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/tensorflow/compression/blob/master/models/lvac/lvac.ipynb
공식 코드LVAC: Learned Volumetric Attribute Compression for Point Clouds using Coordinate Based Networks
https://github.com/tensorflow/graphics/tree/master/tensorflow_graphics/projects/local_implicit_grid
공식 코드https://github.com/tensorflow/mesh
공식 코드ST-MoE: Designing Stable and Transferable Sparse Expert Models
https://github.com/tensorflow/models
공식 코드Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
https://github.com/tensorflow/models/tree/master/official/projects/mosaic
공식 코드MOSAIC: Mobile Segmentation via decoding Aggregated Information and encoded Context
https://github.com/tensorflow/tensor2tensor
공식 코드https://github.com/ternaus/TernausNetV2
공식 코드TernausNetV2: Fully Convolutional Network for Instance Segmentation
https://github.com/tetsu9923/scireviewgen
공식 코드SciReviewGen: A Large-scale Dataset for Automatic Literature Review Generation
https://github.com/tfonta/semantic-vae
공식 코드Automatic Generation of Semantic Parts for Face Image Synthesis
https://github.com/tfzhou/MATNet
공식 코드Motion-Attentive Transition for Zero-Shot Video Object Segmentation
https://github.com/tgc1997/RMN
공식 코드Learning to Discretely Compose Reasoning Module Networks for Video Captioning
https://github.com/tgoldsack1/enhancing_biomedical_lay_summarisation_with_external_knowledge_graphs
공식 코드Enhancing Biomedical Lay Summarisation with External Knowledge Graphs
https://github.com/th2l/Eye_VR_Segmentation
공식 코드https://github.com/th2l/GEBD-PyramidFeatureSimilarity
공식 코드Generic Event Boundary Detection in Video with Pyramid Features
https://github.com/thaihungle/DMNC
공식 코드Dual Memory Neural Computer for Asynchronous Two-view Sequential Learning
https://github.com/thaihungle/VMED
공식 코드https://github.com/the-garden-of-sinner/mdap
공식 코드https://github.com/theislab/chemCPA
공식 코드Predicting Cellular Responses to Novel Drug Perturbations at a Single-Cell Resolution
https://github.com/theislab/trVAE
공식 코드Conditional out-of-sample generation for unpaired data using trVAE
https://github.com/theodorblackbird/lina-speech
공식 코드Small-E: Small Language Model with Linear Attention for Efficient Speech Synthesis
https://github.com/theyou21/BigProject
공식 코드Mental Task Classification Using Electroencephalogram Signal
https://github.com/thierrydumas/context_adaptive_neural_network_based_prediction
공식 코드Context-adaptive neural network based prediction for image compression
https://github.com/thijor/pyntbci
공식 코드Towards auditory attention decoding with noise-tagging: A pilot study
https://github.com/thodan/epos
공식 코드https://github.com/thomasnguyen92/two-stage-decoder-icd
공식 코드https://github.com/thomassutter/mmvampvae
공식 코드Unity by Diversity: Improved Representation Learning in Multimodal VAEs
https://github.com/thomassutter/mmvmvae
공식 코드Unity by Diversity: Improved Representation Learning in Multimodal VAEs
https://github.com/thu-coai/HINT
공식 코드Long Text Generation by Modeling Sentence-Level and Discourse-Level Coherence
https://github.com/thu-coai/LOT-LongLM
공식 코드LOT: A Story-Centric Benchmark for Evaluating Chinese Long Text Understanding and Generation
https://github.com/thu-coai/eric
공식 코드https://github.com/thu-coai/lot-benchmark
공식 코드LOT: A Story-Centric Benchmark for Evaluating Chinese Long Text Understanding and Generation
https://github.com/thuml/AutoTimes
공식 코드AutoTimes: Autoregressive Time Series Forecasters via Large Language Models
https://github.com/thuml/ContextWM
공식 코드Pre-training Contextualized World Models with In-the-wild Videos for Reinforcement Learning
https://github.com/thumt/THUMT
공식 코드Improving the Transformer Translation Model with Document-Level Context
https://github.com/thunlp/dect
공식 코드Decoder Tuning: Efficient Language Understanding as Decoding
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.