Уважаемые коллеги, доброго времени суток! Представляем вам нидерландское научное издание Journal of Mathematical Imaging and Vision. Журнал имеет третий квартиль, издается в Springer Netherlands, его SJR за 2020 г. равен 0,504, пятилетний импакт-фактор - 1,987, печатный ISSN - 0924-9907, электронный - 1573-7683, предметные области - Машинное зрение и распознавание образов, Физика конденсированных сред, Статистика и теория вероятности, Моделирование и имитация, Геометрия и топология, Прикладная математика. Вот так выглядит обложка:
Редактором является Иоахим Вейкерт, контактные данные - weickert@ mia.uni-saarland.de.
Дополнительные публикационные контакты - chitra.vijayaraghavan@springernature.com, Poongulazhali.Jayaraj@springer.com, journalpermissions@springernature.com, katherine.moretti@springer.com.
Это технический журнал, публикующий важные новые разработки в области математической визуализации. В журнале публикуются исследовательские статьи, приглашенные и пояснительные статьи. Текущие разработки в области нового оборудования для обработки изображений, появление мультисенсорного объединения данных и быстрые достижения в исследованиях зрения привели к взрывному росту в междисциплинарной области науки о визуализации. Данный рост привел к разработке очень сложных математических моделей и теорий. Журнал подчеркивает роль математики как строгой основы науки о изображениях. Это обеспечивает надежную альтернативу представленным журналам в указанной области. Материал оценивается на основе математического содержания. Статьи могут быть физически спекулятивными, но должны быть математически обоснованными. Особое внимание уделяется инновационным или устоявшимся математическим методам, применяемым к проблемам зрения и визуализации по-новому, а также новым разработкам и проблемам математики, возникающим в результате этих приложений. Тематика журнала включает в себя: вычислительные модели зрения, алгебра изображений и математическая морфология математические методы в реконструкции, компактификации и теории фильтров кодирования вероятностные, статистические, геометрические, топологические и фрактальные методы и модели в науке о изображениях обратная оптика волновая теория. Конкретные области применения, представляющие интерес, включают, но не ограничиваются ими: все аспекты формирования и представления изображений медицинская, биологическая, промышленная, геофизическая, астрономическая и военная визуализация анализ изображений и понимание изображений параллельные и распределенные вычисления проектирование архитектуры компьютерного зрения.
Адрес издания - https://www.springer.com/journal/10851
Пример статьи, название - Radon Cumulative Distribution Transform Subspace Modeling for Image Classification. Заголовок (Abstract) - We present a new supervised image classification method applicable to a broad class of image deformation models. The method makes use of the previously described Radon Cumulative Distribution Transform (R-CDT) for image data, whose mathematical properties are exploited to express the image data in a form that is more suitable for machine learning. While certain operations such as translation, scaling, and higher-order transformations are challenging to model in native image space, we show the R-CDT can capture some of these variations and thus render the associated image classification problems easier to solve. The method—utilizing a nearest-subspace algorithm in the R-CDT space—is simple to implement, non-iterative, has no hyper-parameters to tune, is computationally efficient, label efficient, and provides competitive accuracies to state-of-the-art neural networks for many types of classification problems. In addition to the test accuracy performances, we show improvements (with respect to neural network-based methods) in terms of computational efficiency (it can be implemented without the use of GPUs), number of training samples needed for training, as well as out-of-distribution generalization. The Python code for reproducing our results is available at Shifat-E-Rabbi et al. (Python code implementing the Radon cumulative distribution transform subspace model for image classification. Keywords: R-CDT; Nearest subspace; Image classification; Generative model