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 17 260 مشترک است و جایگاه 7 540 را در دسته فناوری و برنامه‌ها و رتبه 2 147 را در منطقه ماليزيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 17 260 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 27 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 242 و در ۲۴ ساعت گذشته برابر -2 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 16.94% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 7.10% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 2 923 بازدید دریافت می‌کند. در اولین روز معمولاً 1 225 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 28 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.
17 260
مشترکین
-224 ساعت
+67 روز
+24230 روز
آرشیو پست ها
🪛 HANDAL: Real-World Manipulable Objects 🪛
👉 #Nvidia unveils HANDAL dataset: category-level object pose and affordance prediction
😎Review https://t.ly/MXZDI
😎Paper arxiv.org/pdf/2308.01477.pdf
😎Dataset https://wenbowen123.github.io/handaldataset/
🙏 A quick poll for helping me in improving the quality of the contents about #computervision. Please give me a feedback here: https://t.ly/qXb4C
Thanks :)
🎠 Neural Closed-Loop Simulator 🎠
👉A neural sensor simulator that takes a single recorded log captured by a sensor-equipped vehicle and converts it into a realistic closed-loop multi-sensor simulation
😎Review https://t.ly/EcRLc
😎Paper arxiv.org/pdf/2308.01898.pdf
😎Project https://waabi.ai/unisim/
📸 Computational Burst Photography in App 📸
👉#Google unveils a novel computational burst system to democratize the professional photography via smartphone
😎Review https://t.ly/5ibJX
😎Paper arxiv.org/pdf/2308.01379.pdf
😎Project https://motion-mode.github.io
👗 Multimodal Neural Designer 👗
👉 Multimodal #AI that can generate novel fashion images conditioned on text, keypoints, and sketches
😎Review https://t.ly/zVk70
😎Paper arxiv.org/pdf/2304.02051.pdf
😎Code github.com/aimagelab/multimodal-garment-designer
🥬 Consensus-Adaptive RANSAC 🥬
👉A novel RANSAC that learns to explore the parameter space via a novel attention layer
😎Review https://t.ly/eSLmD
😎Paper arxiv.org/pdf/2307.14030.pdf
😎Code github.com/cavalli1234/CA-RANSAC
🥬 Consensus-Adaptive RANSAC 🥬
👉A novel RANSAC that learns to explore the parameter space via a novel attention layer
🐧 Tracking Anything in High Quality 🐧
👉Video multi-object segmenter (VMOS) and a mask refiner (MR) to track anything
😎Review https://t.ly/hAvF2
😎Paper arxiv.org/pdf/2307.13974.pdf
😎Code github.com/jiawen-zhu/HQTrack
🦀 simPLE: learning to grasp only with CAD 🦀
👉simPLE learns to pick, regrasp & place objects precisely, given only the object CAD model and no prior experience
😎Review https://t.ly/ab5pA
😎Paper arxiv.org/pdf/2307.13133.pdf
😎Project mcube.mit.edu/research/simPLE.html
🥬 Generative AI’s Next Frontiers 🥬
👉Hair simulation, 2D->3D animation, and much more. ~20 papers from #NVIDIA accepted into #SIGGRAPH2023
😎 Review https://t.ly/wgGin
🛵ALPR via CTS-Matching 🛵
👉UIT unveils a neural approach (#YOLO5 + tracking + rotation) to improve the license plate recognition accuracy
😎Review https://t.ly/VP4BP
😎Paper arxiv.org/pdf/2307.11336.pdf
😎Code github.com/chequanghuy/Character-Time-series-Matching
🪛 CAD-based Object Segmentation 🪛
👉 A novel three-stage approach to segment unseen objects in RGB images using their CAD models
😎Review https://t.ly/RtHLN
😎Paper arxiv.org/pdf/2307.11067.pdf
😎Code https://github.com/nv-nguyen/cnos
🪤 PAPR: Proximity Attention Point Render 🪤
👉PAPR: fast point-based scene representation with differentiable renderer approach
😎Review https://t.ly/yoI0g
😎Paper arxiv.org/pdf/2307.11086.pdf
😎Project https://zvict.github.io/papr
🪤 PAPR: Proximity Attention Point Render 🪤
👉PAPR: fast point-based scene representation with differentiable renderer approach
💪 Muscles in Action with #AI 💪
👉Muscles in Action (MIA): learn to incorporate muscle activity into human motion representations
😎Review https://t.ly/hUKub
😎Paper arxiv.org/pdf/2212.02978.pdf
😎Project musclesinaction.cs.columbia.edu
👩🦰 Ultra-Realistic Neural Hair 👩🦰
👉A novel method to reconstruct the hair geometry at a strand level from monocular video or multi-view images
😎Review https://t.ly/6xZyp
😎Paper arxiv.org/pdf/2306.05872.pdf
😎Project samsunglabs.github.io/NeuralHaircut
😎Code github.com/SamsungLabs/NeuralHaircut
🪟 META's Ultra-Realistic Data for #AR🪟
👉Aria Digital Twin: egocentric dataset for object detection/tracking, reconstruction/understanding, S2R learning, human pose prediction and more
😎Review https://t.ly/MRPt1
😎Paper arxiv.org/pdf/2306.06362.pdf
😎Project www.projectaria.com/datasets/adt/
😎Code github.com/facebookresearch/projectaria_tools
🍉 AltFreezing: new SOTA in detecting fake-faces 🍉
👉#Microsoft unveils AltFreezing: spatial/temporal artifacts in one model for more general face forgery detection
😎Review https://t.ly/mkIKX
😎Paper https://t.ly/z4KnJ
😎Code github.com/ZhendongWang6/AltFreezing
🦙 Llama-2: the Open-Source "#chatgpt"🦙
👉GenAI, #Meta unveils Llama-2: a collection of LLMs ranging in scale 7-70B parameters. Challenging with #chatgpt, but open.
😎Review https://t.ly/bLJgP
😎Paper https://t.ly/AOXru
😎Project https://ai.meta.com/research/publications/llama-2-open-foundation-and-fine-tuned-chat-models/
