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 Italia88 Tecnologías y Aplicaciones804...

📈 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 140 441 suscriptores, ocupando la posición 804 en la categoría Tecnologías y Aplicaciones y el puesto 88 en la región Italia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 140 441 suscriptores.

Según los últimos datos del 31 agosto, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -734, y en las últimas 24 horas de -18, conservando un alto alcance.

Estado de verificación: No verificado
Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.96%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 1.94% de reacciones respecto al total de suscriptores.
Alcance de las publicaciones: Cada publicación recibe en promedio 11 177 visualizaciones. En el primer día suele acumular 2 728 visualizaciones.
Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 14.
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 01 septiembre, 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.

Buy Ad

140 441

Suscriptores

-1824 horas

-2617 días

-73430 días

11 177

Visitas de la publicación

~ 2 72824 horas

~ 3 75748 horas

7.96%

Tasa de compromiso

Sin datos

Mensajes por día

Ads index

beta

Archivo de publicaciones

140 427

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

140 427

DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification

140 427

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

140 427

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

140 427

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

140 427

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

140 427

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

140 427

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

140 427

🔥 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

140 427

Advancing the state of the art in computer vision with self-supervised Transformers and 10x more efficient training

140 427

CS224W: Machine Learning with Graphs - Stanford / Winter 2021 https://www.youtube.com/playlist?list=PLuv1FSpHurUemjLiP4L1x9k6Z9D8rNbYW Full Stack Deep Learning - Spring 2021 - UC Berkeley https://www.youtube.com/playlist?list=PLuv1FSpHurUc2nlabZjCLLe8EQa9fOoa9 Introduction to Deep Learning (I2DL) - Technical University of Munich https://www.youtube.com/playlist?list=PLuv1FSpHurUdmk7v06MDyIx0SDxTrIoqk 3D Computer Vision - National University of Singapore - 2021 https://www.youtube.com/playlist?list=PLuv1FSpHurUflLnJF6hgi0FkeNG1zSFCZ CV3DST - Computer Vision 3: Detection, Segmentation and Tracking https://www.youtube.com/playlist?list=PLuv1FSpHurUd08wNo1FMd3eCUZXm8qexe ADL4CV - Advanced Deep Learning for Computer Vision https://www.youtube.com/playlist?list=PLuv1FSpHurUcQi2CwFIVQelSFCzxphJqz

140 427

2021- Courses List of Machine Learning, Deep Learning, and Computer Vision from a top school

140 427

Paper: https://arxiv.org/pdf/1811.08264.pdf Github: https://github.com/DirtyHarryLYL/Transferable-Interactiveness-Network Learning list: https://github.com/DirtyHarryLYL/HOI-Learning-List

140 427

Transferable Interactiveness Knowledge forHuman-Object Interaction Detection

140 427

Paper: https://arxiv.org/pdf/2104.01604v1.pdf Github: https://github.com/speechbrain/speechbrain/tree/develop/recipes/timers-and-such Dataset: https://zenodo.org/record/4623772#.YHFLkxKRWJk

140 427

Timers and Such: A Practical Benchmark for Spoken Language Understanding with Numbers End-to-end pipeline for Spoken Language Understanding (SLU)

140 427

Github: https://github.com/ai-coodinator/yolact_edge YolactEdge, competitive instance segmentation approach that runs on small edge devices at real-time speeds. Specifically, YolactEdge runs at up to 30.8 FPS on a Jetson AGX Xavier (and 172.7 FPS on an RTX 2080 Ti) with a ResNet-101 backbone on 550x550 resolution images.

140 427

YolactEdge Real time Instance Segmentation on the Edge https://www.youtube.com/watch?v=pMDwXkIerw8

140 427

Paper: https://arxiv.org/pdf/2103.07941v1.pdf Github: https://github.com/hkchengrex/MiVOS Project page: https://hkchengrex.github.io/MiVOS/

140 427

CVPR 2021 paper Modular Interactive Video Object Segmentation: Interaction-to-Mask, Propagation and Difference-Aware Fusion (MiVOS)