Computer Science and Programming

رفتن به کانال در 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

نمایش بیشتر

شبکه:Computer Science and Programming ايطاليا87 فناوری و برنامه‌ها815...

📈 تحلیل کانال تلگرام Computer Science and Programming

کانال Computer Science and Programming (@computer_science_and_programming) در بخش زبانی انگلیسی بازیگری فعال است. در حال حاضر جامعه شامل 142 757 مشترک است و جایگاه 815 را در دسته فناوری و برنامه‌ها و رتبه 87 را در منطقه ايطاليا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 142 757 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 13 ژوئن, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -1 316 و در ۲۴ ساعت گذشته برابر -26 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

وضعیت تأیید: تأیید نشده
نرخ تعامل (ER): میانگین تعامل مخاطب 6.13% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 1.79% واکنش نسبت به کل مشترکان کسب می‌کند.
دسترسی پست‌ها: هر پست به طور میانگین 8 753 بازدید دریافت می‌کند. در اولین روز معمولاً 2 559 بازدید جمع‌آوری می‌شود.
واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 17 است.
علایق موضوعی: محتوا بر موضوعات کلیدی مانند sellerflash, github, developer, pricing, waybienad تمرکز دارد.

📝 توضیح و سیاست محتوایی

نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“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...”

به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 14 ژوئن, 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.

142 757

مشترکین

-2624 ساعت

-1847 روز

-1 31630 روز

8 753

نمایش های پست

~ 2 55924 ساعت

~ 3 64348 ساعت

6.13%

نرخ مشارکت

~ 1

پست های در روز

Ads index

beta

آرشیو پست ها

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