计算机视觉/模式识别方向的期刊和会议

发布时间:2022-08-19 11:42

第一章:会议 conferences
一般来说,学术会议会设置很多chairs,各种chairs职责不同。General chairs是负责组织会议的准备和进行的,program chairs负责接收paper并确定paper的领域。各个领域会有area chairs,负责将每篇paper分发给不同的reviewer。Reviewer不属于会议的领导层。会议的审稿分为双盲,单盲和全透明。双盲就是审稿人不知道审的是谁的,作者也不知道自己的paper由谁审。单盲就是审稿人知道在审谁的paper,作者却不知道自己的paper被谁审。全透明就是双方都知道。视觉界三大会议CVPR,ICCV,ECCV都是双盲的。很多大牛导师不喜欢双盲,因为自己的牛文可能被一个小弱reviewer给拒了。如果不是双盲审稿,reviewer基本不会去拒大牛的paper。这就是跟牛导师的一大好处。

会议没有影响因子一说,但是也有很多评价会议好坏的指标,比如H-index,这个后面再讲。还有一个就是接受率acceptance rates。好的会议接受率一般会比较低。一般会议在提交截止日期三个月之后会告诉你是否接受你的论文。中国学生投会议一般都要优先考虑会议地点,因为中国护照和签证问题是个致命伤。开完了会,你的paper会以会议的proceeding的形式成为出版物。但是如果你的paper被会议接受了,但是你没去开会,不仅你的paper不会被proceeding收录,而且还可能被加入黑名单。“投了会议却不去开会是严重的学术不端行为。”——引自我老板

第二章:期刊 journals
视觉,图像和模式领域一般都不讨论影响因子IF这个概念,因为实在是太特么低了,顶级的TPAMI也才在4到6之间波动,而生物、化学相关的专业随便一个期刊的IF都是十几二十几。H-index是个不错的指标,而且可以和会议一起进行比较。
期刊的审稿一般都不是双盲的,审稿人都会知道自己审的是谁的稿,有时还会主动和你联系。因此,那些比较有名的实验室发期刊一般比较容易,但是那些新的实验室或者小的实验室就很难发了,这也造成了一定程度上的不公平。
期刊的审稿是非常非常慢的,而且步骤多,很麻烦。提交之后,先有工作人员给你审格式,格式不对直接退回,格式对了才能送往reviewer手中。以TPAMI为例,第一轮review一般在3个月到半年之间,结果有五种:直接接受,接受但需要小改,接受但需要大改,重新提交,拒绝接受。第二轮review一般2到4个月,结果有三种:接受,接受但需要小改,拒绝接受。

第三章:H-Index
H-index是一个混合量化指标,可用于评估研究人员的学术产出数量与学术产出水平。一个人在其所有学术文章中有N篇论文分别被引用了至少N次,他的H-index就是N。同样,H-index也可以用来衡量会议和期刊的影响力。一个会议和期刊的H-index可以在微软的学术搜索中找到:http://academic.research.microsoft.com/
在我们领域,只有一个期刊的H-index是超过200的,那就是TPAMI,也有人简写为PAMI。很多流芳千古的论文都出自TPAMI。博士期间要是发过一篇TPAMI,那绝对是大神级别的。当然,TPAMI也是我的目标,但是实现起来还是有点难的。
此外,有很多H-index在100以上的会议和期刊,像IJCV,ICCV,ECCV,CVPR,NIPS,AAAI等。博士期间能够发一两篇,就算是大牛了。
H-index在50以上,也算是优质的期刊和会议了,但是收录的文章质量参差不齐。比如我老板为editor的CVIU,H-index为89,不算太高,里面估计也有不少灌水的论文,但是有很多著名的文章都是从CVIU出来的,比如SURF特征,Active Shape Models,和大量的survey文章。
H-index在20到50之间的,就是水分比较大的了。一帮教授在一起,想自己过过当chairs的瘾,就自己组一个会议,邀请同行来投稿。这个档次的期刊和会议关注度不是那么高,但也不能说它们差。博士前几年把自己的论文投过去,不仅可以作为starter,还可以去会议认识人,出去走一走,非常不错的。
H-index在20以下的,那就很水了,一般都是一些刚刚组建实验室的导师,为了积累自己的publication history,便鼓励自己的学生去发表,等到积累了一定的数量,再去冲刺高级别的会议和期刊。人都是有渐进过程的,所以不要鄙视灌水的人,别人这么做都有自己的原因。但如果你导师是大牛,你还拿个大作业级别的东西去灌这种期刊或者会议,那肯定要被人鄙视的。当然,如果会议地点在夏威夷之类的地方,那又另当别论了。
最后,推荐我学长做的一个网站:http://www.thecomputervision.com/
更新:该网站已与视觉界第一大网站Computer Vision Central合并!http://cvisioncentral.com/

