Уважаемые коллеги, доброго времени суток! Представляем вам нидерландское научное издание Journal of Supercomputing. Журнал имеет второй квартиль, издаётся в Springer Netherlands, его SJR за 2021 г. равен 0,727, пятилетний импакт-фактор 2,243, печатный ISSN - 0920-8542, электронный - 1573-0484, предметные области - Теоретические компьютерные науки, Программное обеспечение, Информационные системы, Аппаратная часть и системная архитектура. Вот так выглядит обложка:
Редактором является Хамид Арабния, контактные данные - hra@uga.edu.
Дополнительные публикационные контакты - karthikeyan.balaji@springernature.com, michelle.choi@springernature.com, journalpermissions@springernature.com, melissa.fearon@springer.com.
К публикации принимаются статьи по технологии, архитектуре и системам, алгоритмам, языкам и программам, показателям производительности и методам, а также приложениям всех аспектов суперкомпьютинга. Учебные пособия и обзорные статьи предназначены для работников и студентов в областях, связанных с передовыми компьютерными системами и использующих их. Журнал также публикует письма редактору, особенно в областях, связанных с политикой, краткие заявления о парадоксах, интуитивно озадачивающих результатов, частичных результатов и реальных потребностях. Опубликованные теоретические и практические статьи представляют собой передовые, углубленные исследования, описывающие новые разработки и новые идеи. Каждый материал включает введение, обобщающее предыдущую, непосредственно относящуюся к делу работу, которую читателю полезно понять, чтобы оценить описываемые достижения.
Адрес издания - https://www.springer.com/journal/11227
Пример статьи, название - An attention-based bidirectional GRU network for temporal action proposals generation. Заголовок (Abstract) - Temporal action detection is an important yet challenging task in video understanding task. Temporal action proposals generation is a common module in action detection, and it effects the performance of action detection greatly. The module requires methods not only generating proposals with accurate temporal boundaries, but also retrieving proposals to cover action instances with high recall using relative fewer proposals. To address these difficulties, we propose an Actionness Score Optimization Model to improve the accuracy of generated proposals by capturing global contextual information of untrimmed videos. Firstly, a deconvolution layer is utilized to learn a nonlinear upsampling for the extracted features, in both spatial and temporal domains. In order to reveal the contextual information, then we introduce the bidirectional gated recurrent unit to the network. Moreover, an attention mechanism is applied to the network so that it can focus on the most relevant parts of the information to obtain more reliable actionness scores. Finally, we validate the effectiveness of our proposed network on three challenging benchmark datasets, ActivityNet v1.2, ActivityNet v1.3, and THUMOS’14. Keywords: Temporal action proposal generation; Bidirectional gated recurrent unit; Attention mechanism; Deconvolution operation