Уважаемые коллеги, доброго времени суток! Представляем вам немецкое научное издание Machine Vision and Applications. Журнал имеет третий квартиль, издается в Springer Verlag, его SJR за 2020 г. равен 0,37, пятилетний импакт-фактор - 1,975, печатный ISSN - 0932-8092, электронный - 1432-1769, предметные области - Прикладная наука о компьютерах, Программное обеспечение, Машинное зрение и распознавание образов, Аппаратная часть и системная архитектура. Вот так выглядит обложка:
Редактором является Рахул Суктханкар, контактные данные - rahul.sukthankar@gmail.com, yingwu@northwestern.edu.
Дополнительные публикационные контакты - springer.mva.ec@gmail.com, harini.balasubramanian@springernature.com, Albert.Singh@springer.com, katherine.moretti@springer.com.
К публикации принимаются высококачественные технические материалы в сфере исследований и разработок в области машинного зрения. Редакторы поощряют подачу статей во всех приложениях и технических аспектах вычислений, связанных с изображениями. В частности, оригинальные материалы, касающиеся научных, коммерческих, промышленных, военных и биомедицинских применений машинного зрения, все они входят в сферу охвата журнала. Особое внимание уделяется инженерным и технологическим аспектам обработки изображений и компьютерного зрения. Представляют интерес следующие аспекты приложений машинного зрения: алгоритмы, архитектуры, реализации СБИС, методы искусственного интеллекта и экспертные системы для машинного зрения, интерфейсное зондирование, многомерное и мультисенсорное машинное зрение, методы реального времени, базы данных изображений, виртуальная реальность и визуализация. Статьи должны включать значительный компонент экспериментальной проверки.
Адрес издания - https://www.springer.com/journal/138
Пример статьи, название - Partitioned iterated function systems by regression models for head pose estimation. Заголовок (Abstract) - Head pose estimation represents an important computer vision technique in different contexts where image acquisition cannot be controlled by an operator, making face recognition of unknown subjects more accurate and efficient. In this work, starting from partitioned iterated function systems to identify the pose, different regression models are adopted to predict the angular value errors (yaw, pitch and roll axes, respectively). This method combines the fractal image compression characteristics, such as self-similar structures in order to identify similar head rotation, with regression analysis prediction. The experimental evaluation is performed on widely used benchmark datasets, i.e., Biwi and AFLW2000, and the results are compared with many existing state-of-the-art methods, demonstrating the robustness of the proposed fusion approach and excellent performance. Keywords: Head pose estimation; PIFS; Face detection; Regression models