顺便给出我搜集的一些期刊和会议的H-index供大家比较:
期刊 Journals:
-TPAMI: 242
-IEEE Transactions on Image Processing: 153
-IJCV: 152
-IEEE Transactions on Medical Imaging: 129
-Pattern Recognition: 112
=============================================
-JMLR: 90
-CVIU: 89
-Image and Vision Computing: 80
-MIA: 58
=============================================
-JMIV: 45
-IJPRAI: 39
-Machine Vision and Applications: 38
-PAA: 29
-International Journal of Image and Graphics: 16
-Journal of Real-time Image Processing: 10
-PRIA: 7
-Signal, Image and Video Processing: 7

会议 Conferences:
-CVPR: 153
-SIGGRAPH: 182
-NIPS: 133
-AAAI: 132
-ICCV: 126
-ICML: 126
-ECCV: 105
=============================================
-ICASSP: 98
-ICIP: 74
-ICPR: 69
-BMVC: 51
=============================================
-MICCAI: 47
-IPMI: 39
-WACV: 34
-ACCV: 30
-MMBIA: 23
-ISBI: 21
-ICIAR: 12
-ICISP: 5

顺带给出别的领域的一些期刊会议的H-index:
-Nature: 615 
-ICRA: 108
-ICINCO: 10
-ICARCV: 8

 

PS: 关于H-index的理解,会有一些误区。H-index不是万能的,只是一个简单的参考。比如MICCAI的H-index只有47,但其实MICCAI差不多是和CVPR一个级别的会议,只是侧重点不同而已。很多实验室都会把牛paper往MICCAI和CVPR之间轮着投。IPMI的H-index只有39,但IPMI其实是一个很小众但是很高端的会议,去参加IPMI决不能当作是去旅游的,presentation如果准备不周到会被羞辱到死的。此外,每个教授也会有自己的H-index,这个更不能说明问题了。因为随着时间推进科技发展,人类的出版物是指数增加的。很多著名的老教授,发的论文并不多,尽管有很多经典的论文,影响都很大,但H-index不高。很多年轻的教授,没有太著名的论文,但是数量巨多,也会有一些不错的论文,但都算不上经典,他的H-index也会很高。最后,很多真正的牛人是不需要灌水的。多年科研默默无闻,最后发一篇顶级,秒杀所有人。

 

 

转载于:https://blog.csdn.net/GarfieldEr007/article/details/51485026

关于计算机视觉和模式识别领域的期刊并不是很多,下面我收集了一些该领域的代表性期刊,并介绍了他们的影响因子以及投稿难度和审稿周期。希望对大家有帮助吧,后期大家还有发现的可以留言,补充哦。

首先介绍计算机视觉领域的4个顶级代表性期刊吧。

(1) IEEE Transactions on Pattern Analysis and Machine Intelligence,IEEE模式分析与机器智能汇刊,简称PAMI,是IEEE最重要的学术性汇刊之一。在各种统计中,PAMI被认为有着很强的影响因子(2011年影响因子为4.9)和很高的排名。显然,这个期刊的中稿难度那是相当的大,一般先投中CVPR之后再加点东西投该期刊会比较好中一点。

(2) ACM Transactions on Graphics。美国计算机协会图形汇刊,简称TOG,该刊侧重于计算机图形的处理,影响因子在该领域也比较高,2011年为3.5。中稿的难度也极大,一般该刊对每年的SIGGRAPH(Special Interest Group for Computer GRAPHICS,计算机图形图像特别兴趣小组)会议论文全文收录。

(3) International Journal of Computer vision,该刊也是该领域的顶级期刊之一,相比于PAMI来讲,该刊侧重于理论的推导。2011年影响因子为3.7,中稿难度也相当大。

(4) IEEE Transactions on Image Processing,该刊也是图像处理领域的代表性期刊之一,相比于上面三个期刊来讲,该刊稍微低一点层次。2011年影响因子为3.042,中稿难度也比较大。审稿周期一年左右。


除了上述让人望而生畏的顶级期刊之外,我们再看看一般的期刊吧。

(1)Pattern recognition letters, 从投稿到发表,一年半时间;

(2)Pattern recognition 不好中,时间长;

(3)IEICE Transactions on Information and Systems, 作者中有一个必须是会员。收费高,审稿快。影响因子0.4;

(4)International Journal of Pattern Recognition and Artificial Intelligence , 审稿周期一般6--12周,影响因子偏低,容易中;

(5)Computational Intelligence, 中等偏上,要求较高,杂志级别不错,关注人数偏少,比较冷门;

(6)information processing letters, 影响因子低0.5左右,接搞量大,容易发表,审稿周期一般3--6个月;

(7)Computer vision and image understanding, 9个月审稿期,平均投稿命中率20%,业内比较认可;

(8)journal of visual communication and image representation, 投稿容易,审稿周期一年以上;

(9)Signal processing letters, 影响因子0.99, 美国,审稿一个多月;

