CN108399382A - 车险图像处理方法和装置 - Google Patents

车险图像处理方法和装置 Download PDF

Info

Publication number
CN108399382A
CN108399382A CN201810148839.8A CN201810148839A CN108399382A CN 108399382 A CN108399382 A CN 108399382A CN 201810148839 A CN201810148839 A CN 201810148839A CN 108399382 A CN108399382 A CN 108399382A
Authority
CN
China
Prior art keywords
image
vehicle insurance
distance
convolutional neural
neural networks
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810148839.8A
Other languages
English (en)
Inventor
章海涛
刘永超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201810148839.8A priority Critical patent/CN108399382A/zh
Publication of CN108399382A publication Critical patent/CN108399382A/zh
Priority to TW107141236A priority patent/TWI715888B/zh
Priority to EP19709166.3A priority patent/EP3701419A1/en
Priority to PCT/US2019/017828 priority patent/WO2019160935A1/en
Priority to US16/274,930 priority patent/US10891515B2/en
Priority to SG11202004464SA priority patent/SG11202004464SA/en
Priority to US16/722,919 priority patent/US10891517B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本说明书实施例公开了一种训练用于处理车险图像的卷积神经网络的方法和装置以及车险图像处理方法和装置，所述车险图像处理方法包括：获取N个车险图像，N为大于等于2的自然数；将所述车险图像输入通过根据本说明书实施例的训练方法训练的卷积神经网络，获得分别对应于所述车险图像的N个特征向量；计算所述特征向量中任意两个特征向量之间的距离；以及在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。

Description

车险图像处理方法和装置
技术领域
本发明涉及图像处理领域，具体地，涉及一种训练用于处理车险图像的卷积神经网络的方法和装置、以及车险图像处理方法和装置。
背景技术
随着汽车逐渐成为普遍的代步工具，车险市场也得到了快速发展。车险业务呈明显增多的趋势。如何快速准确地进行车险定损，是车险业务中非常重要的一环。在进行车险定损核损时，需要一组在车险现场拍摄的照片，这组照片可以由业务员去现场拍摄采集，或者也可以由出险者自行拍照并发送给业务员。在一些情况中，车险照片中可能人为混入了非车险现场拍摄的照片，可能相似但不是同一辆车，或者在不同地点拍摄，或者不同时间补拍。有些拍摄设备会在图片中存储拍照时间，拍照设备，拍摄位置等元数据信息，可以用来判断照片是否是在同一车险现场拍摄。但是并不是所有照片都包含上述时间地点等元数据，并且这种时间地点等元数据也非常容易被修改。而人工检测图片需要大量的人力，并且不能保证检测的质量。因此，需要一种更有效的处理车险照片的方案。
发明内容
本说明书实施例旨在提供一种更有效的处理车险照片的方案，以解决现有技术中的不足。
为实现上述目的，本说明书一个方面提供一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。
本说明书另一方面提供一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
本说明书另一方面提供一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个正样本对和至少一个负样本对，其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得以对应于各个所述正样本的至少一个第一距离之和减去对应于各个所述负样本的至少一个第二距离之和所获得的值减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离，以及其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
