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://git.openi.org.cn/capepoint/WeaklyLesionLocalisation
공식 코드Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning
https://gitee.com/Lin-Qinwei/CIR-Net-MindSpore.git
공식 코드CIR-Net: Cross-modality Interaction and Refinement for RGB-D Salient Object Detection
https://github.com/0nutation/slmtokbench
공식 코드SpeechTokenizer: Unified Speech Tokenizer for Speech Large Language Models
https://github.com/0nutation/uslm
공식 코드SpeechTokenizer: Unified Speech Tokenizer for Speech Large Language Models
https://github.com/11yxk/sam-lst
공식 코드Ladder Fine-tuning approach for SAM integrating complementary network
https://github.com/13204942/mitu-net
공식 코드MiTU-Net: A fine-tuned U-Net with SegFormer backbone for segmenting pubic symphysis-fetal head
https://github.com/141forever/transferuie
공식 코드https://github.com/16lemoing/ccvs
공식 코드https://github.com/18kiran12/Yformer-Time-Series-Forecasting
공식 코드Yformer: U-Net Inspired Transformer Architecture for Far Horizon Time Series Forecasting
https://github.com/1zhou-Wang/MemVR
공식 코드https://github.com/2018cx/sinkd
공식 코드https://github.com/232525/PureT
공식 코드https://github.com/25icecreamflavors/aipom
공식 코드AIpom at SemEval-2024 Task 8: Detecting AI-produced Outputs in M4
https://github.com/3bobo/lttr
공식 코드https://github.com/3bobo/smat
공식 코드Exploiting More Information in Sparse Point Cloud for 3D Single Object Tracking
https://github.com/3d-house-wireframe/3d-house-wireframe-dataset
공식 코드https://github.com/4pygmalion/cosas
공식 코드https://github.com/501Good/lexicon-enhanced-lemmatization
공식 코드Enhancing Sequence-to-Sequence Neural Lemmatization with External Resources
https://github.com/594422814/TransformerTrack
공식 코드Transformer Meets Tracker: Exploiting Temporal Context for Robust Visual Tracking
https://github.com/731935354/dia-sum-fact
공식 코드Annotating and Detecting Fine-grained Factual Errors for Dialogue Summarization
https://github.com/80chen86/ipdn
공식 코드IPDN: Image-enhanced Prompt Decoding Network for 3D Referring Expression Segmentation
https://github.com/920232796/nestedformer
공식 코드NestedFormer: Nested Modality-Aware Transformer for Brain Tumor Segmentation
https://github.com/A4Bio/DiffSDS_open
공식 코드https://github.com/A4Bio/GraphsGPT
공식 코드A Graph is Worth $K$ Words: Euclideanizing Graph using Pure Transformer
https://github.com/A4Bio/PiFold
공식 코드PiFold: Toward effective and efficient protein inverse folding
https://github.com/AI-14/micar-vl-moe
공식 코드https://github.com/AI-luyuan/aegcn
공식 코드AEGCN: An Autoencoder-Constrained Graph Convolutional Network
https://github.com/AI-secure/T3
공식 코드T3: Tree-Autoencoder Constrained Adversarial Text Generation for Targeted Attack
https://github.com/AIGeeksGroup/3DCoCa
공식 코드https://github.com/AIS-Bonn/TemporalBallDetection
공식 코드https://github.com/ALFA-group/lipizzaner-ae-prune
공식 코드Guiding Evolutionary AutoEncoder Training with Activation-Based Pruning Operators
https://github.com/AaltoVision/automodulator
공식 코드https://github.com/AaltoVision/movement-induced-prior
공식 코드https://github.com/AaltoVision/warped-skipconnection-nvs
공식 코드https://github.com/Adam-Haile/vita-research-group
공식 코드Synthesizing Audio from Silent Video using Sequence to Sequence Modeling
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.