24小时热门版块排行榜

返回列表

【悬赏金币】回答本帖问题，作者wqshmzh将赠送您 5 个金币

wqshmzh

铁虫 (小有名气)

应助: 0 (幼儿园)
金币: 147.5
散金: 10
红花: 2
帖子: 67
在线: 37.7小时
虫号: 15899261
注册: 2019-08-10
专业: 模式识别

[求助] 求大神，《电子与信息学报》复审后编辑是否会再给机会修改已有1人参与

外审专家1在外审意见中只是询问了实验结果与噪声大小似乎没有关系的原因，我也做了较好地解释，但是该专家不仅拖了快3个月才复审完，而且依然不满意，需要增加实验，但是增加实验后篇幅就会较长，而且本文让各图像的分割复杂性相近，就可以在相同条件下，测试不同算法的分割能力，从而达到控制变量的效果。外审专家2的外审意见很好，建议直接录用；外审专家3也没有问多少问题，我都已经做了详细地回答，而且复审并没有经过外审专家3过目，就直接进入了责编阶段。请问大神，这种情况编辑还会给机会改吗，还是说就会拒稿了。

以下是审稿阶段的详细信息：

阶段名称处理人提交时间估计完成时间实际完成时间意见
  收稿编辑部    2019-12-19    2019-12-19    2019-12-19

  初审编辑部    2019-12-19    2020-01-02    2019-12-19    初审已过，请速查看通信作者邮箱，按要求办理不涉及国家机密和不涉及知识产权的证明，并将扫描件发送至邮箱jeit@mail.ie.ac.cn，将原件邮寄至编辑部，并通过银行缴纳审稿费￥200.00元，以便尽快送专家审评，详见邮箱。未收到编辑部邮件者请email至jeit@mail.ie.ac.cn（注明稿号）。 [详细意见]

  外审外审专家    2019-12-25    2020-01-24    2020-05-06    本文对经典聚类算法fcm进行改进，是非常有意义的工作。本文通过对目标函数的类内聚集项进行改进减少求解更新次数；通过对目标函数噪声抑制项的计算方式的改进加快计算速度；为了能够有效克服噪声，对目标函数的两项提出自适应权重的策略；提高了fcm的效率和精度。本论文还存在如下问题： 1）在引言部分介绍fcm的研究现状，基于核函数的fcm也是较为常见的，文中没有提到。 2）在3.1属度链接部分，对每类都除以一个大于1的数(一般情况是>1的)，从而对目标函数第一项误差进行尺度缩小，本文是以误差变化小于某个阈值(或到达设置迭代次数)为终止条件，因此，改进后确实可以减少迭代次数，但是这样人为缩小误差，是否会带来负面效应？ 3）在3.3目标函数部分，公式17 18 19 20，为了分母过小或为0，分别增加了参数k和eps，是否可以合并为一个，参数太多不利于算法的使用。另外，按照公式如果像素值表示在(0 1)之间 alpha始终大于等于beta的；如果像素值在(0 255)之间 alpha始终小于等于beta的；且这种互为倒数的关系会使得两项权重差异较大，这对整个算法是否是有利的。 4）公式5中既有h又有delta，他们有什么不同？公式13为什么高斯外面还e指数？ 5）另外从实验结果看，尤其是定量指标，似乎各类算法表现与加入噪声大小都没有关系，解释一下原因 6）论文中还有一些小的错误，请仔细检查。如公式1下面解释的n应该是大写的；如公式16下面“分别为噪声图像与非局部限制项的权重”，噪声图像权重的描述不太合适 [详细意见]

  外审外审专家    2020-04-20    2020-05-20    2020-04-25    该文介绍了一种快速自适应非局部空间加权与隶属度连接的模糊c-均值噪声图像分割算法, 进行了实验仿真分析，验证了分析方法的正确性，取得了较好的结果，具有一定的借鉴价值，该算法在分割准确度、平均交并比、峰值信噪比、归一化互信息、运行时间与迭代次数等性能方面优于其他几种fcm算法，文章思路清晰，逻辑严密，结果正确，文笔流畅，目前就可以发表了。 [详细意见]

  外审外审专家    2020-04-20    2020-05-20    2020-05-18    本文针对传统模糊 c-均值聚类算法分割噪声图像效果不理想的问题，提出了一种快速自适应非局部空间加权与隶属度连接的模糊 c-均值聚类抗噪图像分割算法。该方法通过改进非局部空间信息快速计算方法，克服了非局部空间信息计算复杂的问题；其次，计算原始图像与非局部信息项的差值，将其作为非局部信息项的自适应权重，并将差值作倒数变换，作为原始图像的自适应权重；最后将每个聚类簇中所有像素隶属度之和的对数平方加入目标函数的分母，形成隶属度连接，减少目标函数迭代次数。论文通过实验数据验证了本文提出的算法在分割效果、时间复杂性方面的优势。论文文理清晰、逻辑性强，对模糊聚类算法的较好的改进，具有一定的创新性。论文不足是：1）论文中没有分析算法时间复杂性，本文算法的优势之一就是算法复杂性低；2）实验图像没有选择大家公认的图像数据库，其给出的数据说服力不够强。 [详细意见]

  责编编辑部    2020-05-15    2020-06-24    2020-06-04    改后再审。
请按专家意见逐条修改，并对修改进行详细说明。
此外，为了体现该文与本刊报道方向的关联性，建议引用一到两篇近两年发表的《电子与信息学报》相关方向的论文
尽快上传修改稿和修改说明文件。
另外：请附件中的修改模板检查参考文献格式，补齐缺项。 [详细意见]

  第一次退修编辑部    2020-06-04    2020-07-04    2020-06-07
作者上传:
2020-06-07 11:37 修改说明 (60.0 kb)
作者上传:
2020-06-07 12:04 (1.15 mb) 2020-06-07 12:05 (15.47 mb)

  复审外审专家    2020-06-08    2020-07-08    2020-08-29    对于问题5：“另外从实验结果看，尤其是定量指标，似乎各类算法表现与加入噪声大小都没有关系，解释一下原因”。作者的给出的解释大致可以总结为：“对于简单图像，添加较多噪声，对于较复杂的图像，添加较少噪声，使得各图像的分割复杂度相近，从而分割效果看起来与添加的噪声强度关系较小。” 虽然这个解释是与作者文中呈现的现象一致，但是这相当于在固定结果，来调整图像复杂度和加入噪声大小，使得结果不变，这与正常的做法是不相符的。本文核心工作是解决噪声下的图像分割，正确做法是：选择简单图像，逐渐增大噪声，观察分割效果；选择较为复杂图像，逐渐增大噪声，观察分割效果；选择更加复杂图像，逐渐增大噪声，观察分割结果......，一方面体现本文算法优越性，一方面也观察本文算法的极限。 [详细意见]

  责编编辑部    2020-08-31    2020-10-10

回复此楼