(10)International Journal on Graphics, Vision and Image Processing (GVIP);

(11)IET Image Processing, 影响因子0.758, EI Compendex ,审稿周期一年以上;

(12)IET Computer Vision ,影响因子0.969;

(13)SIAM Journal on Imaging Sciences;

(14)International journal of imaging systems and technology,影响因子偏低,容易中,审稿周期一到两个月;

(15)IEEE Signal Processing Letters, 审稿4---8周左右,影响因子不高,容易中,关注人不多;

(16)Journal of Logic and Computation, 影响因子,0.789,SCI检索;

(17)IEICE Transactions on Information and Systems 审稿时间2--4周,容易中,影响因子小,相对冷门,关注人数不多;

(18)COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING,影响因子偏低,但仍然需要一定水平才可以投,审稿2--4周,SCI,EI检索;

(19)Signal Processing: Image Communication,容易中,审稿周期半年到一年;

(20)International Journal of Computer Vision, 较难,审稿周期半年到一年,EI,SCI检索;

(21)Journal of Mathematical Imaging and Vision,审稿一个月左右,影响因子不高(1.3左右),Elsevier旗下,不容易中,稍微有些冷门,偏重数学推导;

(22)Machine Vision and Applications, 影响因子偏低,但是接稿量不是很大,审稿周期一年以上,但容易发表,SCI,EI检索;

(23)Pattern Analysis & Applications, 影响因子不高,影响力也比较小,审稿时间一年以上,但容易投中;

(24)Signal Image and Video Processing, 容易中,审稿时间半年到一年,EI检索;

(25)Pattern recognition and image analysis, EI检索;

(26)Journal of digital imaging ,审稿周期半年到一年,影响因子偏低,容易中,很少有人关注;

(27)Journal of  VLSI signal processing systems for signal image and video ,影响因子偏低,容易中,审稿周期一年以上,关注人比较少;

(28) Neural Processing Letters,  影响因子0.75左右,审稿三个月内给出审稿意见,比较快。(发现一年只发表20篇左右,一年投稿量估计200多篇(从编号可估出),可看出命中率绝对在10%以下,待考察)

(29) COMPUTERS & GRAPHICS-UK (一般简称为COMPUTERS & GRAPHICS),Elsevier旗下图像处理领域期刊之一,2011影响因子为1.0。审稿速度(同行例子:9月底投稿,10月中旬送审,12月初大修,2月中旬小修后录用。审稿速度和编辑处理速度都比较快!)。感觉要求不是很高!

(30) EURASIP Journal on Image and Video Processing,影响因子2011年为0.5,有同学投过,速度比较快,2-3个月搞定。

(31) Multimedia Tools and Applications,2012年影响因子为1.014,据说比较好中,速度也还可以。

(32) Communications of the ACM,2012年影响因子为2.511。中科院分区SCI大类分区2区,小类分区2区。

(33) IEEE Transactions on Visualization and Computer Graphics,2012年影响因子为1.898,中科院分区SCI大类分区2区,小类分区2区。

(34) IEEE Computer Graphics and Applications,2012年影响因子为1.228,中科院分区SCI大类分区3区,小类分区2区。

(35) Graphical Models,2012年影响因子为0.697,中科院分区SCI大类分区4区,小类分区4区。

(36) Computer Aided Geometric Design,2012年影响因子为0.810,中科院分区SCI大类分区4区,小类分区3区。

(37) Computer Animation and Virtual Worlds,2012年影响因子为0.436,中科院分区SCI大类分区4区,小类分区4区。

(38) Visual Computer,2012年影响因子为0.909,中科院分区SCI大类分区4区,小类分区4区。

(39) Computer Graphics Forum,2012年影响因子为1.638,中科院分区SCI大类分区3区,小类分区2区。

(40) International Journal of Computational Geometry and Applications,2012年影响因子为0.176,中科院(数学方向)分区SCI大类分区4区,小类分区4区。

(41) Computational Geometry-Theory and Applications,2012年影响因子为0.545,中科院(数学方向)分区SCI大类分区2区,小类分区2区。

(42) Journal of Visualization,2012年影响因子为0.506,中科院(工程技术)分区SCI大类分区4区,小类分区4区。

(43) Computer Graphics World,2012年影响因子为0.000,中科院(工程技术)分区SCI大类分区4区,小类分区4区。

(44) Virtual Reality,2012年影响因子为0.341,中科院(工程技术)分区SCI大类分区4区,小类分区4区。

(43) Image and Vision Computing,2012年影响因子为1.959,中科院(工程技术)分区SCI大类分区3区,小类分区3区。

(43) Computer Graphics World,2012年影响因子为0.000,中科院(工程技术)分区SCI大类分区4区,小类分区4区。

from: http://blog.csdn.net/inter_xuxing/article/details/19300157

 

 

转载于:https://www.cnblogs.com/yymn/p/4589624.html

偶尔转帖:AI会议的总结(by南大周志华)

说明: 纯属个人看法, 仅供参考. tier-1的列得较全, tier-2的不太全, tier-3的很不全.

