https://github.com/jungokasai/deep-shallow
공식 코드Deep Encoder, Shallow Decoder: Reevaluating Non-autoregressive Machine Translation
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.
Deep Encoder, Shallow Decoder: Reevaluating Non-autoregressive Machine Translation
Character Queries: A Transformer-based Approach to On-Line Handwritten Character Segmentation
Spatial-Temporal Graph Representation Learning for Tactical Networks Future State Prediction
FastInst: A Simple Query-Based Model for Real-Time Instance Segmentation
3D-OAE: Occlusion Auto-Encoders for Self-Supervised Learning on Point Clouds
3D Shape Reconstruction from 2D Images with Disentangled Attribute Flow
LadderNet: Multi-path networks based on U-Net for medical image segmentation
From Association to Generation: Text-only Captioning by Unsupervised Cross-modal Mapping
FocusNet: Transformer-enhanced Polyp Segmentation with Local and Pooling Attention
DeformToon3D: Deformable 3D Toonification from Neural Radiance Fields
Character-Based Handwritten Text Transcription with Attention Networks
Sounding Video Generator: A Unified Framework for Text-guided Sounding Video Generation
LeanGaussian: Breaking Pixel or Point Cloud Correspondence in Modeling 3D Gaussians
UniGS: Modeling Unitary 3D Gaussians for Novel View Synthesis from Sparse-view Images
Imitation Learning with Limited Actions via Diffusion Planners and Deep Koopman Controllers
A Unifying Framework of Attention-based Neural Load Forecasting
Embracing Consistency: A One-Stage Approach for Spatio-Temporal Video Grounding
MS-DETR: Natural Language Video Localization with Sampling Moment-Moment Interaction
Lex2Sent: A bagging approach to unsupervised sentiment analysis
ZipVoice: Fast and High-Quality Zero-Shot Text-to-Speech with Flow Matching
CR-CTC: Consistency regularization on CTC for improved speech recognition
SURT 2.0: Advances in Transducer-based Multi-talker Speech Recognition
CAMS: Convolution and Attention-Free Mamba-based Cardiac Image Segmentation
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.