Уважаемые коллеги, доброго времени суток! Представляем вам нидерландское научное издание International Journal of Computer Vision. Журнал имеет первый квартиль, издается в Springer Netherlands, его SJR за 2020 г. равен 1,78, пятилетний импакт-фактор - 13,284, печатный ISSN - 0920-5691, электронный - 1573-1405, предметные области - Машинное зрение и распознавание образов, Программное обеспечение, Искусственный интеллект. Вот так выглядит обложка:
Редактором является Жан Понс, контактные данные - Jean.Ponce@ens.fr
Дополнительные публикационные контакты - yasotha.sujeen@springernature.com, afrin.kamal@springernature.com, journalpermissions@springernature.com, katherine.moretti@springer.com.
Журнал подробно описывает науку и технику в этой быстро развивающейся области. В статьях представлены основные технические достижения, представляющие широкий общий интерес. Обзорные статьи содержат критические обзоры современного состояния и/или учебные презентации по соответствующим темам. Охват включает:
- Математические, физические и вычислительные аспекты компьютерного зрения: формирование, обработка, анализ и интерпретация изображений, методы машинного обучения, статистические подходы, датчики;
- Приложения: рендеринг на основе изображений, компьютерная графика, робототехника, интерпретация фотографий, поиск изображений, анализ видео и аннотации, мультимедиа и многое другое;
- Связи с человеческим восприятием: вычислительные и архитектурные аспекты человеческого зрения.
В журнале также представлены обзоры книг, статьи с изложением позиций, передовицы ведущих научных деятелей и дополнительные материалы в режиме онлайн, такие, как неподвижные изображения, видеоряды, наборы данных и программное обеспечение.
Адрес издания - https://www.springer.com/journal/11263
Пример статьи, название - SportsCap: Monocular 3D Human Motion Capture and Fine-Grained Understanding in Challenging Sports Videos. Заголовок (Abstract) - Markerless motion capture and understanding of professional non-daily human movements is an important yet unsolved task, which suffers from complex motion patterns and severe self-occlusion, especially for the monocular setting. In this paper, we propose SportsCap—the first approach for simultaneously capturing 3D human motions and understanding fine-grained actions from monocular challenging sports video input. Our approach utilizes the semantic and temporally structured sub-motion prior in the embedding space for motion capture and understanding in a data-driven multi-task manner. To enable robust capture under complex motion patterns, we propose an effective motion embedding module to recover both the implicit motion embedding and explicit 3D motion details via a corresponding mapping function as well as a sub-motion classifier. Based on such hybrid motion information, we introduce a multi-stream spatial-temporal graph convolutional network to predict the fine-grained semantic action attributes, and adopt a semantic attribute mapping block to assemble various correlated action attributes into a high-level action label for the overall detailed understanding of the whole sequence, so as to enable various applications like action assessment or motion scoring. Comprehensive experiments on both public and our proposed datasets show that with a challenging monocular sports video input, our novel approach not only significantly improves the accuracy of 3D human motion capture, but also recovers accurate fine-grained semantic action attribute. Keywords: Human modeling; 3D motion capture; Motion understanding