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/visinf/ppac_refinement
공식 코드https://github.com/visinf/s2-flow
공식 코드$S^2$-Flow: Joint Semantic and Style Editing of Facial Images
https://github.com/visinf/semantic_lattice
공식 코드Learning Task-Specific Generalized Convolutions in the Permutohedral Lattice
https://github.com/visinf/veto
공식 코드Vision Relation Transformer for Unbiased Scene Graph Generation
https://github.com/vision3d-lab/ditto
공식 코드DITTO: Dual and Integrated Latent Topologies for Implicit 3D Reconstruction
https://github.com/visionml/pytracking
공식 코드https://github.com/visten92/CAE-FFNN
공식 코드https://github.com/visual-gen/semanticist
공식 코드https://github.com/vita-epfl/bounding-box-prediction
공식 코드https://github.com/vita-group/chasing-better-dips
공식 코드Chasing Better Deep Image Priors between Over- and Under-parameterization
https://github.com/vitae-transformer/deepsolo
공식 코드DeepSolo: Let Transformer Decoder with Explicit Points Solo for Text Spotting
https://github.com/vitae-transformer/mtp
공식 코드MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining
https://github.com/vividitytech/text2videogpt
공식 코드https://github.com/volflow/DeFlow
공식 코드DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows
https://github.com/voyazici/orderless-rnn-classification
공식 코드https://github.com/voyazici/visual-transformers-classification
공식 코드Visual Transformers with Primal Object Queries for Multi-Label Image Classification
https://github.com/vrclc-duk/ml-en-transliteration
공식 코드Romanized to Native Malayalam Script Transliteration Using an Encoder-Decoder Framework
https://github.com/vri-ufpr/sparkinthedarklars2021
공식 코드Spark in the Dark: Evaluating Encoder-Decoder Pairs for COVID-19 CT's Semantic Segmentation
https://github.com/vrkh1996/IPU-Net
공식 코드https://github.com/vsislab/Controllable_XGating
공식 코드Controllable Video Captioning with POS Sequence Guidance Based on Gated Fusion Network
https://github.com/vvvb-github/avsegformer
공식 코드https://github.com/wadieskaf/denoising_architecture_time_series_paper
공식 코드Denoising Architecture for Unsupervised Anomaly Detection in Time-Series
https://github.com/wadoodabdul/clinical_ner_benchmark
공식 코드https://github.com/walking-shadow/Semantic-guidance-and-spatial-localization-network
공식 코드https://github.com/wangcunxiang/rfid
공식 코드RFiD: Towards Rational Fusion-in-Decoder for Open-Domain Question Answering
https://github.com/wanghelin1997/duta-vc
공식 코드https://github.com/wangjk666/omnivid
공식 코드OmniVid: A Generative Framework for Universal Video Understanding
https://github.com/wangjs9/care-master
공식 코드CARE: Causality Reasoning for Empathetic Responses by Conditional Graph Generation
https://github.com/wangmengzhi/Lightweight-Transducer
공식 코드https://github.com/wangshaosun/grasp-transformer
공식 코드When Transformer Meets Robotic Grasping: Exploits Context for Efficient Grasp Detection
https://github.com/wangshu31/metricgrids
공식 코드https://github.com/wangsp1999/cd-research
공식 코드https://github.com/wangxiang1230/OadTR
공식 코드https://github.com/wangxiao5791509/LGSearch_DDGAN_PyTorch
공식 코드Tracking by Joint Local and Global Search: A Target-aware Attention based Approach
https://github.com/wangxiao5791509/Pedestrian-Attribute-Recognition-Paper-List
공식 코드SequencePAR: Understanding Pedestrian Attributes via A Sequence Generation Paradigm
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.