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/nazar-khan/caltext
공식 코드CALText: Contextual Attention Localization for Offline Handwritten Text
https://github.com/nc-ai/MultimodalSum
공식 코드https://github.com/ncclabsustech/deepseparator
공식 코드Embedding Decomposition for Artifacts Removal in EEG Signals
https://github.com/ncsoft/harim_plus
공식 코드HaRiM$^+$: Evaluating Summary Quality with Hallucination Risk
https://github.com/neato47/neural-numeric-to-text-generation
공식 코드Towards Neural Numeric-To-Text Generation From Temporal Personal Health Data
https://github.com/nenomigami/promptcompressor
공식 코드https://github.com/nervjack2/SpeechChatGPTStreaming
공식 코드Building a Taiwanese Mandarin Spoken Language Model: A First Attempt
https://github.com/networkslab/enlsp_neurips24
공식 코드https://github.com/neukg/MultiIE
공식 코드https://github.com/neukg/kat-tslf
공식 코드A Three-Stage Learning Framework for Low-Resource Knowledge-Grounded Dialogue Generation
https://github.com/neulab/BARTScore
공식 코드https://github.com/neulab/ragged
공식 코드RAGGED: Towards Informed Design of Retrieval Augmented Generation Systems
https://github.com/neurai-lab/progressivedecoderfusion
공식 코드Curbing Task Interference using Representation Similarity-Guided Multi-Task Feature Sharing
https://github.com/neuralcarver/michelangelo
공식 코드https://github.com/neuroethology/bkind
공식 코드https://github.com/neuroethology/bkind-3d
공식 코드BKinD-3D: Self-Supervised 3D Keypoint Discovery from Multi-View Videos
https://github.com/ngaggion/HybridGNet
공식 코드Hybrid graph convolutional neural networks for landmark-based anatomical segmentation
https://github.com/ngaggion/chest-xray-landmark-dataset
공식 코드https://github.com/nguyenhoangthuan99/RaBiT
공식 코드https://github.com/nhathoang2002/toxcl
공식 코드ToXCL: A Unified Framework for Toxic Speech Detection and Explanation
https://github.com/nhw649/eov-seg
공식 코드https://github.com/nianticlabs/wavelet-monodepth
공식 코드https://github.com/nickwzk/streamsplat
공식 코드StreamSplat: Towards Online Dynamic 3D Reconstruction from Uncalibrated Video Streams
https://github.com/nicola-decao/efficient-autoregressive-EL
공식 코드Highly Parallel Autoregressive Entity Linking with Discriminative Correction
https://github.com/nicolay-r/reasoning-for-sentiment-analysis-framework
공식 코드https://github.com/nicpopovic/ember
공식 코드https://github.com/nicpopovic/stoke
공식 코드https://github.com/nightmare-n/gd-mae
공식 코드GD-MAE: Generative Decoder for MAE Pre-training on LiDAR Point Clouds
https://github.com/nikhilroxtomar/DDANet
공식 코드DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation
https://github.com/nikhilroxtomar/dilatedsegnet
공식 코드DilatedSegNet: A Deep Dilated Segmentation Network for Polyp Segmentation
https://github.com/nikhilroxtomar/mkdcnet
공식 코드Automatic Polyp Segmentation with Multiple Kernel Dilated Convolution Network
https://github.com/niki-amini-naieni/countx
공식 코드https://github.com/nikkiwoo-gh/ITV
공식 코드https://github.com/nikola3794/composite-tasking
공식 코드CompositeTasking: Understanding Images by Spatial Composition of Tasks
https://github.com/nikolai10/egic
공식 코드EGIC: Enhanced Low-Bit-Rate Generative Image Compression Guided by Semantic Segmentation
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.