在一个实施例中，在所述训练卷积神经网络的方法中，所述距离为欧式距离。
本说明书另一方面提供一种用于处理车险图像的训练卷积神经网络的装置，包括：获取单元，配置为，获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；以及训练单元，配置为，利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。
本说明书另一方面提供一种训练用于处理车险图像的卷积神经网络的装置，包括：获取单元，配置为，获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及训练单元，配置为，利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
本说明书另一方面提供一种训练用于处理车险图像的卷积神经网络的装置，包括：获取单元，配置为，获取至少一个正样本对和至少一个负样本对，其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及训练单元，配置为，利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得以对应于各个所述正样本的至少一个第一距离之和减去对应于各个所述负样本的至少一个第二距离之和所获得的值减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离，以及其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
本说明书另一方面提供一种车险图像处理方法，包括：获取N个车险图像，N为大于等于2的自然数；将所述车险图像输入通过上述训练方法获得的卷积神经网络，获得分别对应于所述车险图像的N个特征向量；计算所述特征向量中任意两个特征向量之间的距离；以及在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。
在一个实施例中，所述车险图像处理方法还包括，在确定与所述距离对应的两个车险图像存在异常之后，确定大于第一预定阈值的距离的个数B，计算第一概率P1＝B/N，以及在第一概率大于第二预定阈值的情况中，确定所述N个车险图像总体存在异常。
在一个实施例中，所述车险图像处理方法，还包括，在确定与所述距离对应的两个车险图像存在异常之后，确定所述N个车险图像中存在异常的车险图像的个数M，计算第二概率P2＝M/N，以及在第二概率大于第三预定阈值的情况中，确定所述N个车险图像总体存在异常。
本说明书另一方面提供一种车险图像处理装置，包括：获取单元，配置为，获取N个车险图像，N为大于等于2的自然数；输入单元，配置为，将所述车险图像输入通过上述训练方法获得的卷积神经网络，获得分别对应于所述车险图像的N个特征向量；第一计算单元，配置为，计算所述特征向量中任意两个特征向量之间的距离；以及第一确定单元，配置为，在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。
在一个实施例中，所述车险图像处理装置，还包括，第二确定单元，配置为，在确定与所述距离对应的两个车险图像存在异常之后，确定大于第一预定阈值的距离的个数B，第二计算单元，配置为，计算第一概率P1＝B/N，以及第三确定单元，配置为，在第一概率大于第二预定阈值的情况中，确定所述N个车险图像总体存在异常。
在一个实施例中，所述车险图像处理装置，还包括，第四确定单元，配置为，在确定与所述距离对应的两个车险图像存在异常之后，确定所述N个车险图像中存在异常的车险图像的个数M，第三计算单元，配置为，计算第二概率P2＝M/N，以及第四确定单元，配置为，在第二概率大于第三预定阈值的情况中，确定所述N个车险图像总体存在异常。
本说明书另一方面提供一种计算机可读的存储介质，其上存储有指令代码，所述指令代码在计算机中执行时，令计算机执行上述训练卷积神经网络的方法和/或车险图像处理方法。
本说明书另一方面提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述训练卷积神经网络的方法和/或车险图像处理方法。
通过上述根据本说明书实施例的训练用于处理车险图像的卷积神经网络的方法和装置以及车险图像处理方法和装置，可以以较高的准确率和召回率快速处理车险图像，从而实现了对车险图像的快速自动的处理。
附图说明
通过结合附图描述本说明书实施例，可以使得本说明书实施例更加清楚：
图1示出了根据本说明书实施例的***100的示意图；
图2示出了根据本说明书实施例的一种训练卷积神经网络的方法；
