面向工业生产的中文Text-to-SQL模型

英文自然语言查询转SQL语句(Text-to-SQL)任务的模型迁移到中文工业Text-to-SQL任务时,由于工业数据集的可解释差且比较分散,会出现数据库的表名列名等信息与问句中关键信息的表示形式不一致以及问句中的列名隐含在语义中等问题导致模型精确匹配率变低。针对迁移过程中出现的问题,提出了对应的解决方法并构建修改后的模型。首先,在数据使用过程中融入工厂元数据信息以解决表示形式不一致以及列名隐含在语义中的问题;然后,根据中文语言表达方式的特性,使用基于相对位置的自注意力模型直接通过问句以及数据库模式信息识别出where子句的value值;最后,根据工业问句查询内容的特性,使用微调后的基于变换器的双向编码器表示技术(BERT)对问句进行分类以提高模型对SQL语句结构预测的准确率。构建了一个基于铝冶炼行业的工业数据集,并在该数据集上进行实验验证。结果表明所提模型在工业测试集上的精确匹配率为74.2%,对比英文数据集Spider上各阶段主流模型的效果后可以看出,所提模型能有效处理中文工业Text-to-SQL任务。

基于ORB-SLAM的智能手机实时同步定位建图与半稠密三位重构实现

实时定位与环境的三维重构已经成为越来越活跃的研究课题。随着增强现实技术的快速发展,移动设备了解自身位置与周围环境的需求越来越重要。增强现实想要实现追踪、物体识别,实现虚拟数据与现实场景相结合,就必须得到精确而可靠的位姿估计和周围详细的三维场景。相对于其他诸如谷歌眼镜等专用于AR的设备,智能手机作为当前应用范围最广的设备,在智能手机上实现实时定位与制图就变得非常重要。本次研究针对这种情况,基于当前最先进的单目视觉SLAM算法之一ORB-SLAM上实现了智能手机平台上的实时定位与三维重构,并对ORB-SLAM算法进行针对于Android上的优化,使应用可以在近年的智能手机硬件上进行实时定位与三维重构的效果,并且在ORB-SLAM的基础上实现了半稠密的三维重建,可以获得周围环境的轮廓信息而不是地图上稀疏的散点。应用获得到的结果可以用于物体识别与导航以及更有意义并且更加丰富的AR应用。

不战而屈人之兵——心战与心战武器

1945年初,经历莫斯科保卫战、斯摩棱斯克会战胜利后的强大苏军,在朱可夫元帅的率领下,挥师西进,兵临柏林城下。不甘心失败的希特勒在柏林周围地区构筑了三道防御战线,纠集了85个师的德军,共100万人、10400门牵引火炮、1500辆坦克和自行火炮,并任命善于防御作战的退役军官哥德哈特·海因里齐上将担任主要防御集团群的司令。