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/Hatmm/PED-DETR-for-Pedestrian-Detection
공식 코드https://github.com/Heidelberg-NLP/SRL-S2S
공식 코드Translate and Label! An Encoder-Decoder Approach for Cross-lingual Semantic Role Labeling
https://github.com/HeranYang/Hyper-GAN
공식 코드A Unified Hyper-GAN Model for Unpaired Multi-contrast MR Image Translation
https://github.com/Herrccc/DR-TANet
공식 코드DR-TANet: Dynamic Receptive Temporal Attention Network for Street Scene Change Detection
https://github.com/HiLab-git/SSL4MIS
공식 코드https://github.com/HoangTrinh/EDMS
공식 코드Image Compression with Encoder-Decoder Matched Semantic Segmentation
https://github.com/Holmes-Alan/dSRVAE
공식 코드Unsupervised Real Image Super-Resolution via Generative Variational AutoEncoder
https://github.com/HolmesShuan/Location-aware-Upsampling-for-Semantic-Segmentation
공식 코드https://github.com/HongruCai/SLGR
공식 코드Exploring Training and Inference Scaling Laws in Generative Retrieval
https://github.com/HongyangGao/gunet
공식 코드https://github.com/Honlan/DMT
공식 코드Disentangled Makeup Transfer with Generative Adversarial Network
https://github.com/HuCaoFighting/Swin-Unet
공식 코드Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation
https://github.com/Hydragon516/ESA-official
공식 코드https://github.com/IBM/Graph2Seq
공식 코드Graph2Seq: Graph to Sequence Learning with Attention-based Neural Networks
https://github.com/IBM/Graph2Tree
공식 코드https://github.com/IBM/terratorch
공식 코드https://github.com/IBM/transition-amr-parser
공식 코드Structure-aware Fine-tuning of Sequence-to-sequence Transformers for Transition-based AMR Parsing
https://github.com/IDEA-Research/OSX
공식 코드One-Stage 3D Whole-Body Mesh Recovery with Component Aware Transformer
https://github.com/IDEA-Research/detrex
공식 코드DN-DETR: Accelerate DETR Training by Introducing Query DeNoising
https://github.com/IDKiro/sdxs
공식 코드SDXS: Real-Time One-Step Latent Diffusion Models with Image Conditions
https://github.com/IGLICT/NeRFFaceEditing
공식 코드NeRFFaceEditing: Disentangled Face Editing in Neural Radiance Fields
https://github.com/INDElab/rgvae
공식 코드Knowledge Generation -- Variational Bayes on Knowledge Graphs
https://github.com/INVOKERer/AdaRevD
공식 코드AdaRevD: Adaptive Patch Exiting Reversible Decoder Pushes the Limit of Image Deblurring
https://github.com/ISosnovik/nn4topopt
공식 코드https://github.com/ISosnovik/top
공식 코드https://github.com/IVIPLab/FBSNet
공식 코드FBSNet: A Fast Bilateral Symmetrical Network for Real-Time Semantic Segmentation
https://github.com/IcarusWizard/PixelwiseRegression
공식 코드https://github.com/ImKeTT/adavae
공식 코드AdaVAE: Exploring Adaptive GPT-2s in Variational Auto-Encoders for Language Modeling
https://github.com/ImperialNLP/BertGen
공식 코드https://github.com/ImperialNLP/MMT-Delib
공식 코드https://github.com/Indolent-Kawhi/EAGER-LLM
공식 코드https://github.com/InterDigitalInc/HRFAE
공식 코드https://github.com/Isminoula/TextNormSeq2Seq
공식 코드Adapting Sequence to Sequence models for Text Normalization in Social Media
https://github.com/JD-AI-Research-NLP/RevCore
공식 코드https://github.com/JD-AI-Research-Silicon-Valley/SACN
공식 코드End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.