Author Affiliations
Abstract
Key Laboratory for Micro/Nano Optoelectronic Devices of Ministry of Education & Hunan Provincial Key Laboratory of Low-Dimensional Structural Physics and Devices, School of Physics and Electronics, Hunan University, Changsha 410082, China
Interface states are widely applied in waveguide devices. However, previous studies failed to achieve photonic and phononic interface states independent of each other in the same crystal structure depending on the behavior of the crystal structure, i.e., photonic or phononic crystals, making the function of interface states single. In this study, straight-line and circular photonic and phononic interface states were realized independently in sunflower-type crystals. In addition, with a defect and a metal barrier, interface states could remain almost undamaged. The results have the potential to achieve multi-function devices and reduce the cost of engineering applications.
interface states photonic and phononic crystals sunflower-type crystals Chinese Optics Letters
2023, 21(6): 061301
1 中国科学院光电技术研究所, 四川 成都 610209
2 中国科学院大学, 北京 100049
生成对抗网络(GAN)是解决图像数据获取困难的有效方法,但GAN在训练时难以稳定,生成的图像质量较差。基于此,提出了一种基于残差结构的改进深度卷积GAN图像生成方法。采用残差结构加深网络并结合图像标签信息,以获取真实图像样本的深层次特征,在判别器模型中引入谱约束,提高网络的训练稳定性,从而实现图像数据的有效生成。实验表明,所提方法在生成图像的视觉效果和客观评价上具有更优异的表现。
机器视觉 深度学习 残差结构 生成对抗网络 图像生成 激光与光电子学进展
2020, 57(18): 181504
1 中国科学院光电技术研究所, 成都 610209
2 中国科学院大学, 北京 100049
数据匮乏是深度学习面临的一大难题。利用生成对抗网络(GAN)能够基于语义生成新的图像数据这一特性, 提出一种基于谱约束的生成对抗网络图像数据生成方法, 该方法针对卷积生成对抗网络模型易崩溃不收敛的问题, 从每层神经网络的参数矩阵W的谱范数角度出发, 引入谱范数归一化网络参数矩阵, 将网络梯度限制在固定范围内, 减缓判别网络收敛速度, 从而提高GAN的训练稳定性。实验表明, 通过该方法生成的数据相比原始GAN以及DCGAN、WGAN等生成的图像样本数据在图像识别网络中具有更高的准确率, 能够对少量样本数据进行有效扩充。
深度学习 生成对抗网络 数据生成 卷积神经网络 deep learning GAN data generation convolutional neural networks
