https://github.com/MarcBS/TMA
공식 코드Egocentric Video Description based on Temporally-Linked Sequences
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.
Egocentric Video Description based on Temporally-Linked Sequences
Semantic Mask for Transformer based End-to-End Speech Recognition
RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier
Reduced Order Modeling with Shallow Recurrent Decoder Networks
Light-weight Retinal Layer Segmentation with Global Reasoning
RINDNet: Edge Detection for Discontinuity in Reflectance, Illumination, Normal and Depth
PFGS: High Fidelity Point Cloud Rendering via Feature Splatting
Transformer-based Annotation Bias-aware Medical Image Segmentation
Adaptive O-CNN: A Patch-based Deep Representation of 3D Shapes
Constrained Graph Variational Autoencoders for Molecule Design
DRU-net: An Efficient Deep Convolutional Neural Network for Medical Image Segmentation
Symmetric Transformer-based Network for Unsupervised Image Registration
ID-Unet: Iterative Soft and Hard Deformation for View Synthesis
Novel View Synthesis on Unpaired Data by Conditional Deformable Variational Auto-Encoder
Infomax Neural Joint Source-Channel Coding via Adversarial Bit Flip
Semantically-Aligned Equation Generation for Solving and Reasoning Math Word Problems
Natural Language Generation by Hierarchical Decoding with Linguistic Patterns
Representation and Correlation Enhanced Encoder-Decoder Framework for Scene Text Recognition
UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation
Zero-Shot Question Generation from Knowledge Graphs for Unseen Predicates and Entity Types
Multiple Sclerosis Lesion Synthesis in MRI using an encoder-decoder U-NET
Shall We Pretrain Autoregressive Language Models with Retrieval? A Comprehensive Study
FocalFormer3D : Focusing on Hard Instance for 3D Object Detection
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers
Variationally Regularized Graph-based Representation Learning for Electronic Health Records
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.