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/garyson1204/hginet
공식 코드https://github.com/gatech-eic/linearized-llm
공식 코드https://github.com/gauravsc/NTD
공식 코드Structured Multi-Label Biomedical Text Tagging via Attentive Neural Tree Decoding
https://github.com/gbaier/rs_img_synth
공식 코드Synthesizing Optical and SAR Imagery From Land Cover Maps and Auxiliary Raster Data
https://github.com/gdy-scu/FlightBERT_PP_V2
공식 코드https://github.com/genforce/lia
공식 코드Disentangled Inference for GANs with Latently Invertible Autoencoder
https://github.com/gengzigang/pct
공식 코드https://github.com/genintel/datasetnerf
공식 코드DatasetNeRF: Efficient 3D-aware Data Factory with Generative Radiance Fields
https://github.com/geonwooko/dines
공식 코드Learning Disentangled Representations in Signed Directed Graphs without Social Assumptions
https://github.com/ggsDing/SARSeg
공식 코드https://github.com/ghazi-f/advae
공식 코드Towards Unsupervised Content Disentanglement in Sentence Representations via Syntactic Roles
https://github.com/ghazi-f/qkvae
공식 코드https://github.com/ghchen18/acl22-sixtp
공식 코드Towards Making the Most of Multilingual Pretraining for Zero-Shot Neural Machine Translation
https://github.com/ghchen18/emnlp2021-sixt
공식 코드Zero-shot Cross-lingual Transfer of Neural Machine Translation with Multilingual Pretrained Encoders
https://github.com/ghtara/dose_prediction
공식 코드https://github.com/ghy1228/ldpc_error_floor
공식 코드Boosting Learning for LDPC Codes to Improve the Error-Floor Performance
https://github.com/gibson210/gec-depend
공식 코드GEC-DePenD: Non-Autoregressive Grammatical Error Correction with Decoupled Permutation and Decoding
https://github.com/gideonfr/emprox
공식 코드EmProx: Neural Network Performance Estimation For Neural Architecture Search
https://github.com/gidiko/digae
공식 코드https://github.com/gimpong/AAAI25-S5VH
공식 코드Efficient Self-Supervised Video Hashing with Selective State Spaces
https://github.com/gimpong/MM23-MISSRec
공식 코드https://github.com/gingasan/creat
공식 코드Toward Adversarial Training on Contextualized Language Representation
https://github.com/girish-03/deepsemmanipulation
공식 코드https://github.com/gisilvs/aef
공식 코드Deterministic training of generative autoencoders using invertible layers
https://github.com/gitbosun/arapreg
공식 코드ARAPReg: An As-Rigid-As Possible Regularization Loss for Learning Deformable Shape Generators
https://github.com/gitgyun/visual_token_matching
공식 코드Universal Few-shot Learning of Dense Prediction Tasks with Visual Token Matching
https://github.com/gittingthehubbing/siat
공식 코드https://github.com/giventicket/cycleformer
공식 코드https://github.com/givkashi/focal-unet
공식 코드Focal-UNet: UNet-like Focal Modulation for Medical Image Segmentation
https://github.com/gkakogeorgiou/spot
공식 코드https://github.com/gladzhang/xformer
공식 코드https://github.com/glasgow-ai4biomed/genkie
공식 코드GenKIE: Robust Generative Multimodal Document Key Information Extraction
https://github.com/gmum/multiplanenerf
공식 코드MultiPlaneNeRF: Neural Radiance Field with Non-Trainable Representation
https://github.com/gmzszu/amp-sc
공식 코드Digital Semantic Communications: An Alternating Multi-Phase Training Strategy with Mask Attack
https://github.com/goddesshs/transmrsr
공식 코드TransMRSR: Transformer-based Self-Distilled Generative Prior for Brain MRI Super-Resolution
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.