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/yunlong10/ads-1k
공식 코드Multi-modal Segment Assemblage Network for Ad Video Editing with Importance-Coherence Reward
https://github.com/yunx-z/combo
공식 코드Merging Generated and Retrieved Knowledge for Open-Domain QA
https://github.com/yunxiangfu2001/segman
공식 코드https://github.com/yuqiuyuqiu/abiu-net
공식 코드Boosting Salient Object Detection with Transformer-based Asymmetric Bilateral U-Net
https://github.com/yuqiyang213/mlore
공식 코드https://github.com/yuwenlo/hardnet-dfus
공식 코드https://github.com/yuxumin/PoinTr
공식 코드PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers
https://github.com/yuyangstat/flowsum
공식 코드Boosting Summarization with Normalizing Flows and Aggressive Training
https://github.com/yuzhms/streaming-video-model
공식 코드https://github.com/yxlu-0102/MP-SENet
공식 코드MP-SENet: A Speech Enhancement Model with Parallel Denoising of Magnitude and Phase Spectra
https://github.com/yxzwang/submissionverofyinyangnn
공식 코드Efficient Link Prediction via GNN Layers Induced by Negative Sampling
https://github.com/yyliu01/auralsam2
공식 코드AuralSAM2: Enabling SAM2 Hear Through Pyramid Audio-Visual Feature Prompting
https://github.com/yytzsy/smcg
공식 코드https://github.com/yytzsy/syntax-customized-video-captioning
공식 코드Syntax Customized Video Captioning by Imitating Exemplar Sentences
https://github.com/yyyujintang/predformer
공식 코드Video Prediction Transformers without Recurrence or Convolution
https://github.com/yyyylllj/NetB
공식 코드A Robust Classification-autoencoder to Defend Outliers and Adversaries
https://github.com/yz93/lavt-ris
공식 코드LAVT: Language-Aware Vision Transformer for Referring Image Segmentation
https://github.com/yzhangchuck/sentinel
공식 코드Sentinel: Decoding Context Utilization via Attention Probing for Efficient LLM Context Compression
https://github.com/z-x-yang/NS-Outpainting
공식 코드https://github.com/zamling/psalm
공식 코드https://github.com/zbambergerNLP/depth
공식 코드DEPTH: Discourse Education through Pre-Training Hierarchically
https://github.com/zbf1991/weclip
공식 코드Frozen CLIP: A Strong Backbone for Weakly Supervised Semantic Segmentation
https://github.com/zbwxp/SegVit
공식 코드SegViTv2: Exploring Efficient and Continual Semantic Segmentation with Plain Vision Transformers
https://github.com/zcakhaa/Multi-Horizon-Forecasting-for-Limit-Order-Books
공식 코드https://github.com/zdou0830/meter
공식 코드An Empirical Study of Training End-to-End Vision-and-Language Transformers
https://github.com/zejiangh/milan
공식 코드MILAN: Masked Image Pretraining on Language Assisted Representation
https://github.com/zengyan-97/Transformer-DST
공식 코드Jointly Optimizing State Operation Prediction and Value Generation for Dialogue State Tracking
https://github.com/zenquiorra/m3ls
공식 코드https://github.com/zeqiang-lai/man
공식 코드https://github.com/zeyuyan/controllable-perceptual-compression
공식 코드https://github.com/zfj1998/so_title_generation
공식 코드https://github.com/zh460045050/v2l-tokenizer
공식 코드Beyond Text: Frozen Large Language Models in Visual Signal Comprehension
https://github.com/zhang-chenxu/lsm-adapter
공식 코드Urban Waterlogging Detection: A Challenging Benchmark and Large-Small Model Co-Adapter
https://github.com/zhangboshen/A2J
공식 코드A2J: Anchor-to-Joint Regression Network for 3D Articulated Pose Estimation from a Single Depth Image
https://github.com/zhanggang001/cednet
공식 코드CEDNet: A Cascade Encoder-Decoder Network for Dense Prediction
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.