为了优化牌匾检索效果，我们融合了牌匾中的视觉信息与文本信息，设计了多模态检索模型。针对视觉信息，我们优化了模型全局特征和局部特征的提取能力。针对文本信息，我们使用BERT对牌匾的OCR结果进行编码，将其作为辅助特征，并与视觉特征融合后进行度量学习。
和CNN相比，Transformer具有全局感受野以及高阶相关性建模的特点，使其在特征提取上有着更好的表征能力。此外，Transformer的输入较为灵活，可以方便地将其他模态信息进行编码，并和图像特征一起输入到模型中，因此其在多模特征融合上也有较大的优势。
实际实践过程中，我们通过不断的迭代以提升特征的精准度与全面度，具体的核心几个提取过程为：
1、特征扩充：元数据中的字段有可能为原始数据，这部分需要关联到具体数据表并找出有意义的字段。
这部分我们来探讨下如何用科技解决未来的问题，这里我提一下目前在做的几个方面：
第一件事情我们做了大概3年时间，达摩院AI Earth团队一致在研究如何用数字技术解决包括环境、气象、水利、农业等问题。
我们所有的云原生软件必须是开源的，云原生开源有一个非常基本的理念“三位一体”，我们自己用的技术，阿里云对客户提供的技术，和社区开源的技术，我们希望这些技术软件是一个版本，之间没有代差，在此基础上我们再针对业务做差异化的提升和改进，用“三位一体”的方式希望技术软件里能够真正跟开源形成一个血脉相通的整体。
浅析数据库并发控制机制中提到过，为了避免只读事务与写事务之间的冲突，避免写操作等待读操作，几乎所有的主流数据库都采用了多版本并发控制（MVCC）的方式，也就是为每条记录保存多份历史数据供读事务访问，新的写入只需要添加新的版本即可，无需等待。InnoDB在这里复用了Undo Log中已经记录的历史版本数据来满足MVCC的需求。
获得了可用的Undo Segment之后，该事务会在合适的位置初始化自己的Undo Log Header，之后，其所有修改产生的Undo Record都会顺序的通过trx_undo_report_row_operation顺序的写入当前的Undo Log，其中会根据是insert还是update类型，分别调用trx_undo_page_report_insert或者trx_undo_page_report_modify。
如果不可见就沿着Record或Undo Record中记录的rollptr一路找更老的历史版本。如下图所示，事务R开始需要查询表t上的id为1的记录，R开始时事务I已经提交，事务J还在运行，事务K还没开始，
拿到一个Undo Record之后，自然地，就是对其中内容的解析，这里会调用row_undo_ins_parse_undo_rec，从Undo Record中获取修改行的table，解析出其中记录的主键信息，如果是update类型，还会拿到一个update vector记录其相对于更新的一个版本的变化。
除了深耕自立自强的高科技，阿里还在践行“人人受益、责任担当、开放共享”的好科技，希望用技术给客户创造更好的价值，为社会创造更大的贡献。
