模式识别、计算机视觉、机器学习领域的顶级期刊和会议

本文主要是介绍模式识别、计算机视觉、机器学习领域的顶级期刊和会议,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

       模式识别、计算机视觉、机器学习领域的顶级期刊和会议

部分AI刊物影响因子05 SCIIF

2005    2004
JMLR    4.027     5.952(机器学习)
PAMI    3.810     4.352(模式识别)

IJCV    3.657    2.914(计算机视觉)
TOIS    4.529    4.097
AIJ     2.638    3.570
MLJ     3.108    3.258
ECJ     1.568    3.206
TEvC    3.257    3.688
DMKD    2.105    2.800
NCJ     2.591    2.364
TNN     2.205     2.178
PR      2.153    2.176
Alife   1.857    2.150
JASIST  1.583    2.086
JAIR    2.247    2.045
CIJ     0.850    1.923
NNJ     1.665    1.736
TFS     1.701    1.373
TKDE    1.758    1.243
IRJ     2.036    1.231
AIIM    1.882    1.124
TSMCB   1.108    1.052
AICom   0.612    0.738
AIRev   0.868    0.562

 

 

1、计算机视觉和模式识别

计算机视觉方向的一些顶级会议和期刊

Computer Vision
Conf.:
        Best:     ICCV, Inter. Conf. on Computer Vision
                            CVPR, Inter. Conf. on Computer Vision and PatternRecognition
        Good:   ECCV, Euro. Conf. on Comp. Vision
                     ICIP, Inter.Conf. on Image Processing
                            ICPR, Inter.Conf. on Pattern Recognition
                            ACCV, Asia Conf.on Comp. Vision
Jour.:
        Best:     PAMI, IEEE Trans. on Patt. Analysis and MachineIntelligence
                            IJCV, Inter. Jour. on Comp. Vision
        Good:   CVIU, Computer Vision and Image Understanding
                            PR,  Pattern Reco.

 

计算机视觉方面的三大国际会议是ICCV, CVPR和ECCV,统称之为ICE。

ICCV的全称是InternationalComference on Computer Vision,正如很多和他一样的名字的会议一行,这样最朴实的名字的会议,通常也是这方面最nb的会议。ICCV两年一次,与ECCV正好错开,是公认的三个会议中级别最高的。它的举办地方会在世界各地选,上次是在北京,下次在巴西,2009在日本。iccv上的文章看起来一般都比较好懂,我是比较喜欢的。

CVPR的全称是InternaltionalConference on Computer Vision and Pattern Recogintion。这是一个一年一次的会议,举办地从来没有出过美国,因此想去美国旅游的同学不要错过。正如它的名字一样,这个会上除了视觉的文章,还会有不少模式识别的文章,当然两方面的结合自然也是重点。

ECCV的全称是EuropeonConference on Computer Vision,是一个欧洲的会议。虽然名字不是International,但是会议的级别不比前面两个差多少。欧洲人一般比较看中理论,但是从最近一次会议来看,似乎大家也开始注重应用了,oral里面的demo非常之多,演示效果很好,让人赏心悦目、叹为观止。不过欧洲的会有一个不好,就是他们的人通常英语口音很重,有些人甚至不太会说英文,所以开会和交流的时候,稍微有些费劲。

总的来说,以上三个会议是做计算机视觉人必须关注的会议,建议每一期的oral都要精读,poster调自己相关的仔细看看。如果有好的进一步的想法,可以马上发表,因为他们已经是最新的了,对他们的改进通常也是最新的。同时如果你做了类似的工作,却没有引用这些会议的文章,很有可能会被人指出综述部分的问题,因为评审的人一般都是牛人,对这三个会议也会很关注的。

 

 

ICCV/CVPR/ECCV三个顶级会议, 它们档次差不多,都应该在一流会议行列, 没有必要给个高下. 有些US的人认为ICCV/CVPR略好于ECCV,而欧洲人大都认为ICCV/ECCV略好于CVPR, 某些英国的人甚至认为BMVC好于CVPR.简言之, 三个会议差不多, 各有侧重和偏好.

笔者就个人经验浅谈三会异同, 以供大家参考和讨论. 三者乃cv领域的旗舰和风向标,其oral paper (包括best paper) 代表当年度cv的最高水准, 在此引用HarryShum的一句话, 想知道某个领域在做些什么, 找最近几年此领域的proceeding看看就知道了. ICCV/CVPR由IEEE Computer Society牵头组织, ECCV好像没有专门负责的组织. CVPR每年(除2002年)都在美国开, ECCV每两年开一次,仅限欧洲, ICCV也是每两年一次, 各洲轮值.基本可以保证每年有两个会议开, 这样研究者就有两次跻身牛会的机会.