同分的按字母序排列. 不很严谨地说, tier-1是可以令人羡慕的, tier-2是可以令

人尊敬的,由于AI的相关会议非常多, 所以能列进tier-3的也是不错的

tier-1:

IJCAI (1+): International Joint Conference on Artificial Intelligence AAAI (1): National Conference on Artificial Intelligence

COLT (1): Annual Conference on Computational Learning Theory

CVPR (1): IEEE International Conference on Computer Vision and Pattern   Recognition

ICCV (1): IEEE International Conference on Computer Vision

ICML (1): International Conference on Machine Learning

NIPS (1): Annual Conference on Neural Information Processing Systems

ACL (1-): Annual Meeting of the Association for Computational Linguistics

KR (1-): International Conference on Principles of Knowledge Representation   and Reasoning

SIGIR (1-): Annual International ACM SIGIR Conference on Research and Development in Information Retrieval

SIGKDD (1-): ACM SIGKDD International Conference on Knowledge Discovery and Data Mining

UAI (1-): International Conference on Uncertainty in Artificial Intelligence

*Impact factor (According to Citeseer 03):

IJCAI :1.82 (top 4.09 %)

AAAI :1.49 (top 9.17%)

COLT:1.49 (top 9.25%)

ICCV :1.78 (top 4.75%)

ICML :2.12 (top 1.88%)

NIPS :1.06 (top 20.96%)

ACL :1.44 (top 10.07%)

KR :1.76 (top 4.99%)

SIGIR :1.10 (top 19.08%)

Average:1.56 (top 8.02%)

IJCAI (1+): AI最好的综合性会议, 1969年开始, 每两年开一次, 奇数年开. 因为AI 实在太大, 所以虽然每届基本上能录100多篇(现在已经到200多篇了),但分到每个 领域就没几篇了,象achine learning、computer vision这么大的领域每次大概也 就10篇左右, 所以难度很大. 不过从录用率上来看倒不太低,基本上20%左右, 因为内 行人都会掂掂分量, 没希望的就别浪费reviewer的时间了. 最近中国大陆投往国际会 议的文章象潮水一样, 而且因为国内很少有能自己把关的研究组, 所以很多会议都在 complain说中国的低质量文章严重妨碍了PC的工作效率. 在这种情况下, 估计这几年 国际会议的录用率都会降下去. 另外, 以前的IJCAI是没有poster的, 03年开始, 为了 减少被误杀的好人, 增加了2页纸的poster.值得一提的是, IJCAI是由貌似一个公司 的”IJCAI Inc.”主办的(当然实际上并不是公司, 实际上是个基金会), 每次会议上要 发几个奖, 其中最重要的两个是IJCAI Research Excellence Award 和 Computer & Thoughts Award, 前者是终身成就奖, 每次一个人, 基本上是AI的最高奖(有趣的是, 以AI为主业拿图灵奖的6位中, 有2位还没得到这个奖), 后者是奖给35岁以下的 青年科学家, 每次一个人. 这两个奖的获奖演说是每次IJCAI的一个重头戏.另外, IJCAI 的 PC member 相当于其他会议的area chair, 权力很大, 因为是由PC member 去找 reviewer 来审, 而不象一般会议的PC member其实就是 reviewer. 为了制约 这种权力, IJCAI的审稿程序是每篇文章分配2位PC member, primary PC member去找 3位reviewer, second PC member 找一位.

AAAI (1): 美国人工智能学会AAAI的年会. 是一个很好的会议, 但其档次不稳定, 可   以给到1+, 也可以给到1-或者2+, 总的来说我给它”1″. 这是因为它的开法完全受 IJCAI制约: 每年开, 但如果这一年的 IJCAI在北美举行, 那么就停开. 所以, 偶数年 里因为没有IJCAI, 它就是最好的AI综合性会议, 但因为号召力毕竟比IJCAI要小一些, 特别是欧洲人捧AAAI场的比IJCAI少得多(其实亚洲人也是), 所以比IJCAI还是要稍弱 一点, 基本上在1和1+之间; 在奇数年, 如果IJCAI不在北美, AAAI自然就变成了比   IJCAI低一级的会议(1-或2+), 例如2005年既有IJCAI又有AAAI, 两个会议就进行了协 调, 使得IJCAI的录用通知时间比AAAI的deadline早那么几天, 这样IJCAI落选的文章 可以投往AAAI.在审稿时IJCAI 的 PC chair也在一直催, 说大家一定要快, 因为AAAI 那边一直在担心IJCAI的录用通知出晚了AAAI就麻烦了.