图3示意示出了利用正样本对训练卷积神经网络的过程；
图4示出了根据本说明书实施例的一种训练卷积神经网络的方法；
图5示意示出了利用负样本对训练卷积神经网络的过程；
图6示出了根据本说明书实施例的一种训练卷积神经网络的方法；
图7示意示出了利用一组三元样本训练卷积神经网络的过程；
图8示出了根据本说明书实施例的车险图像处理方法；
图9示出了根据本说明书实施例的一种训练卷积神经网络的装置900；以及
图10示出了根据本说明书实施例的一种车险图像处理装置1000。
具体实施方式
下面将结合附图描述本说明书实施例。
图1示出了根据本说明书实施例的***100的示意图。***100包括训练部分101和处理部分102。训练部分101中包括训练模块11，训练模块11可以使用Siamese网络或中Triplet网络等，在所述训练模块11中包含卷积神经网络，以对该卷积神经网络进行训练。卷积神经网络由卷积层，激活层，归一化层，池化层等组成，可以使用ResNet,Inception等常用网络结构。通过将大量车险图像(对应于Siamese网络的正样本对和负样本对、对应于Triplet网络的三元样本等)输入该训练模块11，用于训练卷积神经网络，从而获得可用于处理车险照片的卷积神经网络。
在本说明书实施例中，所述图像可以包括各种图形和影像的总称，通常指具有视觉效果的画面，一般可以包括纸介质上的、底片或照片上的、电视、投影仪或计算机屏幕等上的画面。本实施例中所述的车险图像可以包括通过照相或摄像设备拍摄后存储在可读存储介质上的计算机图像数据，可以包括矢量图、位图，静态、动态图像等多种类型的计算机图像。
处理部分102包括特征获得模块12和决策模块13。特征获得模块12包括通过上述训练模块11训练获得的卷积神经网络。通过将一组车险图像输入该特征获得模块12，特征获得模块12可以从这组车险图像中分别获得对应于其的多个特征向量，并将其发送给决策模块13。决策模块13根据其决策算法，对所述多个特征向量进行计算，以获得决策结果，从而判断这组车险图像是否存在异常。
下面结合实例具体描述根据本说明书实施例的方法。
图2示出了根据本说明书实施例的一种训练卷积神经网络M的方法，所述卷积神经网络M用于处理车险图像。如图1所示，所述方法包括以下步骤：在步骤S21,获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；以及，在步骤S22，利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。
首先，在步骤S21,获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场。在一个实施例中，图1中的训练模块11使用Siamese网络训练卷积神经网络M。Siamese网络需要输入成对的图像，即正样本对或负样本对。对应于同一个真实车险现场的任何两个图像可组成正样本对<I,I+>。分别对应于两个不同现场(例如，车辆不同、地点不同、或者时间不同等)的两个图像可以组成负样本对<I,I->。
通过获取对应于一个真实车险现场的任何两个图像，即，第一图像和第二图像，从而可获取正样本对。其中，可通过由保险业务员在车祸现场进行拍摄，而获取对应于一个真实车险现场的一组车险照片，或者由出险者自行拍摄并上传，而获取对应于一个真实车险现场的一组车险照片，或者也可以从第三方获取多组真实车险现场照片。对这些车险现场照片可进行人工验证，以确保每组照片对应于同一个车险现场。
在步骤S22，利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。
卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络包括卷积层(convolutionallayer)和池化层(pooling layer)等，可以使用ResNet,Inception等常用网络结构。当对卷积神经网络M输入一个图像I时，其输出该图片的特征向量M(I)，该特征向量M(I)对应于图像I的深度特征。
图3示意示出了利用上述正样本对训练卷积神经网络的过程。首先，将正样本对<I,I+>输入卷积神经网络M，获得包括M现有参数的对应于I的特征向量M(I)和对应于I+的特征向量M(I+)。然后，定义距离函数D(M(I)，M(I+))，例如该距离D(M(I)，M(I+))为特征向量M(I)与特征向量M(I+)之间的欧氏距离。在一个实施例中，所述距离D还可以是明氏(Minkowsky)距离、马氏(Manhattan)距离等。而对卷积神经网络进行训练的目的是使得D(M(I)，M(I+))(即上述第一距离)减小。
