manifold Reconstruction for Point Cloud Denoising
https://github.com/luoxiaoheics/continual-tune
공식 코드An Empirical Study of Catastrophic Forgetting in Large Language Models During Continual Fine-tuning
https://github.com/luoxiaoheics/xal
공식 코드XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners
https://github.com/luyang-huang96/LongDocSum
공식 코드https://github.com/lvapeab/ABiViRNet
공식 코드Video Description using Bidirectional Recurrent Neural Networks
https://github.com/lx-doctorai1/deltanet
공식 코드DeltaNet:Conditional Medical Report Generation for COVID-19 Diagnosis
https://github.com/lxq1000/faceptor
공식 코드https://github.com/lxtgh/omg-seg
공식 코드https://github.com/lylyhan/perceptual_neural_physical
공식 코드https://github.com/lyndonzheng/Pluralistic-Inpainting
공식 코드https://github.com/lyuwenyu/RT-DETR
공식 코드https://github.com/lyy1994/reformer
공식 코드https://github.com/lz118/Multi-interactive-Dual-decoder
공식 코드Multi-interactive Dual-decoder for RGB-thermal Salient Object Detection
https://github.com/lz118/Multi-interactive-Siamese-Decoder
공식 코드Multi-interactive Dual-decoder for RGB-thermal Salient Object Detection
https://github.com/lzeeorno/AFFSegNet
공식 코드AFFSegNet: Adaptive Feature Fusion Segmentation Network for Microtumors and Multi-Organ Segmentation
https://github.com/lzeeorno/assnet
공식 코드AFFSegNet: Adaptive Feature Fusion Segmentation Network for Microtumors and Multi-Organ Segmentation
https://github.com/lzzzzzm/ii-world
공식 코드$I^{2}$-World: Intra-Inter Tokenization for Efficient Dynamic 4D Scene Forecasting
https://github.com/m-e-agi-lab/muddit
공식 코드Muddit: Liberating Generation Beyond Text-to-Image with a Unified Discrete Diffusion Model
https://github.com/m-hasan-n/pooling
공식 코드https://github.com/m-hasan-n/roundabout
공식 코드https://github.com/m-resta/sg-rep
공식 코드Self-generated Replay Memories for Continual Neural Machine Translation
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.