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/openvinotoolkit/anomalib
공식 코드GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training
https://github.com/orange-opensource/cool-chic
공식 코드https://github.com/orhir/PoseAnything
공식 코드A Graph-Based Approach for Category-Agnostic Pose Estimation
https://github.com/origamisl/fppformer
공식 코드Take an Irregular Route: Enhance the Decoder of Time-Series Forecasting Transformer
https://github.com/origamisl/gbt
공식 코드GBT: Two-stage transformer framework for non-stationary time series forecasting
https://github.com/oriyor/turning_tables
공식 코드https://github.com/ortonwang/plgdf
공식 코드https://github.com/orybkin/sigma-vae
공식 코드https://github.com/osilly/kdfs
공식 코드Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler
https://github.com/osupcvlab/segformer3d
공식 코드SegFormer3D: an Efficient Transformer for 3D Medical Image Segmentation
https://github.com/ouyanghaodong/deyo
공식 코드https://github.com/overnap/bs-vae
공식 코드Beta-Sigma VAE: Separating beta and decoder variance in Gaussian variational autoencoder
https://github.com/owen718/nighthazeformer
공식 코드NightHazeFormer: Single Nighttime Haze Removal Using Prior Query Transformer
https://github.com/ownstyledu/Translate-to-Recognize-Networks
공식 코드https://github.com/ozyyshr/oscar
공식 코드Smoothing Dialogue States for Open Conversational Machine Reading
https://github.com/p0werHu/articulated-objects-motion-prediction
공식 코드Predicting Long-Term Skeletal Motions by a Spatio-Temporal Hierarchical Recurrent Network
https://github.com/pacerv/implicitmotion
공식 코드Implicit Neural Representations for Variable Length Human Motion Generation
https://github.com/paddlepaddle/paddlespatial
공식 코드Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution
https://github.com/padeler/pe-former
공식 코드https://github.com/pandayuanyu/hcfusion
공식 코드Multimodal Image Fusion based on Hybrid CNN-Transformer and Non-local Cross-modal Attention
https://github.com/pandayuanyu/hsthdr
공식 코드Ghost-free High Dynamic Range Imaging via Hybrid CNN-Transformer and Structure Tensor
https://github.com/pangjh3/anllm
공식 코드https://github.com/pangolulu/exact-k-recommendation
공식 코드https://github.com/pangzhan27/CMeRT
공식 코드Context-Enhanced Memory-Refined Transformer for Online Action Detection
https://github.com/panji1990/Deep-subspace-clustering-networks
공식 코드https://github.com/parajain/uctf
공식 코드https://github.com/parallelsucc/opus
공식 코드Rethinking the adaptive relationship between Encoder Layers and Decoder Layers
https://github.com/pardistaghavi/swinmtl
공식 코드https://github.com/parskatt/roma
공식 코드https://github.com/parth2170/triplet-recsys
공식 코드https://github.com/pasalab/difer
공식 코드https://github.com/passerby233/VSCMR-Visual-Storytelling-with-Corss-Modal-Rules
공식 코드https://github.com/patrickltobing/cyclevae-vc
공식 코드Non-Parallel Voice Conversion with Cyclic Variational Autoencoder
https://github.com/patrickrchao/diffusionbasedcausalmodels
공식 코드Modeling Causal Mechanisms with Diffusion Models for Interventional and Counterfactual Queries
https://github.com/paul007pl/PointAtrousGraph
공식 코드출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.