COLT (1): 这是计算学习理论最好的会议, ACM主办, 每年举行. 计算学习理论基本上可以看成理论计算机科学和机器学习的交叉,   所以这个会被一些人看成是理论计算 机科学的会而不是AI的会. 我一个朋友用一句话对它进行了精彩的刻画: “一小群数 学家在开会”. 因为COLT的领域比较小, 所以每年会议基本上都是那些人. 这里顺便 提一件有趣的事, 因为最近国内搞的会议太多太滥, 而且很多会议都是LNCS/LNAI出 论文集, LNCS/LNAI基本上已经被搞臭了, 但很不幸的是, LNCS/LNAI中有一些很好的 会议, 例如COLT.

CVPR (1): 计算机视觉和模式识别方面最好的会议之一, IEEE主办, 每年举行. 虽然题 目上有计算机视觉, 但个人认为它的模式识别味道更重一些. 事实上它应该是模式识 别最好的会议, 而在计算机视觉方面, 还有ICCV 与之相当. IEEE一直有个倾向, 要把 会办成”盛会”, 历史上已经有些会被它从quality很好的会办成”盛会”了. CVPR搞不好 也要走这条路. 这几年录的文章已经不少了. 最近负责CVPR会议的TC的chair发信 说, 对这个community来说, 让好人被误杀比被坏人漏网更糟糕, 所以我们是不是要减 少好人被误杀的机会啊? 所以我估计明年或者后年的CVPR就要扩招了.

ICCV (1): 介绍CVPR的时候说过了, 计算机视觉方面最好的会之一. IEEE主办, 每年举行.

ICML (1): 机器学习方面最好的会议之一. 现在是IMLS主办, 每年举行. 参见关于NIPS的   介绍.

NIPS (1): 神经计算方面最好的会议之一, NIPS主办, 每年举行. 值得注意的是, 这个会 每年的举办地都是一样的, 以前是美国丹佛, 现在是加拿大温哥华; 而且它是年底开会, 会开完后第2年才出论文集, 也就是说, NIPS’05的论文集是06年出. 会议的名字   “Advances in Neural Information Processing Systems”, 所以, 与ICML\ECML这样 的”标准的”机器学习会议不同, NIPS里有相当一部分神经科学的内容, 和机器学习有 一定的距离. 但由于会议的主体内容是机器学习, 或者说与机器学习关系紧密, 所以 不少人把NIPS看成是机器学习方面最好的会议之一. 这个会议基本上控制在Michael Jordan的徒子徒孙手中, 所以对Jordan系的人来说, 发NIPS并不是难事, 一些未必很 强的工作也能发上去, 但对这个圈子之外的人来说, 想发一篇实在很难, 因为留给”外 人”的口子很小. 所以对Jordan系以外的人来说, 发NIPS的难度比ICML更大. 换句话说, ICML比较开放, 小圈子的影响不象NIPS那么大, 所以北美和欧洲人都认, 而NIPS则有 些人(特别是一些欧洲人, 包括一些大家)坚决不投稿. 这对会议本身当然并不是好事,   但因为Jordan系很强大, 所以它似乎也不太care. 最近IMLS(国际机器学习学会)改选 理事, 有资格提名的人包括近三年在ICML\ECML\COLT发过文章的人, NIPS则被排除在 外了. 无论如何, 这是一个非常好的会.

ACL (1-): 计算语言学/自然语言处理方面最好的会议, ACL (Association of   Computational Linguistics) 主办, 每年开.

KR (1-): 知识表示和推理方面最好的会议之一, 实际上也是传统AI(即基于逻辑的AI) 最好的会议之一. KR Inc.主办, 现在是偶数年开.

SIGIR (1-): 信息检索方面最好的会议, ACM主办, 每年开. 这个会现在小圈子气越来 越重. 信息检索应该不算AI, 不过因为这里面用到机器学习越来越多, 最近几年甚至 有点机器学习应用会议的味道了, 所以把它也列进来.

SIGKDD (1-): 数据挖掘方面最好的会议, ACM主办, 每年开. 这个会议历史比较短,   毕竟, 与其他领域相比,数据挖掘还只是个小弟弟甚至小侄儿. 在几年前还很难把它列 在tier-1里面, 一方面是名声远不及其他的 top conference响亮, 另一方面是相对容易 被录用. 但现在它被列在tier-1应该是毫无疑问的事情了.