在该实施例中，采用随机梯度下降法(SGD)对卷积神经网络进行训练。然而，本说明书实施例中对卷积神经网络的训练不限于随机梯度下降法，例如，可以通过批量梯度下降法(BGD)、小批量梯度下降法(MBGD)、适应性动量估计法(Adam)、RMSprop法等本领域公知的优化算法进行训练。如图3所示，在获得D(M(I)，M(I+))之后，对D(M(I)，M(I+))求其各参数导数，并将D(M(I)，M(I+))中的各参数沿其导数负方向移动微小步长，从而使得调整参数之后的D(M(I)，M(I+))的值减小。
在一个实施例中，将N对(例如60对)正样本同时输入卷积神经网络M，以训练该网络M。其中例如通过随机梯度下降法训练M，使得D1+D2+…DN的值减小，其中Di＝D(M(Ii)，M(Ii +))，i＝1至N。
图4示出了根据本说明书实施例的一种训练卷积神经网络的方法，所述卷积神经网络用于处理车险图像，所述方法包括：在步骤S41，获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及在步骤S42，利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
首先，在步骤S41，获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场。
如上文所述，分别对应于两个不同现场(例如，车辆不同、地点不同、或者时间不同等)的两个图像可以组成负样本对<I,I->。可通过对不同现场的车险照片进行人工匹配，获得多对负样本。为了提高对卷积神经网络M的训练准确性，可以对于已有车险照片，在另一个现场人工拍摄与其较为近似的照片，以与其匹配为负样本对。例如，对于特定的车险照片，可以在不同的时间、在相同的地点以相同型号的车辆拍摄对应的匹配照片，以与该车险照片组成负样本对。除人工获取负样本对外，还可以通过对抗神经网络GAN算法来生成负样本对。在一个实施例中，可从第三方直接获取多个负样本对。
在步骤S42，利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
图5示意示出了利用上述负样本对训练卷积神经网络的过程。该过程与图3所示的过程基本相同。将负样本对<I,I->输入卷积神经网络M，获得包括M现有参数的对应于I的特征向量M(I)和对应于I-的特征向量M(I-)。不同在于，在图4中，通过随机梯度下降法，使得-D(M(I)，M(I-))的值减小，也即使得D(M(I)，M(I-))的值增大，即，使得所述负样本对中的两个图像的对应特征向量间距离增大。图5中的通过随机梯度下降法的训练过程与图3中相同，在此不再赘述。
在一个实施例中，将N对(例如60对)负样本同时输入卷积神经网络M，以训练该网络M。其中例如通过随机梯度下降法训练M，使得-(D1-+D2-+…DN-)的值减小，其中Di -＝D(M(Ii)，M(Ii -))，其中i＝1至N。
在一个实施例中，通过使用多个正样本对和多对负样本以上述参考图3和图5所示的过程对卷积神经网络M进行重复训练，从而获得准确率较高的卷积神经网络M。例如，正样本和负样本的对数可以在几万的量级。
在一个实施例中，以多批正样本对(每批数据包括例如60对正样本)，对所述网络M进行重复训练，其中，对于每批正样本对，以上述同时输入一批(例如60对)正样本对的方式对M进行训练。在一个实施例中，以多批负样本对(每批数据包括例如60对负样本)，对所述网络M进行重复训练，其中，对于每批负样本对，以上述同时输入一批(例如60对)负样本对的方式对M进行训练。从而获得准确率较高的网络M。例如，所述批的量级可以在几千的量级。
图6示出了根据本说明书实施例的一种训练卷积神经网络的方法，所述卷积神经网络用于处理车险图像，如图6所示，在步骤S61,获取至少一个正样本对和至少一个负样本对，即，获取至少一个正样本<I,I+>对和至少一个负样本对<I,I->。其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场。
在步骤S62,利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得以对应于各个所述正样本的多个第一距离之和减去对应于各个所述负样本的多个第二距离之和所获得的值减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离，以及其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。也即，利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得(D1+D2+…DN)-(D1 -+D2 -+…DM -)的值减小，其中Di＝D(M(Ii)，M(Ii +))，Dj -＝D(M(Ij)，M(Ij -))，其中i＝1至N，j＝1至M，N≥1且M≥1。
在一个实施例中，以多批样本对(每批样本对中都包括正样本对和负样本对)，以上述同时输入至少一个正样本对和至少一个负样本对的过程对所述网络M进行重复训练，从而获得准确率较高的网络M。例如，所述批的量级可以在几千的量级，每批样本对中可包括几十对样本对。
