Уважаемые коллеги, доброго времени суток! Представляем вам немецкое научное издание Multimedia Systems. Журнал имеет второй квартиль, издается в Springer Verlag, его SJR за 2020 г. равен 0,346, пятилетний импакт-фактор - 1,863, печатный ISSN - 0942-4962, электронный - 1432-1882, предметные области - Мультимедийные технологии, Компьютерные сети и коммуникации, Аппаратное обеспечение и архитектура, Информационные системы, Программное обеспечение, Инженерное искусство. Вот так выглядит обложка:
Редактором является Чангшенг Ху, контактные данные - csxu@nlpr.ia.ac.cn.
Дополнительные публикационные контакты - Sharmila.Prathaban@springernature.com, haritharani.gopalakrishnan@springernature.com, journalpermissions@springernature.com, garth.haller@springer.com.
Multimedia Systems публикует оригинальные исследования мультимедиа и мультимедийных систем, включая теории, методы, инструменты, технологии, приложения и так далее. Также принимаются обзоры, статьи и материалы о новых идеях в следующих областях:
- Мультимедийные системы;
- Мультимедийные коммуникации;
- Мультимедийная обработка;
- Мультимедийный анализ;
- Мультимедийные приложения.
Адрес издания - https://www.springer.com/journal/530
Пример статьи, название - Optimized generative adversarial network based breast cancer diagnosis with wavelet and texture features. Заголовок (Abstract) - Breast cancer is defined as a deadly disease, and it is the major cause of the increased mortality rate of women. Mammography is the main method for breast cancer diagnosis. Even in this era, the early diagnosis of breast cancer using mammogram images is a complex task. Deep learning approaches have demonstrated good applicability for diverse databases. In this line, this paper intends to propose a deep learning-based breast cancer detection model with the inclusion of steps like (i) pre-processing (ii) segmentation (iii) feature extraction (iv) classification. The preprocessing is carried out via CLAHE and the median filtering model. Subsequently, the pre-processed images are segmented using Fuzzy C-means clustering (FCM). In the feature extraction process, the wavelet and texture features are extracted from the segmented image with respect to DWT and GLCM features, respectively. Finally, the extracted features are subjected to a classification process via optimized Generative Adversarial Networks (GAN) classifier. Further, the weight of GAN will be fine-tuned via a new hybrid optimization model referred to as Tunicate Adopted Moth Flame (TAMF) algorithm. This tuning process enhances the network training to determine accurate classification results. The output gets the differentiated benign and malignant types. Keywords: Breast cancer; Mammogram images; Wavelet and texture feature extraction; GAN, TAMF + GAN
