AI with Papers - Artificial Intelligence & Deep Learning
رفتن به کانال در Telegram
All the AI with papers. Every day fresh updates about #DeepLearning #MachineLearning #LLM & #ComputerVision Curated by Alessandro Ferrari | https://www.linkedin.com/in/visionarynet/ #AI #chatGPT
نمایش بیشتر📈 تحلیل کانال تلگرام AI with Papers - Artificial Intelligence & Deep Learning
کانال AI with Papers - Artificial Intelligence & Deep Learning (@ai_deeplearning) در بخش زبانی انگلیسی بازیگری فعال است. در حال حاضر جامعه شامل 17 262 مشترک است و جایگاه 7 543 را در دسته فناوری و برنامه‌ها و رتبه 2 144 را در منطقه ماليزيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 17 262 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 26 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 250 و در ۲۴ ساعت گذشته برابر 1 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 17.43% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 7.04% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 3 008 بازدید دریافت می‌کند. در اولین روز معمولاً 1 216 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 16 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند framework, object, dataset, tba, depth تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“All the AI with papers. Every day fresh updates about #DeepLearning #MachineLearning #LLM & #ComputerVision
Curated by Alessandro Ferrari | https://www.linkedin.com/in/visionarynet/
#AI #chatGPT”
به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 27 اکتبر, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامه‌ها تبدیل کرده‌اند.
17 262
مشترکین
+124 ساعت
+97 روز
+25030 روز
آرشیو پست ها
🌬️ Neural Blowing in Still Photos 🌬️
👉 A novel approach to animate human hair (and clothes) in a still portraits
😎Review https://t.ly/HKG0t
😎Paper arxiv.org/pdf/2309.14207.pdf
😎Project nevergiveu.github.io/AutomaticHairBlowing
😎Paper https://arxiv.org/pdf/2309.14207.pdf
😎Project https://nevergiveu.github.io/AutomaticHairBlowing
🛵CoTracker: fast transformer-tracker🛵
👉META's CoTracker is a fast transformer-based model that can track any point in a video
😎Review https://t.ly/M36A_
😎Paper arxiv.org/pdf/2307.07635.pdf
😎Project https://co-tracker.github.io/
😎Code github.com/facebookresearch/co-tracker
🍟 DE-ViT: detecting everything via DINOv2 🍟
👉DE-ViT: open-set object detector based on DINOv2 backbone. It's the new SOTA on COCO & LVIS dataset
😎Review https://t.ly/_DAmt
😎Paper arxiv.org/pdf/2309.12969.pdf
😎Code https://github.com/mlzxy/devit
This channels is for Programmers, Coders, Software Engineers.
0- Python
1- Data Science
2- Machine Learning
3- Data Visualization
4- Artificial Intelligence
5- Data Analysis
6- Statistics
7- Deep Learning
8- programming Languages
✅ https://t.me/DataScienceM
🫀CPR-Coach: Neural Cardiopulmonary Resuscitation🫀
👉CPR-Coach: fine-grained action recognition in cardiopulmonary resuscitation
😎Review https://t.ly/Qbg4K
😎Paper arxiv.org/pdf/2309.11718.pdf
😎Code github.com/Shunli-Wang/CPR-Coach
😎Project shunli-wang.github.io/CPR-Coach
This channels is for Programmers, Coders, Software Engineers.
0- Python
1- Data Science
2- Machine Learning
3- Data Visualization
4- Artificial Intelligence
5- Data Analysis
6- Statistics
7- Deep Learning
8- programming Languages
✅ https://t.me/addlist/8_rRW2scgfRhOTc0
✅ https://t.me/DataScienceM
☢️ GlueStick: Graph Neural Matching ☢️
👉GlueStick is joint deep matcher for points and lines that leverages the connectivity information between nodes to better glue them together
😎Review https://t.ly/Atxqo
😎Paper arxiv.org/pdf/2304.02008.pdf
😎Code https://github.com/cvg/GlueStick
⚽ Dynamic NeRFs for Soccer ⚽
👉SoccerNeRF: first attempt of "cheap" NeRF applied to football for reconstructing soccer replays in space and time.