就录取率而言, 三会都有波动. 如ICCV2001录取率>30%,且出现两个人(华人)各有三篇第一作者的paper的情况, 这在顶级牛会是不常见的 (灌水嫌疑). 但是,ICCV2003, 2005两次录取率都很低, 大约20%左右. ECCV也是类似规律, 在2004年以前都是>30%, 2006年降低到20%左右. CVPR的录取率近年来一直偏高, 从2004年开始一直都在[25%,30%].最近一次CVPR2006是28.1%, CVPR2007还不知道统计数据. 笔者猜测为了维持录取paper的绝对数量, 当submission少的时候录取率偏高, 反之偏低, 近几年三大会议的投稿数量全部超过1000, 相对2000年前, 三会录取率均大幅度降低, 最大幅度50%->20%. 对录取率走势感兴趣的朋友, 可参考http://vrlab.epfl.ch/~ulicny/statistics/(CVPR2004的数据是错的),http://www.adaptivebox.net/research/bookmark/CICON_stat.html.

显然, 投入cv的人越来越多,这个领域也是越来越大,这点颇不似machine learning一直奉行愚蠢的小圈子主义. 另外一点值得注意, ICCV/ECCV只收vision相关的topic, 而cvpr会收少量的pattern recognition paper, 如fingerprint等, 但是不收和image/video完全不占边的pr paper,如speech recognition等. 我一个朋友曾经review过一篇投往CVPR的speech的paper, 三个reviewer一致拒绝, 其中一个reviewer搞笑的指出,你这篇paper应该是投ICASSP被据而转投CVPR的. 就topic而言, CVPR涵盖最广. 还有一个没有验证过的原因导致CVPR录取率高: 很多us的researcher不愿意或没有足够的经费到us以外的地方开会, 故CVPR会优先接收很多来自us的paper (让大家都happy).

以上对三会的分析对我们投paper是很有指导作用的. 目前的research我想绝大部分还是纸上谈兵, 必经 read paper -> write paper ->publish paper -> publish paper on top conferences and journals流程. 故了解投paper的一些基本技巧, 掌握领域的走向和热点, 是非常必要的. 避免做无用功,选择切合的topic, 改善presentation, 注意格式 (遵守规定的模板), 我想这是很多新手需要注意的问题. 如ICCV2007明文规定不写summarypage直接reject, 但是仍然有人忽视, 这是相当不值得的

 

 

2、机器学习

看了版上很多贴子,发现很多版友都在问“热门研究方向”、“最新方法”等。有同学建议国内某教授的教材、或者CNKI、或者某些SCI期刊。每当看到这种问题,我都有点纳闷,为什么不去读顶级会议上的论文?

我无意否认以上文献的价值,但是在机器学习、计算机视觉和人工智能领域,顶级会议才是王道。国内教材和CNKI上的基本是N年前老掉牙的东西。有人会质疑这些会议都只是EI。是的,这的确非常特殊:在许多其它领域,会议都是盛会,比如societyof neuroscience的会议,每次都有上万人参加,带个abstract和poster就可以去。但在所讨论的几个领域,顶级会议的重要性无论怎么强调都不为过。

可以从以下几点说明:

(1)因为机器学习、计算机视觉和人工智能领域发展非常迅速,新的工作层出不穷,如果把论文投到期刊上,一两年后刊出时就有点out了。因此大部分最新的工作都首先发表在顶级会议上,这些顶级会议完全能反映“热门研究方向”、“最新方法”。

(2)很多经典工作大家可能引的是某顶级期刊上的论文,这是因为期刊论文表述得比较完整、实验充分。但实际上很多都是在顶级会议上首发。比如PLSA, Latent Dirichlet Allocation等。

(3)如果注意这些领域大牛的pulications,不难发现他们很非常看重这些顶级会议,很多人是80%的会议+20%的期刊。即然大牛们把最新工作发在顶级会议上,有什么理由不去读顶级会议?