在一个实施例中，上述第二图像和第三图像可以是相同的图像。在一个实施例中，图1中的训练模块11使用Triplet网络训练卷积神经网络M。Triplet网络需要输入三元样本<I,I+,I->，该三元样本<I,I+,I->包括对应于同一个车险现场的两个图像I和I+，以及对应于与该车险现场不同的另一个车险现场的图像I-。该三元样本可作为上述至少一个正样本对和至少一个负样本对的特例，即，三元样本中的I+和I分别对应于上述第一图像和第二图像，三元样本中的I和I-分别对应于第三图像和第四图像。图7示意示出了利用一组三元样本训练卷积神经网络的过程。首先，将一组三元样本<I,I+,I->输入卷积神经网络M，获得包括M现有参数的对应于I的特征向量M(I)、对应于I+的特征向量M(I+)以及对应于I-的特征向量M(I-)。然后，与图3和图4类似地，利用例如随机梯度下降法训练卷积神经网络M，使得D(M(I)，M(I+))-D(M(I)，M(I-))的值减小。
在一个实施例中，将N组(例如60组)三元样本同时输入卷积神经网络M，以训练该网络。其中例如通过随机梯度下降法训练M，使得(D1+D2+…DN)-(D1 -+D2 -+…DN -)的值减小，其中Di＝D(M(Ii)，M(Ii +))，Di -＝D(M(Ii)，M(Ii -))，其中i＝1至N。
在一个实施例中，通过使用多组三元样本如图7所示对卷积神经网络M进行重复训练，从而获得准确率较高的卷积神经网络M。例如，三元样本的组数可以在几万的量级。
在一个实施例中，通过以多批三元样本(每批数据包括例如60组三元样本)，以上述同时输入一批(例如60组)三元样本的过程对所述网络M进行重复训练，从而获得准确率较高的网络M。例如，所述批的量级可以在几千的量级。
在一个实施例中，在图1的训练模块11中包括Siamese网络和Triplet网络两个训练网络，从而通过多个正样本对、负样本对以及三元样本组共同训练卷积神经网络M，以提高M的准确性。
通过根据本说明书实施例的方法训练卷积神经网络M，所获得的网络M可以从输入的车险图像中准确地计算出对应于其的特征向量，从而提高了后续对车险图像处理的准确率和召回率。
图8示出了根据本说明书实施例的车险图像处理方法，包括以下步骤：在步骤S81,获取N个车险图像，N为大于等于2的自然数；在步骤S82，将所述车险图像输入通过根据上述训练方法获得的卷积神经网络，获取分别对应于所述车险图像的N个特征向量；在步骤S83,计算所述特征向量中任意两个特征向量之间的距离；以及，在步骤S84,在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。
首先，在步骤S81,获取N个车险图像，N为大于等于2的自然数。在一个实施例中，可通过由保险业务员在车祸现场进行拍摄，而获取一组N个车险图像。或者，在一个实施例中，由出险者自行拍摄并上传，而获取所述N个车险图像。一般情况下，N可以为几个，也可以为几十个，在一些较为复杂的车辆事故的情况中，N可以为几百个。可以将所述N个车险图像分别表示为I1,I2,…,IN。
然后，在步骤S82，将所述车险图像输入通过上述训练方法获得的卷积神经网络，获取分别对应于所述车险图像的N个特征向量。即，通过将I1,I2,…,IN输入上述训练好的卷积神经网络M，获取对应的N个特征向量M1(I1),M2(I2),…MN(IN)。
之后，在步骤S83,计算所述特征向量中任意两个特征向量之间的距离。也就是说，对于N个特征向量M1(I1),M2(I2),…MN(IN)中任意两个特征向量，可以计算其距离Dk(Mi(Ii)，Mj(Ij))，其中i≠j。显然，一共可以计算N(N-1)/2个距离{D1,D2,…,DN(N-1)/2}，即，k的取值为1至N(N-1)/2。
在步骤S84，在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。在一个实施例中，可基于上述用于训练卷积神经网络M的正样本对和负样本对确定该第一预定阈值T，使得对于全部正样本对和负样本对，D(M(I),M(I+))<T且D(M(I),M(I-))>T的概率最大。例如，在理想情况下，D(M(I),M(I+))小于D(M(I),M(I-))，在该情况中，T可以取值为D(M(I),M(I+))至D(M(I),M(I-))区间中的任何值。然而，通常情况下，并不是每个正样本对的距离都小于全部负样本对的距离，也并不是每个负样本对的距离都大于全部正样本对的距离。例如，正样本对中可能存在未人工挑拣出的不同车险现场的照片，或者，正样本对中的两个图像虽然来自于同一个车险现场，但是由于其拍摄角度的问题等，使得其各自对应的特征向量之间的距离偏大。但是，较大概率的正样本对的距离会小于全部负样本对的距离，并且较大概率的负样本对的距离会大于全部正样本对的距离。例如，95％的正样本对的距离位于小于a的区间中(a为正数)，95％的负样本对的距离位于大于b的区间中(b为正数)，其中a<b。在该情况下，可以将T取值在a和b之间，以使得对于全部正样本对和负样本对，D(M(I),M(I+))<T且D(M(I),M(I-))>T的概率最大。从而通过如上所述选择第一预定阈值T，可以使得对车险图像是否存在异常的判断的准确率和召回率都较高。在一个实施例中，可通过对全部正样本对和负样本对绘制PR曲线或ROC曲线，而从所述曲线中获得使得准确率和召回率都最高的阈值T。