UAI (1-): 名字叫”人工智能中的不确定性”, 涉及表示\推理\学习等很多方面, AUAI   (Association of UAI) 主办, 每年开.


tier-2:

AAMAS (2+): International Joint Conference on Autonomous Agents and   Multiagent Systems

ECCV (2+): European Conference on Computer Vision

ECML (2+): European Conference on Machine Learning

ICDM (2+): IEEE International Conference on Data Mining

SDM (2+): SIAM International Conference on Data Mining

ICAPS (2): International Conference on Automated Planning and Scheduling

ICCBR (2): International Conference on Case-Based Reasoning

COLLING (2): International Conference on Computational Linguistics

ECAI (2): European Conference on Artificial Intelligence

ALT (2-): International Conference on Algorithmic Learning Theory

EMNLP (2-): Conference on Empirical Methods in Natural Language Processing

ILP (2-): International Conference on Inductive Logic Programming

PKDD (2-): European Conference on Principles and Practice of Knowledge   Discovery in Databases

*Impact factor (According to Citeseer 03):

ECCV :1.58 (top 7.20 %)

ECML :0.83 (top 30.63 %)

ICDM :0.35 (top 59.86 %)

ICCBR :0.72 (top 36.69 %)

ECAI :0.69 (top 38.49 %)

ALT :0.63 (top 42.91 %)

ILP :1.06 (top 20.80 %)

PKDD :0.50 (top 51.26 %)

Average:0.80 (top 32.02%)

AAMAS (2+): agent方面最好的会议. 但是现在agent已经是一个一般性的概念,   几乎所有AI有关的会议上都有这方面的内容, 所以AAMAS下降的趋势非常明显.

ECCV (2+): 计算机视觉方面仅次于ICCV的会议, 因为这个领域发展很快, 有可能 升级到1-去.

ECML (2+): 机器学习方面仅次于ICML的会议, 欧洲人极力捧场, 一些人认为它已经是1-了. 我保守一点, 仍然把它放在2+. 因为机器学习发展很快, 这个会议的reputation上升非常明显.

ICDM (2+): 数据挖掘方面仅次于SIGKDD的会议, 目前和SDM相当. 这个会只有5年历史, 上升速度之快非常惊人. 几年前ICDM还比不上PAKDD, 现在已经拉开很大距离了.

SDM (2+): 数据挖掘方面仅次于SIGKDD的会议, 目前和ICDM相当. SIAM的底子很厚, 但在CS里面的影响比ACM和IEEE还是要小, SDM眼看着要被ICDM超过了, 但至少目前还是相当的.

ICAPS (2): 人工智能规划方面最好的会议, 是由以前的国际和欧洲规划会议合并来的. 因为这个领域逐渐变冷清, 影响比以前已经小了.

ICCBR (2): Case-Based Reasoning方面最好的会议. 因为领域不太大, 而且一直半冷不热, 所以总是停留在2上.

COLLING (2): 计算语言学/自然语言处理方面仅次于ACL的会, 但与ACL的差距比ICCV-ECCV和ICML-ECML大得多.

ECAI (2): 欧洲的人工智能综合型会议, 历史很久, 但因为有IJCAI/AAAI压着,很难往上升.

ALT (2-): 有点象COLT的tier-2版, 但因为搞计算学习理论的人没多少, 做得好的数来数去就那么些group, 基本上到COLT去了, 所以ALT里面有不少并非计算学习理论的内容.

EMNLP (2-): 计算语言学/自然语言处理方面一个不错的会. 有些人认为与COLLING相当, 但我觉得它还是要弱一点.

ILP (2-): 归纳逻辑程序设计方面最好的会议. 但因为很多其他会议里都有ILP方面的内容, 所以它只能保住2-的位置了.

PKDD (2-): 欧洲的数据挖掘会议, 目前在数据挖掘会议里面排第4. 欧洲人很想把它抬起来, 所以这些年一直和ECML一起捆绑着开, 希望能借ECML把它带起来.但因为ICDM和SDM, 这已经不太可能了. 所以今年的 PKDD和ECML虽然还是一起开, 但已经独立审稿了(以前是可以同时投两个会, 作者可以声明优先被哪个会考虑, 如果ECML中不了还可以被 PKDD接受).


tier-3:

ACCV (3+): Asian Conference on Computer Vision

DS (3+): International Conference on Discovery Science

ECIR (3+): European Conference on IR Research

ICTAI (3+): IEEE International Conference on Tools with Artificial Intelligence

PAKDD (3+): Pacific-Asia Conference on Knowledge Discovery and Data Mining

ICANN (3+): International Conference on Artificial Neural Networks

AJCAI (3): Australian Joint Conference on Artificial Intelligence

CAI (3): Canadian Conference on Artificial Intelligence

CEC (3): IEEE Congress on Evolutionary Computation

FUZZ-IEEE (3): IEEE International Conference on Fuzzy Systems

GECCO (3): Genetic and Evolutionary Computation Conference

ICASSP (3): International Conference on Acoustics, Speech, and Signal   Processing

ICIP (3): International Conference on Image Processing

ICPR (3): International Conference on Pattern Recognition

IEA/AIE (3): International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems

IJCNN (3): International Joint Conference on Neural Networks

IJNLP (3): International Joint Conference on Natural Language Processing

PRICAI (3): Pacific-Rim International Conference on Artificial Intelligence

*Impact factor (According to Citeseer 03):

ACCV :0.42 (top 55.61%)

ICTAI :0.25 (top 69.86 %)

PAKDD :0.30(top 65.60 %)

ICANN :0.27 (top 67.73 %)

AJCAI :0.16 (top 79.44 %)

CAI :0.26 (top 68.87 %)

ICIP :0.50 (top 50.20 %)

IEA/AIE :0.09 (top 87.79 %)

PRICAI :0.19 (top 76.33 %)

Average:0.27 (top 68.30%)

ACCV (3+): 亚洲的计算机视觉会议, 在亚太级别的会议里算很好的了.

