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

142 747

OBJECT-AWARE CROPPING FOR SELF-SUPERVISED LEARNING Paper: https://arxiv.org/pdf/2112.00319v1.pdf Github: https://github.com/shlokk/object-cropping-ssl 👉👉@computer_science_and_programming

142 747

Object-aware cropping, a simple, fast and highly effective data augmentation alternative to random scene cropping for SELF-SUPERVISED LEARNING

142 747

Another state-of-the-art archtecture for Vision tasks: Github: https://github.com/sail-sg/poolformer Paper: https://arxiv.org/abs/2111.11418 Datasets: ImageNet, COCO, Ade20k Colab: https://colab.research.google.com/github/sail-sg/poolformer/blob/main/misc/poolformer_demo.ipynb 👉👉@computer_science_and_programming

142 747

PoolFormer: MetaFormer is Actually What You Need for Vision

142 747

ESPnet: end-to-end text-to-speech processing toolkit ESPnet2-TTS: Extending the Edge of TTS Research Github: https://github.com/espnet/espnet Docs: https://espnet.github.io/espnet/ Paper: https://arxiv.org/abs/2110.07840v1 Dataset: https://paperswithcode.com/dataset/vctk

142 747

One of the best reference book is definately "Deep Learning with Python" (1st edition) by François Chollet (creator of Keras) Deep Learning with Python (2nd edition) has been released with 500 pages of code examples, theory, context, practical tips... Book: https://www.manning.com/books/deep-learning-with-python-second-edition?a_aid=keras For online reading: https://livebook.manning.com/book/deep-learning-with-python-second-edition/chapter-1/ Jupyter notebooks on Github: https://github.com/fchollet/deep-learning-with-python-notebooks 👉👉@computer_science_and_programming

142 747

Under review as a conference paper at ICLR 2022 8-BIT OPTIMIZERS VIA BLOCK-WISE QUANTIZATION Paper: https://arxiv.org/abs/2110.02861 Github: https://github.com/facebookresearch/bitsandbytes Video: https://www.youtube.com/watch?v=IxrlHAJtqKE Documentation: https://bitsandbytes.readthedocs.io/en/latest/ 👉@computer_science_and_programming

142 747

8-bit optimizers – a replacement for regular optimizers. 🚀, 75% less memory, same with upwards trend, no hyperparam tuning needed Input symbol for numbers: #Lightweight, #LessMemory

142 747

PASS: Pictures without humAns for Self-Supervised Pretraining PASS is a large-scale image dataset that does not include any humans, human parts, or other personally identifiable information Github https://github.com/yukimasano/PASS Paper https://arxiv.org/abs/2109.13228v1 Dataset https://paperswithcode.com/dataset/pass Documentation https://www.robots.ox.ac.uk/~vgg/research/pass/

142 747

Code: https://github.com/gist-ailab/uoais#unseen-object-amodal-instance-segmentation-uoais Paper: https://arxiv.org/abs/2109.11103 Dataset: https://paperswithcode.com/dataset/ocid Project page: https://sites.google.com/view/uoais 👉@computer_science_and_programming

142 747

⚠ Message was hidden by channel owner

142 747

Unseen Object Amodal Instance Segmentation (UOAIS)

142 747

Paper (ICCV2021): https://arxiv.org/pdf/2109.04425v1.pdf Github: https://github.com/yumingj/Talk-to-Edit Dataset: https://drive.google.com/drive/folders/18nejI_hrwNzWyoF6SW8bL27EYnM4STAs 👉@computer_science_and_programming

142 747

Now we can generate the faces with just with talking

142 747

Paper: https://arxiv.org/pdf/2108.11250v1.pdf Github: https://github.com/hustvl/YOLOP

142 747

You Only 👀 Once for Panoptic 🚙 Perception

142 747

Paper: https://arxiv.org/pdf/2105.06993.pdf Github: https://github.com/erikalu/omnimatte Project Page: https://omnimatte.github.io/ Supplimentary material: https://omnimatte.github.io/supplementary/index.html Explained: https://www.youtube.com/watch?v=lCBSGOwV-_o 👉@computer_science_and_programming

142 747

Now removing, duplicating or enhancing objects in video is more realistic with the assist of AI "We need to talk about the car in the room." This paper: what car? 🙈

142 747

Paper: https://arxiv.org/pdf/2103.14030.pdf Github: https://github.com/SwinTransformer/Swin-Transformer-Object-Detection Demo: https://www.youtube.com/watch?v=FQVS_0Bja6o 👉@computer_science_and_programming

142 747

Swin transformer for : ✔️ Object detection ✔️ Image Classification ✔️ Semantic Segmentation ✔️ Video Recognition