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/multimedialabsfu/learned-compression-of-encoding-distributions
공식 코드https://github.com/multimodallearning/deep-geo-reg
공식 코드https://github.com/multimodallearning/shape_matters
공식 코드Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding
https://github.com/mungomeng/survival-xsurv
공식 코드Merging-Diverging Hybrid Transformer Networks for Survival Prediction in Head and Neck Cancer
https://github.com/muqiaoy/dl_signal
공식 코드Complex Transformer: A Framework for Modeling Complex-Valued Sequence
https://github.com/mushanshanshan/esltts
공식 코드https://github.com/mushfiqur11/SS-VideoCaptioning
공식 코드Video captioning with stacked attention and semantic hard pull
https://github.com/mustass/ensertainty
공식 코드https://github.com/muyeby/AMR-Backparsing
공식 코드https://github.com/mvme-hbut/mprlnet
공식 코드https://github.com/mvme-hbut/sgacnet
공식 코드Spatial-information Guided Adaptive Context-aware Network for Efficient RGB-D Semantic Segmentation
https://github.com/mwod/sega_mw_2023
공식 코드https://github.com/mxin262/estextspotter
공식 코드ESTextSpotter: Towards Better Scene Text Spotting with Explicit Synergy in Transformer
https://github.com/myinxd/dnnae-gmm
공식 코드Radio Galaxy Morphology Generation Using DNN Autoencoder and Gaussian Mixture Models
https://github.com/nachiket92/PGP
공식 코드Multimodal Trajectory Prediction Conditioned on Lane-Graph Traversals
https://github.com/nachiket92/conv-social-pooling
공식 코드Convolutional Social Pooling for Vehicle Trajectory Prediction
https://github.com/naisops/CTranS
공식 코드ConvTransSeg: A Multi-resolution Convolution-Transformer Network for Medical Image Segmentation
https://github.com/naisops/mo-ctrans
공식 코드https://github.com/namburisrinath/llmcompression
공식 코드https://github.com/namisan/exdeep-nmt
공식 코드https://github.com/namjohn10/bidirectionalgaitnet
공식 코드Bidirectional GaitNet: A Bidirectional Prediction Model of Human Gait and Anatomical Conditions
https://github.com/namtuanly/MTL-TabNet
공식 코드An End-to-End Multi-Task Learning Model for Image-based Table Recognition
https://github.com/namtuanly/wikitableset
공식 코드Rethinking Image-based Table Recognition Using Weakly Supervised Methods
https://github.com/nandan91/relu-revival-normfree
공식 코드ReLU's Revival: On the Entropic Overload in Normalization-Free Large Language Models
https://github.com/nanjingxiaobawang/SieNet-Image-extrapolation
공식 코드https://github.com/narcissusex/guardsplat
공식 코드GuardSplat: Efficient and Robust Watermarking for 3D Gaussian Splatting
https://github.com/narthchin/deiqt
공식 코드Data-Efficient Image Quality Assessment with Attention-Panel Decoder
https://github.com/nasa/random_field_c-lfm
공식 코드Generative Modeling of Random Fields from Limited Data via Constrained Latent Flow Matching
https://github.com/nasim-aust/braintumor-segmentation-3dunet-brats
공식 코드Brain Tumor Segmentation using Enhanced U-Net Model with Empirical Analysis
https://github.com/nathankutz/plasmashred
공식 코드Shallow Recurrent Decoder for Reduced Order Modeling of Plasma Dynamics
https://github.com/naver-ai/lut
공식 코드Learning with Unmasked Tokens Drives Stronger Vision Learners
https://github.com/naver-ai/vidt
공식 코드ViDT: An Efficient and Effective Fully Transformer-based Object Detector
https://github.com/naver/sqlova
공식 코드A Comprehensive Exploration on WikiSQL with Table-Aware Word Contextualization
https://github.com/navid-ziaei/ldgd
공식 코드https://github.com/nayakt/cepn
공식 코드출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.