DS (3+): 日本人发起的一个接近数据挖掘的会议.

ECIR (3+): 欧洲的信息检索会议, 前几年还只是英国的信息检索会议.

ICTAI (3+): IEEE最主要的人工智能会议, 偏应用, 是被IEEE办烂的一个典型. 以前的quality还是不错的, 但是办得越久声誉反倒越差了, 糟糕的是似乎还在继续下滑, 现在其实3+已经不太呆得住了.

PAKDD (3+): 亚太数据挖掘会议, 目前在数据挖掘会议里排第5.

ICANN (3+): 欧洲的神经网络会议, 从quality来说是神经网络会议中最好的, 但这个领域的人不重视会议,在该领域它的重要性不如IJCNN.

AJCAI (3): 澳大利亚的综合型人工智能会议, 在国家/地区级AI会议中算不错的了.

CAI (3): 加拿大的综合型人工智能会议, 在国家/地区级AI会议中算不错的了.

CEC (3): 进化计算方面最重要的会议之一, 盛会型. IJCNN/CEC /FUZZ-IEEE这三个会议是计算智能或者说软计算方面最重要的会议, 它们经常一起开, 这时就叫WCCI (World Congress on Computational Intelligence). 但这个领域和CS其他分支不太一样, 倒是和其他学科相似, 只重视journal, 不重视会议, 所以录用率经常在85%左右, 所录文章既有quality非常高的论文, 也有入门新手的习作.

FUZZ-IEEE (3): 模糊方面最重要的会议, 盛会型, 参见CEC的介绍.

GECCO (3): 进化计算方面最重要的会议之一, 与CEC相当,盛会型.

ICASSP (3): 语音方面最重要的会议之一, 这个领域的人也不很care会议.

ICIP (3): 图像处理方面最著名的会议之一, 盛会型.

ICPR (3): 模式识别方面最著名的会议之一, 盛会型.

IEA/AIE (3): 人工智能应用会议. 一般的会议提名优秀论文的通常只有几篇文章, 被提名就已经是很高的荣誉了, 这个会很有趣, 每次都搞1、20篇的优秀论文提名, 专门搞几个session做被提名论文报告, 倒是很热闹.

IJCNN (3): 神经网络方面最重要的会议, 盛会型, 参见CEC的介绍.

IJNLP (3): 计算语言学/自然语言处理方面比较著名的一个会议.

PRICAI (3): 亚太综合型人工智能会议, 虽然历史不算短了, 但因为比它好或者相当的综合型会议太多, 所以很难上升.


列list只是为了帮助新人熟悉领域, 给出的评分或等级都是个人意见, 仅供参考. 特别要说明的是:

1. tier-1 conference上的文章并不一定比tier-3的好, 只能说前者的平均水准更高.

2. 研究工作的好坏不是以它发表在哪儿来决定的, 发表在高档次的地方只是为了让工作更容易被同行注意到. tier-3会议上发表1篇被引用10次的文章可能比在tier-1会议上发表10篇被引用0次的文章更有价值. 所以, 数top会议文章数并没有太大意义, 重要的是同行的评价和认可程度.

3. 很多经典工作并不是发表在高档次的发表源上, 有不少经典工作甚至是发表在很低档的发表源上. 原因很多, 就不细说了.

4. 会议毕竟是会议, 由于审稿时间紧, 错杀好人和漏过坏人的情况比比皆是, 更何况还要考虑到有不少刚开始做研究的学生在代老板审稿.

5. 会议的reputation并不是一成不变的,新会议可能一开始没什么声誉,但过几年后就野鸡变凤凰,老会议可能原来声誉很好,但越来越往下滑.

6. 只有计算机科学才重视会议论文, 其他学科并不把会议当回事. 但在计算机科学中也有不太重视会议的分支.

7. Politics无所不在. 你老板是谁, 你在哪个研究组, 你在哪个单位, 这些简单的因素都可能造成决定性的影响. 换言之, 不同环境的人发表的难度是不一样的. 了解到这一点后, 你可能会对high-level发表源上来自low-level单位名不见经传作者的文章特别注意(例如如果<计算机学报>上发表了平顶山铁道电子信息科技学院的作者的文章,我一定会仔细读).

