Zobrazeno 1 - 10
of 285
pro vyhledávání: '"Shi Yun-Qing"'
Autor:
Khasanov, Rustem, Ruan, Bin-Bin, Shi, Yun-Qing, Chen, Gen-Fu, Luetkens, Hubertus, Ren, Zhi-An, Guguchia, Zurab
The first-principles calculations and measurements of the magnetic penetration depths, the upper critical field, and the specific heat were performed for a family of Mo$_5$Si$_{3-x}$P$_x$ superconducotrs. First-principles calculations suggest the pre
Externí odkaz:
http://arxiv.org/abs/2305.17669
Autor:
Ruan, Bin-Bin, Chen, Le-Wei, Shi, Yun-Qing, Yi, Jun-Kun, Yang, Qing-Song, Zhou, Meng-Hu, Ma, Ming-Wei, Chen, Gen-Fu, Ren, Zhi-An
Publikováno v:
Journal of Physics: Condensed Matter 2023 35, 214002
We report the discovery and detailed investigation of superconductivity in Mo$_4$Ga$_{20}$As. Mo$_4$Ga$_{20}$As crystallizes in the space group of $I4/m$ (No. 87), with lattice parameters $a$ = 12.86352 \AA and $c$ = 5.30031 \AA. The resistivity, mag
Externí odkaz:
http://arxiv.org/abs/2305.02838
Autor:
Shi, Yun-Qing, Ruan, Bin-Bin, Zhou, Menghu, Yang, Qing-Song, Gu, Ya-Dong, Yi, Jun-Kun, Chen, Le-Wei, Ma, Ming-Wei, Chen, Gen-Fu, Ren, Zhi-An
Publikováno v:
In Journal of Solid State Chemistry December 2024 340
A great challenge to steganography has arisen with the wide application of steganalysis methods based on convolutional neural networks (CNNs). To this end, embedding cost learning frameworks based on generative adversarial networks (GANs) have been p
Externí odkaz:
http://arxiv.org/abs/2107.13151
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Recent advances on adaptive steganography show that the performance of image steganographic communication can be improved by incorporating the non-additive models that capture the dependences among adjacent pixels. In this paper, a Gaussian Markov Ra
Externí odkaz:
http://arxiv.org/abs/1908.01483
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
With the recent development of deep learning on steganalysis, embedding secret information into digital images faces great challenges. In this paper, a secure steganography algorithm by using adversarial training is proposed. The architecture contain
Externí odkaz:
http://arxiv.org/abs/1804.07939