Computer Science and Programming

Ir al canal en Telegram

Channel specialized for advanced topics of: * Artificial intelligence, * Machine Learning, * Deep Learning, * Computer Vision, * Data Science * Python Admin: @otchebuch Memes: @memes_programming Ads: @Source_Ads, https://telega.io/c/computer_science

Red:Computer Science and Programming Italia87 Tecnologías y Aplicaciones815...

📈 Análisis del canal de Telegram Computer Science and Programming

El canal Computer Science and Programming (@computer_science_and_programming) en el segmento lingüístico de Inglés es un actor destacado. Actualmente la comunidad reúne a 142 757 suscriptores, ocupando la posición 815 en la categoría Tecnologías y Aplicaciones y el puesto 87 en la región Italia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 142 757 suscriptores.

Según los últimos datos del 13 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -1 316, y en las últimas 24 horas de -26, conservando un alto alcance.

Estado de verificación: No verificado
Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.13%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 1.79% de reacciones respecto al total de suscriptores.
Alcance de las publicaciones: Cada publicación recibe en promedio 8 753 visualizaciones. En el primer día suele acumular 2 559 visualizaciones.
Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 17.
Intereses temáticos: El contenido se centra en temas clave como sellerflash, github, developer, pricing, waybienad.

📝 Descripción y política de contenido

El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Channel specialized for advanced topics of: * Artificial intelligence, * Machine Learning, * Deep Learning, * Computer Vision, * Data Science * Python Admin: @otchebuch Memes: @memes_programming Ads: @Source_Ads, https://telega.io/c/computer_sc...”

Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 14 junio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.

142 757

Suscriptores

-2624 horas

-1847 días

-1 31630 días

8 753

Visitas de la publicación

~ 2 55924 horas

~ 3 64348 horas

6.13%

Tasa de compromiso

~ 1

Mensajes por día

Ads index

beta

Archivo de publicaciones

142 737

⚠ Message was hidden by channel owner

142 737

Paper: https://arxiv.org/pdf/2107.10833v1.pdf Github: https://github.com/xinntao/Real-ESRGAN Colab demo: https://colab.research.google.com/drive/1k2Zod6kSHEvraybHl50Lys0LerhyTMCo?usp=sharing 👉@computer_science_and_programming

142 737

Practical image restoration Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data 👉@computer_science_and_programming

142 737

A simpler design but better performance! It aims to bridge the gap between research and industrial communities. Paper: https://arxiv.org/pdf/2107.08430v1.pdf Github: https://github.com/Megvii-BaseDetection/YOLOX 👉@computer_science_and_programming

142 737

YOLOX: Exceeding YOLO Series in 2021 Anchor-free version of YOLO series Won the 1st Place on Streaming Perception Challenge (Workshop on Autonomous Driving at CVPR 2021)

142 737

SMURF: Self-Teaching Multi-Frame Unsupervised RAFT with Full-Image Warping Paper: https://arxiv.org/pdf/2105.07014.pdf Video: https://www.youtube.com/watch?v=W7NCbfZp6QE Code: https://github.com/google-research/google-research/tree/master/smurf 👉 @computer_science_and_programming

142 737

From Google and Waymo researchers: The self-/unsupervised revolution is near! Unsupervised optical flow model SMURF improves SOTA by 40% and beats many supervised methods such as PWC-Net and FlowNet2 👉 @computer_science_and_programming

142 737

All Open Access Papers: https://openaccess.thecvf.com/CVPR2021

142 737

It's CVPR 2021 time!

142 737

Paper: https://arxiv.org/pdf/2106.13797v2.pdf Github: https://github.com/whai362/PVT

142 737

PVTv2: Improved Baselines with Pyramid Vision Transformer ✅ Classification ✅ Detection ✅ Segmentation

142 737

Paper: https://arxiv.org/pdf/2106.02034.pdf Github: https://github.com/raoyongming/DynamicViT Project page: https://dynamicvit.ivg-research.xyz/

142 737

DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification

142 737

Paper: https://people.engr.tamu.edu/nimak/Papers/SIGAsia2020_LF/resource/SIGGRAPH_2020_Light_Field_Authors_version.pdf Code: https://github.com/Turmac/light_field_synthesis Project page: https://people.engr.tamu.edu/nimak/Papers/SIGAsia2020_LF/index.html Dataset: https://drive.google.com/file/d/1oHywOJAAYm8YrSH5mDubjTAwN8jrCC9y/view

142 737

Synthesizing Light Field From a Single Image with Variable MPI and Two Network Fusion

142 737

500 + 𝗔𝗿𝘁𝗶𝗳𝗶𝗰𝗶𝗮𝗹 𝗜𝗻𝘁𝗲𝗹𝗹𝗶𝗴𝗲𝗻𝗰𝗲 𝗣𝗿𝗼𝗷𝗲𝗰𝘁 𝗟𝗶𝘀𝘁 𝘄𝗶𝘁𝗵 𝗰𝗼𝗱𝗲 https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code

142 737

Great resource of AI, Machine learning, Deep learning, Computer vision, NLP Projects and Courses with code

142 737

Github: https://github.com/OlafenwaMoses/DeepStack_ExDark Documentation: https://docs.deepstack.cc/index.html#installation Custom dataset preparation: https://docs.deepstack.cc/custom-models/datasetprep/index.html Training custom model: https://docs.deepstack.cc/custom-models/training/index.html

142 737

Dark scene object detection API for detecting 12 common objects in the dark/night images and videos

142 737

🔥 Self-Supervised Vision Transformers with DINO Blogpost: https://ai.facebook.com/blog/dino-paws-computer-vision-with-self-supervised-transformers-and-10x-more-efficient-training/ Paper: https://arxiv.org/pdf/2104.14294.pdf Code: https://github.com/facebookresearch/dino