8. 评价体系有巨大的影响. 不管是在哪儿谋生的学者, 都需要在一定程度上去迎合评价体系, 否则连生路都没有了, 还谈什么做研究. 以国内来说, 由于评价体系只重视journal, 有一些工作做得很出色的学者甚至从来不投会议. 另外, 经费也有巨大的制约作用. 国外很多好的研究组往往是重要会议都有文章. 但国内是不行的, 档次低一些的会议还可以投了只交注册费不开会, 档次高的会议不去做报告会有很大的负面影响, 所以只能投很少的会议. 这是在国内做CS研究最不利的地方. 我的一个猜想:人民币升值对国内CS研究会有不小的促进作用(当然, 人民币升值对整个中国来说利大于弊还是弊大于利很难说).

 

转载于:https://www.cnblogs.com/yymn/p/7058692.html

SCI:审稿人与投稿人之间的勾心斗角
刚刚完成了一篇4分左右杂志的审稿,回忆起了自己以前作为投稿人的种种,觉得颇有一些旁门左道与大家分享。SCI投稿说到底就是审稿人与投稿人之间的一场战争,很多人都会成为这场战争中的一方甚至双方,故事就是从两条线索分别来展开的……

投稿人篇

去年这个时候接到一个令人振奋的消息一篇投在Cell and Tissue Research 上的文章修回来了,意见不多,但是有一条让觉得有点蹊跷,审稿人给提示了一篇默默无名的文章,甚至发表在不是SCI杂志上的(好像是Tissue Barriers),而且审稿人甚至好心的连DOI号都给了你(疑点一)?让人不禁生疑,为什么审稿人会对这么一篇不起眼的文章如此推崇(疑点二)?有对这么不起眼的文章如此了解(疑点三)?本着尊敬审稿人的心态,尝试着找了一下这篇文章,居然不费吹灰之力的就有全文免费下载???越发觉得有意思!又仔细拜读了一下全文!觉得是让补一些这方面的文章,但是冰冻蚀刻技术,让补这方面的实验,根本没可能。总觉得哪里不对,就PUBMED一下这篇不起眼小文章的作者!额!在hepatology、journal ofhepatology等等发文无数。所有的所有让我觉得这里面有猫腻!这到底是什么意思:总结起来就是有一个应该很NB的实验室的审稿人让你学习一下一篇不知名杂志上的文章!揣摩一下审稿人的意思,既想让你知道他是谁,又不漏痕迹!!猜到这了,果断有了办法,补实验门都没有,但是该作者的所有与我的论文有关的论文,争取全部引用一遍,还不能是以参考文献1-4中的”-“的形式出现,必须是Excellent job、read with respect!但是其他的审稿人的意见只有一一详细解答,甚至是补实验。最终文章顺利接收!在回忆起来,其实国外的研究者也不是淡泊名利,也都有一点虚荣心,他们甚至会隐晦的暗示你来提高自己的知名度,也就是引用率。

审稿人篇

花开两朵各表一枝,说一下今天我审的这篇文章,也是中国人的一篇文章。做得东西和师兄做得差不多,只是把师兄的大鼠模型换成了人,其他大同小异,我第一次审稿依据这一点给了拒稿!也在意见里以参考文献给了暗示的(嘿嘿!同时给了3篇参考文献,把我们实验室的文章放在第三篇)。由于三个审稿人中有一个给的评价特别好,所以文章最终被编辑给了大修,所以有看到这篇修回的文章,直接先看参考文献,果然没有引用我们的文章,关键是另外两篇都引用了!!也许是另外两篇是hepatology 和cellular and molecular life sciences的关系吧,也许是作者可能觉得两篇文章换汤不换药,引用了会降低自己文章的原创性!作为审稿人我就觉得有点尴尬了,是拒呢?还是拒呢?还是拒呢??考虑到作者非常认真的答复了所有审稿人的意见,文章从初投的30多页直接增加到60多页,还不了实验,我只能公事公办,又提了一大堆修改意见(个人觉得是中肯的,比如文章方法与材料部分里连个统计分析都没有),再次给了大修!!

总结篇

通过两个例子想说明答复审稿人是有技巧的,比如我作为审稿人的那篇,如果作者引用了我们实验室的文章,结果会一样吗??也许这篇文章最终会接受,但是我相信也许在时间上会提前很多!而我作为投稿人的文章,虽不能说100%是由于引用了审稿人的文章,但是我相信这个因素绝对在其中起到了很大的因素,所以现在我再投文章,只要审稿人给的参考文献,绝对引用,甚至加倍引用!在国内将影响因子作为一切的时候,其实国外也会把引用次数看的很重!对于任何一个审稿人的任何一条意见都要认真学习领会,抓好贯彻落实!永远不要说审稿人挑剔,一定要揣摩审稿人的真实意图,因为你们是不平等的,因为SCI就是审稿人与投稿人之间的勾心斗角,甚至各怀鬼胎!

 

本文引自:https://blog.csdn.net/dengheCSDN/article/details/81909896

 

ItVuer - 免责声明 - 关于我们 - 联系我们

本网站信息来源于互联网,如有侵权请联系:561261067@qq.com

桂ICP备16001015号