Computer Science and Programming

Открыть в 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

Больше

Сеть:Computer Science and Programming Италия87 Технологии и приложения815...

📈 Аналитический обзор Telegram-канала Computer Science and Programming

Канал Computer Science and Programming (@computer_science_and_programming) языкового сегмента Английский является активным участником. Сейчас сообщество объединяет 142 757 подписчиков, занимая 815 место в категории Технологии и приложения и 87 место в регионе Италия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 142 757 подписчиков.

Согласно последним данным от 13 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -1 316, а за последние 24 часа — -26, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 6.13%. В первые 24 часа после публикации контент обычно набирает 1.79% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 8 753 просмотров. В течение первых суток публикация набирает 2 559 просмотров.
Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 17.
Тематические интересы: Контент сосредоточен на ключевых темах, таких как sellerflash, github, developer, pricing, waybienad.

📝 Описание и контентная политика

Автор описывает ресурс как площадку для выражения субъективного мнения:
“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...”

Благодаря высокой частоте обновлений (последние данные получены 14 июня, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.

142 757

Подписчики

-2624 часа

-1847 дней

-1 31630 день

8 753

Просмотры поста

~ 2 55924 часа

~ 3 64348 часов

6.13%

Коэффициент вовлеченности

~ 1

Постов в день

Ads index

beta

Архив постов

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