2020银行网点内审员资格考试知识点总结

版权申诉
0 下载量 135 浏览量 更新于2024-07-11 收藏 98KB DOC 举报
本资源是一份关于2020年银行网点内审员资格考试的题库,主要涉及银行业务和服务标准、认证流程及评价体系的相关知识。以下知识点详细阐述: 1. **服务标准实施时间**:2017年11月4日起,银行营业网点的服务标准正式施行,具体指的是《银行营业网点服务基本要求》。 2. **服务标准分类**:标准按照适用范围分为国际标准、国家标准、企业标准和技术标准,其中企业标准属于分类之一。 3. **服务基本要求**:《银行营业网点服务基本要求》包含了服务机理、服务环境和服务功能等内容,但消费者权益保护是明确规定的部分。 4. **服务认证方式**:银行营业网点认证包括文件审查、现场审查、在线远程审查、现场抽查等多种方式,排除了线下远程审查+现场核查。 5. **柜面服务原则**:柜面服务人员应遵循“先外后内”原则,确保对外服务优先,避免因内部事务影响客户体验。 6. **服务环境要求**:服务环境包括网点标识、环境设施和信息公示等,这些都直接影响到客户的感知与满意度。 7. **认证证书有效期**:银行营业网点服务认证证书的有效期通常为3年,期间需定期进行监督审查。 8. **监督审查频率**:常规年度监督审查每12个月进行一次,确保服务质量的持续维护。 9. **认证依据**:认证依据可能包括G/32320-2015、G/32318—2015等,以及银行营业网点服务认证实施规则。 10. **服务三要素**:服务的三个关键要素是服务提供者、接触过程和服务系统,顾客是服务的对象。 11. **认证评价报告编制**:由审查员、审查组长和认证决定人员共同编制认证评价报告,方案管理员负责相关方案管理。 12. **认证对象**:银行营业网点服务认证的对象包括大型商业银行如中国工商银行,外资银行如汇丰银行(中国)南昌分行,以及国内城市商业银行如北京农村商业银行,但不包括社区银行。 13. **抽样方法**:正确的抽样方法包括现场抽样、随机抽样和代表性抽样,补充抽样并非官方推荐的抽样方法。 14. **评价方法**:实施评价主要包括现场评价、非现场评价和巡查暗访,这些方法有助于全面了解和评估网点服务质量。 15. **关于认证证书**:认证证书由母证书和子证书组成,母证书由认证申请方持有,子证书颁发给具体的营业网点,证书不能出借或出租。 16. **服务评价满分**:银行营业网点服务评价满分具体未给出,可能是800分或其他评分标准,实际考试中可能有所不同。 以上知识点涵盖了银行网点内审员资格考试的核心内容,对于准备参加考试的人来说,理解并掌握这些要点至关重要。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R