当某个距离Dk(Mi(Ii)，Mj(Ij))大于上述阈值T时，说明该对样本(Ii，Ij)是负样本对的可能性较高，即，Ii与Ij可能不是对应于一个车险现场的照片，也就是说，Ii或Ij存在异常，它们中的一个或两个可能是混入车险图像中的可疑图像。
在一个实施例中，累计{D1,D2,…,DN(N-1)/2}中大于所述阈值T的Dk的个数，从而得到第一概率P1＝B/N。该第一概率P1可表示一组车险图像中存在欺诈的概率，当P1较大时，存在欺诈的可能较大，可认定该组车险图像总体存在异常。可设定第二预定阈值，在第一概率P1大于第二预定阈值的情况中，确定所述N个车险图像总体存在异常。例如，将第二预定阈值设为1，当P1>1时，可确定一组车险图像总体存在异常。从而可要求出险者重新提供一组车险图像，或者将该组车险图像转为人工检查，或者将这组照片中确定为可疑图像的图像转为人工检查。
在一个实施例中，在确定与所述距离对应的两个车险图像存在异常之后，累计所述N个车险图像中存在异常的车险图像的个数M，计算第二概率P2＝M/N，该第二概率P2可表示一组车险图像中存在欺诈的概率，当P2较大时，存在欺诈的可能较大，可认定该组车险图像总体存在异常。可设定第三预定阈值，在第二概率P2大于第三预定阈值的情况中，确定所述N个车险图像总体存在异常。例如，将第三预定阈值设为0.1，当P2>0.1时，可确定一组车险图像总体存在异常。从而可要求出险者重新提供一组车险图像，或者将该组车险图像转为人工检查，或者将这组照片中确定为可疑图像的图像转为人工检查。
图9示出了根据本说明书实施例的一种训练用于处理车险图像的卷积神经网络的装置900。所述装置900包括：获取单元91，配置为，获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；以及训练单元92，配置为，利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。
本说明书实施例还包括一种训练用于处理车险图像的卷积神经网络的装置，包括：获取单元，配置为，获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及训练单元，配置为，利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
本说明书实施例还包括一种训练用于处理车险图像的卷积神经网络的装置，包括：获取单元，配置为，获取至少一个正样本对和至少一个负样本对，其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及训练单元，配置为，利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得以对应于各个所述正样本的至少一个第一距离之和减去对应于各个所述负样本的至少一个第二距离之和所获得的值减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离，以及其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
图10示出了根据本说明书实施例的一种车险图像处理装置1000，包括：获取单元101，配置为，获取N个车险图像，N为大于等于2的自然数；特征获得单元102，配置为，将所述车险图像输入通过上述训练方法获得的卷积神经网络，获得分别对应于所述车险图像的N个特征向量；计算单元103，配置为，计算所述特征向量中任意两个特征向量之间的距离；以及确定单元104，配置为，在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。
在一个实施例中，所述车险图像处理装置还包括，第二确定单元，配置为，在确定与所述距离对应的两个车险图像存在异常之后，确定大于第一预定阈值的距离的个数B，第二计算单元，配置为，计算第一概率P1＝B/N，以及第三确定单元，配置为，在第一概率大于第二预定阈值的情况中，确定所述N个车险图像总体存在异常。
在一个实施例中，所述车险图像处理装置还包括第四确定单元，配置为，在确定与所述距离对应的两个车险图像存在异常之后，确定所述N个车险图像中存在异常的车险图像的个数M，第三计算单元，配置为，计算第二概率P2＝M/N，以及第五确定单元，配置为，在第二概率大于第三预定阈值的情况中，确定所述N个车险图像总体存在异常。
本说明书一个实施例提供一种计算机可读的存储介质，其上存储有指令代码，所述指令代码在计算机中执行时，令计算机执行上述训练卷积神经网络的方法和/或车险图像处理方法。