(1)
以下是不完整的列表,但基本覆盖。
机器学习顶级会议:NIPS, ICML, UAI,AISTATS;  (期刊:JMLR, ML, Trends in ML, IEEET-NN)
计算机视觉和图像识别:ICCV, CVPR, ECCV;  (期刊:IEEET-PAMI, IJCV, IEEE T-IP)
人工智能:IJCAI, AAAI; (期刊AI)
另外相关的还有SIGRAPH, KDD, ACL, SIGIR, WWW等。

特别是,如果做机器学习,必须地,把近4年的NIPS,ICML翻几遍;如果做计算机视觉,要把近4年的ICCV, CVPR, NIPS, ICML翻几遍。

(2)
另外补充一下:大部分顶级会议的论文都能从网上免费下载到,比如CV方面:http://www.cvpapers.com/index.html; NIPS: http://books.nips.cc/;  JMLR(期刊): http://jmlr.csail.mit.edu/papers/;  COLT和ICML(每年度的官网): http://www.cs.mcgill.c ... ceedings.html。希望这些信息对大家有点帮助。

(3)
说些自己的感受。我的研究方向主要是统计学习和概率图模型,但对计算机视觉和计算神经科学都有涉及,对Datamining和IR也有些了解。这些领域,从方法和模型的角度看,统计模型(包括probabilisticgraphical model和statistical learning theory)是主流也是非常有影响力的方法。有个非常明显的趋势:重要的方法和模型最先在NIPS或ICML出现,然后应用到CV,IR和MM。虽然具体问题和应用也很重要,但多关注和结合这些方法也很有意义。

对于这个领域的牛人们,以上全是浅显的废话,完全可以无视。欢迎讨论

 

3、其他

 

 

计算机视觉、IP、AI方向的一些顶级会议和期刊

Network
Conf.:
        ACM/SigCOMM ACM Special InterestGroup of Communication..
        ACM/SigMetric   这个系统方面也有不少的
        Info Com 几百人的大会,不如ACM/SIG的精。
        Globe Com 这个就很一般了,不过有时候会有一些新的想法提出来。
Jour.: 
        ToN (ACM/IEEE Transaction onNetwork)


A.I.
Conf.:
        AAAI: American Association forArtificial Intelligence
        ACM/SigIR: 这个是IR方面的,可能DB/AI的人都有
        IJCAI: International JointConference on Artificial Intelligence
        NIPS: Neural Information ProcessingSystems
        ICML: International Conference onMachine Learning
Jour.: 
        Machine Learning
        NEURAL COMPUTATION: 这个的影响因子在AI里最高,2000年为1.921
        ARTIFICIAL INTELLIGENCE: 1.683(2000年的数据,下同)
        PAMI: 1.668
        IEEE TRANSACTIONS ON FUZZY SYSTEMS:1.597
        IEEE TRANSACTIONS ON NEURALNETWORKS: 1.395
        AI MAGAZINE: 1.044
        NEURAL NETWORKS: 1.019
        PATTERN RECOGNITION: 0.781
        IMAGE AND VISION COMPUTING: 0.616
        IEEE TRANSACTIONS ON KNOWLEDGE ANDDATA ENGINEERING: 0.465
        APPLIED INTELLIGENCE: 0.268

OS,System
Conf.:
        SOSP: The ACM Symposium on OperatingSystems Principles
           (2年一次,想中一篇太难了)
        OSDI: USENIX Symposium on OperatingSystems Design and Implementation

Database
Conf.:
        ACM SIGMOD
        VLDB:International Conference onVery Large Data Bases
        ICDE:International Conference onData Engineering
        //这三个会议并称为数据库方向的三大顶级会议

Security
Conf.:
       IEEE Security and Privacy
       CCS: ACM Computer and CommunicationsSecurity
       NDSS (Network and Distributed SystemsSecurity)

Web
Conf.:
       WWW(International World Wide WebConference)

Theory
Conf.:
       STOC
       FOCS

EDA
Conf.:
       Best:
            DAC: IEEE/ACMDesign Automation Conference
            ICCAD: IEEEInternational Conference on Computer Aided Design
       Good:
            ISCAS: IEEEInternational Symposium on Circuits And Systems
            ISPD: IEEEInternational Symposium on Physical Design
            ICCD: IEEEInternational Conference on Computer Design
            ASP-DAC:European Design Automation Conference
            E-DAC: Asiaand South Pacific Design Automation Conference
            备注:x-DAC有很多,是地区性最高级DAC会议,上面两个影响最广。
                 而且每年收录的论文大部分还是来自美国大学/研究所。

Graphics
Conf.:
        Best:
            Siggraph:ACM SigGraph
        Good:
            Euro Graph
Jour.:
            IEEE(ACM)Trans. on Graphics
            IEEE Trans.on Visualization and Computer Graphics

