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/shariqfarooq123/AdaBins
공식 코드https://github.com/shariqfarooq123/localbins
공식 코드LocalBins: Improving Depth Estimation by Learning Local Distributions
https://github.com/shashikg/lid-code-switching
공식 코드Spoken Language Identification System for English-Mandarin Code-Switching Child-Directed Speech
https://github.com/shawnricecake/heima
공식 코드https://github.com/shbyun080/onenet
공식 코드https://github.com/sheffieldnlp/AMR2Text-summ
공식 코드https://github.com/sheikhazhanmohammed/sadma
공식 코드ResAttUNet: Detecting Marine Debris using an Attention activated Residual UNet
https://github.com/shengcailiao/QAConv
공식 코드TransMatcher: Deep Image Matching Through Transformers for Generalizable Person Re-identification
https://github.com/shengyu27/crackmamba
공식 코드https://github.com/sherlock-jerry/ssa-semeval
공식 코드ETMS@IITKGP at SemEval-2022 Task 10: Structured Sentiment Analysis Using A Generative Approach
https://github.com/shi-yu-wang/pgd-vae
공식 코드https://github.com/shichaosun/conabssum
공식 코드Alleviating Exposure Bias via Contrastive Learning for Abstractive Text Summarization
https://github.com/shikha-gist/image-captioning
공식 코드Label-Attention Transformer with Geometrically Coherent Objects for Image Captioning
https://github.com/shiming-chen/transzero
공식 코드TransZero: Attribute-guided Transformer for Zero-Shot Learning
https://github.com/shiming-chen/transzero_pp
공식 코드TransZero++: Cross Attribute-Guided Transformer for Zero-Shot Learning
https://github.com/shirgur/ACDRNet
공식 코드End to End Trainable Active Contours via Differentiable Rendering
https://github.com/shivamduggal4/adaptive-length-tokenizer
공식 코드https://github.com/shivammehta25/Matcha-TTS
공식 코드Matcha-TTS: A fast TTS architecture with conditional flow matching
https://github.com/shiwt03/muster
공식 코드MUSTER: A Multi-scale Transformer-based Decoder for Semantic Segmentation
https://github.com/shiwt03/ssformer
공식 코드SSformer: A Lightweight Transformer for Semantic Segmentation
https://github.com/shiwt03/uperformer
공식 코드MUSTER: A Multi-scale Transformer-based Decoder for Semantic Segmentation
https://github.com/shiyanrubing/carnet-v1.0
공식 코드https://github.com/shiyanrubing/carnet_databases
공식 코드https://github.com/shngjz/pmatch
공식 코드PMatch: Paired Masked Image Modeling for Dense Geometric Matching
https://github.com/shonosuke/ishiwatari-naacl2019
공식 코드https://github.com/showlab/afformer
공식 코드Affordance Grounding from Demonstration Video to Target Image
https://github.com/showlab/data-centric.vlp
공식 코드https://github.com/showlab/datacentric.vlp
공식 코드https://github.com/showlab/datasetdm
공식 코드DatasetDM: Synthesizing Data with Perception Annotations Using Diffusion Models
https://github.com/shreyansh26/SRST-18
공식 코드IIT (BHU) Varanasi at MSR-SRST 2018: A Language Model Based Approach for Natural Language Generation
https://github.com/shrimai/Focused-Attention-Improves-Document-Grounded-Generation
공식 코드https://github.com/shtoshni92/g2p
공식 코드Jointly Learning to Align and Convert Graphemes to Phonemes with Neural Attention Models
https://github.com/shu-hai/two-stage-VAE-Attention-gate-BraTS2020
공식 코드https://github.com/shubhamagarwal92/mmd
공식 코드A Knowledge-Grounded Multimodal Search-Based Conversational Agent
https://github.com/shubhamchandak94/digital-puppetry
공식 코드Reducing latency and bandwidth for video streaming using keypoint extraction and digital puppetry
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.