Multimedia Systems

期刊全称

Multimedia Systems

期刊缩写

MULTIMEDIA SYST

涉及主题

计算机科学人工智能数学工程类操作系统计算机视觉算法计算机安全物理程序设计语言心理学计算机网络哲学电信万维网多媒体机器学习生物图像（数学）统计认知心理学数据挖掘模式识别（心理学）语言学密码学经济

期刊介绍

This journal details innovative research ideas, emerging technologies, state-of-the-art methods and tools in all aspects of multimedia computing, communication, storage, and applications. It features theoretical, experimental, and survey articles.

期刊ISSN

print: 0942-4962 on-line: 1432-1882

历年影响因子

2024年	2023年	2022年	2021年	2020年	2019年	2018年	2017年
3.5	3.9	2.603	1.935	1.563	1.956	1.703	2.207

历年发表/被引量

年份	2026	2025	2024	2023	2022	2021	2020	2019	2018	2017	2016	2015
发表量	186	493	421	154	168	146	77	43	16	52	32	56
被引量	13	666	2077	1343	2752	4127	2229	521	184	1374	309	1054

h-Index

自引率

5.70%

涉及的研究领域

工程技术-计算机：理论方法

2026年新锐分区

大类	小类	TOP期刊	综述期刊
3区	3区计算机：信息系统	否	N/A
3区	3区计算机：理论方法	否	N/A

中科院2025年分区

大类	小类	TOP期刊	综述期刊
4区	4区计算机：信息系统	否	否
4区	4区计算机：理论方法	否	否

WOS期刊分区

JCR学科分类

JCR分区学科名称	收录数据库	JCR分区	分区排名
COMPUTER SCIENCE, INFORMATION SYSTEMS	SCIE	Q2	111/258
COMPUTER SCIENCE, THEORY & METHODS	SCIE	Q2	43/147

JCI学科分类

JCI分区学科名称	收录数据库	JCI分区	分区排名
COMPUTER SCIENCE, INFORMATION SYSTEMS	SCIE	Q2	93/258
COMPUTER SCIENCE, THEORY & METHODS	SCIE	Q2	38/147

期刊主页

https://www.springer.com/530 https://www.springer.com/journal/530

投稿网址

https://www.editorialmanager.com/mmsj/

出版商

Springer Berlin Heidelberg

出版国家（地区）

GERMANY

出版语言

English

出版周期

Bimonthly

每年出版文章数

136

Gold OA文章占比

4.45%

原创研究文献占比
(排除综述)

98.79%

SCI收录类型

Science Citation Index Expanded (SCIE)

Scopus (CiteScore)

PubMed链接

http://www.ncbi.nlm.nih.gov/nlmcatalog?term=0942-4962%5BISSN%5D

平均审稿周期

平均3.0个月

平均录用比例

容易

Multimedia Systems

JCR学科分类

JCI学科分类

期刊相关文献 (35)

Adaptafood: an intelligent system to adapt recipes to specialised diets and healthy lifestyles

Adaptafood：一个智能系统，可根据特殊饮食和健康生活方式调整食谱

A survey on face presentation attack detection mechanisms: hitherto and future perspectives

人脸呈现攻击检测机制综述：现状与未来展望

An overview of deep learning techniques for COVID-19 detection: methods, challenges, and future works

深度学习技术在新冠病毒检测中的应用概述：方法、挑战和未来展望

Ensemble deep honey architecture for COVID-19 prediction using CT scan and chest X-ray images

利用CT扫描和胸部X光图像进行COVID-19预测的集成深度蜂蜜架构

Performance analysis of U-Net with hybrid loss for foreground detection

U-Net 与混合损失函数在前景检测中的性能分析

Fake COVID-19 videos detector based on frames and audio watermarking

基于帧和音频水印的虚假新冠病毒视频检测器

DATaR: Depth Augmented Target Redetection using Kernelized Correlation Filter

DATaR：基于核相关滤波器的深度增强目标重检测

A CNN-based scheme for COVID-19 detection with emergency services provisions using an optimal path planning

一种基于卷积神经网络（CNN）的COVID-19检测方案，利用最优路径规划提供应急服务。

COVID-SegNet: encoder-decoder-based architecture for COVID-19 lesion segmentation in chest X-ray

COVID-SegNet：基于编码器-解码器的胸部X光片COVID-19病灶分割架构

Medical image-based detection of COVID-19 using Deep Convolution Neural Networks

基于深度卷积神经网络的医学图像新冠病毒检测