https://github.com/hustvl/weaktr
공식 코드WeakTr: Exploring Plain Vision Transformer for Weakly-supervised Semantic Segmentation
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.
WeakTr: Exploring Plain Vision Transformer for Weakly-supervised Semantic Segmentation
Faster Diffusion: Rethinking the Role of the Encoder for Diffusion Model Inference
Low-Dimensional Structure in the Space of Language Representations is Reflected in Brain Responses
Asymmetric Dual-Decoder U-Net for Joint Rain and Haze Removal
Multi Kernel Positional Embedding ConvNeXt for Polyp Segmentation
CamoFormer: Masked Separable Attention for Camouflaged Object Detection
Masking in Multi-hop QA: An Analysis of How Language Models Perform with Context Permutation
OmniMVS: End-to-End Learning for Omnidirectional Stereo Matching
Efficient Episodic Memory Utilization of Cooperative Multi-Agent Reinforcement Learning
Embedding-Free Transformer with Inference Spatial Reduction for Efficient Semantic Segmentation
MetaSeg: MetaFormer-based Global Contexts-aware Network for Efficient Semantic Segmentation
Pix2Vox: Context-aware 3D Reconstruction from Single and Multi-view Images
CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical Imaging
Lymphoma segmentation from 3D PET-CT images using a deep evidential network
IAE-Net: Integral Autoencoders for Discretization-Invariant Learning
High Quality Monocular Depth Estimation via Transfer Learning
Motion-Guided Latent Diffusion for Temporally Consistent Real-world Video Super-resolution
Granite Code Models: A Family of Open Foundation Models for Code Intelligence
From PEFT to DEFT: Parameter Efficient Finetuning for Reducing Activation Density in Transformers
TableFormer: Table Structure Understanding with Transformers
Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking
GypSum: Learning Hybrid Representations for Code Summarization
Decoder-only Streaming Transformer for Simultaneous Translation
Large Language Models Are Read/Write Policy-Makers for Simultaneous Generation
Retrieving Sequential Information for Non-Autoregressive Neural Machine Translation
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.