CAD
Jour.:
            CAD
            CAGD

SE
conf.:
       ICSE    The InternationalConference on Software Engineering
       FSE     TheFoundations of Software Engineering Conferences
       ICASE   IEEE InternationalConference on Automated Software Engineering
       COMPSAC International Computer Softwareand Applications Conferences
       ESEC    The EuropeanSoftware Engineering Conferences
Jour.:
       SEN     ACM SIGSOFTSoftware Engineering Notes
       TSE     IEEETransactions on Software Engineering
       ASE     AutomatedSoftware Engineering
       SPE    Software-Practice and Experience

 

 

 

世界计算机算法最权威会议SODA---全称ACM-SIAM Symposium on Discrete Algorithms。

世界计算机科学领域最顶级期刊JACM---全称Journal of the Association for Computing Machinery,该期刊只发表世界计算机科学领域具有最重要意义的研究工作,每年仅收录30多篇。

世界数据库领域最顶级的期刊ACM TODS---全称ACM Transactions on Database Systems,该期刊全年在全世界范围不过收录30篇高水平论文

世界计算机存储领域顶尖期刊ACM Transactions on Storage---该期刊全年收录文章不超过20篇

世界程序语言设计领域顶级学术会议PLDI2007---全称ACM SIGPLAN Conference on Programming Language Designand Implementation

世界物理学最权威学术刊PRL---全称Physical Review Letter,国内大学计算机系目前只有清华计算机系发过两篇PRL

世界理论计算机领域顶级会议STOC---全称ACM Symp on Theory of Computing

世界人工智能方面最顶级会议IJCAI---全称International Joint Conferences on ArtificialIntelligence

世界计算机视觉和模式识别领域顶级国际会CVPR---全称IEEE Conference on Computer Vision and PatternRecognition

世界信息检索领域顶级会议SIGIR---全称ACM SIGIR Special Interest Group on InformationRetrieval

世界数据挖掘领域最权威国际期刊IEEE TKDE---全称IEEE Transactions on Knowledge and Data Engineering

世界数据库领域最顶级会议SIGMOD---全称ACM's Special Interest Group on Management Of Data

世界计算机图形学最权威国际会议ACM SIGGRAPH

世界计算语言/自然语言处理领域最顶级会议ACL---全称Association for Computational Linguistics

世界理论计算机科学顶级学术期刊Theoretical Computer Science

世界计算复杂性领域顶级会议CCC---全称IEEE Conference on Computational Complexity

世界计算机视觉和模式识别领域顶尖期刊IEEE PAMI---全称IEEE Transactions on Pattern Analysis and MachineIntelligence

世界集成电路设计领域最顶级会议DAC---全称Design Automation Conference

世界人工智能领域顶级学术会议AAAI---全称Association for the Advancement of ArtificialIntelligence

世界互联网领域顶级会议WWW---全称World Wide Web Conference

世界通信与计算机网络领域顶级学术会议Infocom---全称IEEE Conference on Computer Communications,

世界信息科学理论顶级期刊IEEE Transactions on Information Theory

世界数据挖掘领域一流会议SDM---全称SIAM International Conference on Data Mining

世界声学与信号处理一流会议ICASSP---全称IEEE International Conference on Acoustics, Speech,and Signal Processing

世界计算机算法与理论领域一流会议STACS---全称Symp on Theoretical Aspects of Computer Science

世界计算机理论科学领域一流会议ICALP---全称International Colloquium on Automata, Languages andProgramming

世界数据挖掘领域一流会议ICME---全称IEEE International Conference on Multimedia & Expo

世界计算机图形学领域一流会议EuroGraphics

世界集成电路领域一流会议ISVLS

这篇关于模式识别、计算机视觉、机器学习领域的顶级期刊和会议的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1123777

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

计算机毕业设计 大学志愿填报系统 Java+SpringBoot+Vue 前后端分离 文档报告 代码讲解 安装调试

🍊作者:计算机编程-吉哥 🍊简介:专业从事JavaWeb程序开发,微信小程序开发,定制化项目、 源码、代码讲解、文档撰写、ppt制作。做自己喜欢的事,生活就是快乐的。 🍊心愿:点赞 👍 收藏 ⭐评论 📝 🍅 文末获取源码联系 👇🏻 精彩专栏推荐订阅 👇🏻 不然下次找不到哟~Java毕业设计项目~热门选题推荐《1000套》 目录 1.技术选型 2.开发工具 3.功能

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个