😎Review https://t.ly/Ywcvk
😎Paper arxiv.org/pdf/2309.06802.pdf
😎Project https://soccernerfs.isach.be/
😎Code github.com/iSach/SoccerNeRFs
🦊 MagiCapture: HD Multi-Concept Portrait 🦊
👉KAIST unveils MagiCapture: integrating subject and style concepts to generate high-resolution portrait images using just a few subject and style references
😎Review https://t.ly/c9rOo
😎Paper https://arxiv.org/pdf/2309.06895.pdf
🧄FreeMan: towards #3D Humans 🧄
👉FreeMan: the first large-scale, real-world, multi-view dataset for #3D human pose estimation. 11M frames!
😎Review https://t.ly/ICxpA
😎Paper arxiv.org/pdf/2309.05073.pdf
😎Project wangjiongw.github.io/freeman
🔥🔥 #META's DINOv2 is now commercial! 🔥🔥
👉Universal features for image classification, instance retrieval, video understanding, depth & semantic segmentation. Now suitable for commercial.
😎Review https://t.ly/LNrGy
😎Paper arxiv.org/pdf/2304.07193.pdf
😎Code github.com/facebookresearch/dinov2
😎Demo https://dinov2.metademolab.com/
🪷 Diffusive Consistent Video Editing 🪷
👉 Weizmann Institute of Science unveils TokenFlow, a novel text-to-image diffusion model for text-driven video editing
😎Review https://t.ly/ru8km
😎Paper arxiv.org/pdf/2307.10373.pdf
😎Project diffusion-tokenflow.github.io
😎Code github.com/omerbt/TokenFlow
🍃 Tracking Anything with Decoupled VOS 🍃
👉A novel VOS approach that extends Segment Anything (SAM) to video for open-world video segmentation with no user input required
😎Review https://t.ly/xeobR
😎Paper arxiv.org/pdf/2309.03903.pdf
😎Project hkchengrex.com/Tracking-Anything-with-DEVA
😎Code github.com/hkchengrex/Tracking-Anything-with-DEVA
😎Colab https://colab.research.google.com/drive/1OsyNVoV_7ETD1zIE8UWxL3NXxu12m_YZ
♊️ Doppelgangers in Structures ♊️
👉A novel learning-based approach to visual disambiguation: distinguishing illusory matches to produce correct, disambiguated #3D reconstructions
😎Review https://t.ly/9yLot
😎Paper arxiv.org/pdf/2309.02420.pdf
😎Code github.com/RuojinCai/Doppelgangers
😎Project doppelgangers-3d.github.io/
⛺FACET: Fairness in Computer Vision⛺
👉#META AI opens a large, publicly available dataset for classification, detection & segmentation. Potential performance disparities & challenges across sensitive demographic attributes
😎Review https://t.ly/mKn-t
😎Paper arxiv.org/pdf/2309.00035.pdf
😎Dataset https://facet.metademolab.com/
🎍RoboTAP: Dense Tracking for Few-Shot Imitation🎍
👉RoboTAP is a novel dense tracking representation for robotic arm.
😎Review https://t.ly/MCO_V
😎Paper arxiv.org/pdf/2308.15975.pdf
😎Project https://robotap.github.io/
😎Code github.com/deepmind/tapnet
🐦 3D Pigeons Pose and Tracking 🐦
👉 3D-MuPPET: estimate and track 3D poses of pigeons with multiple-views
😎Review https://t.ly/jfAJJ
😎Paper arxiv.org/pdf/2308.15316.pdf
😎Code github.com/alexhang212/3D-MuPPET/
✂️ VideoCutLER: Super Simple UVIS ✂️
👉VideoCutLER is a simple unsupervised video instance segmentation (UVIS) method without relying on optical flows
😎Review https://t.ly/PBBjG
😎Paper arxiv.org/pdf/2308.14710.pdf
😎Project people.eecs.berkeley.edu/~xdwang/projects/CutLER
😎Code github.com/facebookresearch/CutLER/tree/main/videocutler
🌲 MagicEdit: Magic Video Editing 🌲
👉MagicEdit: explicit disentangling the learning of content, structure & motion for Hi-Fi and temporally coherent video editing.
😎Report https://t.ly/tREX4
😎Paper https://arxiv.org/pdf/2308.14749.pdf
😎Project https://magic-edit.github.io/
😎Code github.com/magic-research/magic-edit
