中文名 | 深度学习工程师能力评估标准 | 外文名 | Deep learning engineer capability evaluation standard |
---|---|---|---|
标准编号 | T/SIA 006—2018 | 实施日期 | 2018年07月31日 |
发布日期 | 2018年07月31日 |
深度学习技术及应用国家工程实验室,北京百度网讯科技有限公司,中国软件行业协会过程改进分会。
1 范围
2 术语和定义
3 深度学习工程师能力评估要素
4 深度学习初级工程师
4.1基本要求
4.2专业知识要求
4.3工程能力要求
4.4业务理解与实践能力要求
5 深度学习中级工程师
5.1基本要求
5.2专业知识要求
5.3工程能力要求
5.4业务理解与实践能力要求
6 深度学习高级工程师
6.1基本要求
6.2专业知识要求
6.3工程能力要求
6.4业务理解与实践能力要求。 2100433B
喻友平,马艳军,程思,陆超,丁二锐,忻舟,陈尚义,李黎,陈斌,蒋晓琳,马婧,刘皓,黄群。
实施工程师一般主要是负责现场(少部分是远程实施)的软件安装和用户培训所有首先需要表达能力,能说清楚你要说的,同时用户能听懂在有沟通能力,安装培训间要和用户有互动,能解决一些用户提出的问题另外需要一定的...
银行一般根据你工作的稳定,以及月收入是多少,还有使用信用记录,来判断你是否有这个还款的能力,当然如果有过多的存款可以出示给银行,那么贷款应该很容易就办下来了
1、具有综合运用所学科学理论、分析和解决问题方法和技术手段分析并解决工程实际问题的能力,能够参与生产及运作系统的设计,并具有运行和维护能力;2、掌握扎实的工程基础知识和本专业的基本理论知识,了解本专业...
传统的图像识别方法,不能有效检测出电力部件的具体位置,同时在干扰物较多的场景下识别准确率较低。本文针对以上问题提出一种基于MASK LSTM-CNN模型的电力部件巡检图像识别方法。结合已有的Mask R-CNN方法,利用长短期记忆神经网络,通过络融合上下文信息来构建MASK LSTM-CNN模型,然后结合电力部件的具体特征进一步利用优化算法来优化模型的参数,使设计的模型能够在干扰信息较多的现场环境下依然可以准确识别电力部件,成功解决了已有方法中存在的电力部件在被遮挡情况下识别率较低的问题,大大改善了部件识别的精度。结合实际采集的电力部件巡检图像数据集对提出的模型进行大量测试验证,实验结果表明提出的MASK LSTM-CNN模型相比于R-FCN、Faster R-CNN等模型检测效果更优,平均识别准确率提高9%-12%左右,有效解决了干扰信息较多的电力场景中的部件识别问题。
为了获取铭牌图像中的基本参数信息,提出一种基于深度学习的端到端文本识别模型TDRN(Text Detection and Recognition Network)。模型避免了图像裁剪和字符分割,将文本看作一个序列,使用BLSTM(Bidirectional Long Short-term Memory)来获取上下文关系。同时,将文本检测和文本识别整合在同一个网络中共同训练,共享卷积层,以提高整体性能,在文本识别中还引入了注意力机制。模型在公共场景文本数据集SVT(Street View Text)上测试表现良好,F值为68. 69%,高于一般的端到端文本识别模型。与传统铭牌识别方法相比,TDRN准确率更高,鲁棒性更强,能适应复杂的电力场景变化。
制定《软件造价评估机构服务能力要求》标准,开展行业自律、规范市场,为从事软件造价评估服务的机构在市场开拓、对外自我能力说明等提供证明,同事也为软件造价评估服务需求方选择合适的软件造价评估服务机构提供参考依据,具有现实意义。
本标准适用于软件造价评估机构的服务能力建设以及相关机构对软件造价评估机构进行服务能力评价。
生物样本分析检测能力评估标准包括组织结构和人员,实验场所与环境,设备、设施与材料,制度与标准操作规程(简称SOP),实验的管理与实施,质量与风险管理,记录及文件存档等评估内容。 本评估标准适用于临床试验生物样本分析检测实验室自评和/或第三方现场评估工作。