本说明书一个实施例提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述训练卷积神经网络的方法和/或车险图像处理方法。
通过上述根据本说明书实施例的训练卷积神经网络的方法和装置以及车险图像处理方法和装置，可以以较高的准确率和召回率快速处理车险图像，从而实现了对车险图像的快速自动的处理，加快了车险处理的速度，也节省了用于车险图像判定的人工处理。
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种训练用于处理车险图像的卷积神经网络的方法，包括：
获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；以及
利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。
2.一种训练用于处理车险图像的卷积神经网络的方法，包括：
获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及
利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
3.一种训练用于处理车险图像的卷积神经网络的方法，包括：
获取至少一个正样本对和至少一个负样本对，其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及
利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得以对应于各个所述正样本的至少一个第一距离之和减去对应于各个所述负样本的至少一个第二距离之和所获得的值减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离，以及其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
4.根据权利要求1-3中任一项所述的训练用于处理车险图像的卷积神经网络的方法，其中所述距离为欧式距离。
5.一种训练用于处理车险图像的卷积神经网络的装置，包括：
获取单元，配置为，获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；以及
训练单元，配置为，利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。
6.一种训练用于处理车险图像的卷积神经网络的装置，包括：
获取单元，配置为，获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及
训练单元，配置为，利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
7.一种训练用于处理车险图像的卷积神经网络的装置，包括：
获取单元，配置为，获取至少一个正样本对和至少一个负样本对，其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及
训练单元，配置为，利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得以对应于各个所述正样本的至少一个第一距离之和减去对应于各个所述负样本的至少一个第二距离之和所获得的值减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离，以及其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。
8.根据权利要求5-7中任一项所述的训练用于处理车险图像的卷积神经网络的装置，其中所述距离为欧式距离。
9.一种车险图像处理方法，包括：
获取N个车险图像，N为大于等于2的自然数；
将所述车险图像输入通过根据权利要求1-4中任一项所述的方法训练的卷积神经网络，获得分别对应于所述车险图像的N个特征向量；
计算所述特征向量中任意两个特征向量之间的距离；以及
在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。
10.根据权利要求9所述的车险图像处理方法，还包括，
在确定与所述距离对应的两个车险图像存在异常之后，确定大于第一预定阈值的距离的个数B，
计算第一概率P1＝B/N，以及
在第一概率大于第二预定阈值的情况中，确定所述N个车险图像总体存在异常。
11.根据权利要求9所述的车险图像处理方法，还包括，
在确定与所述距离对应的两个车险图像存在异常之后，确定所述N个车险图像中存在异常的车险图像的个数M，
计算第二概率P2＝M/N，以及
在第二概率大于第三预定阈值的情况中，确定所述N个车险图像总体存在异常。
12.一种车险图像处理装置，包括：
获取单元，配置为，获取N个车险图像，N为大于等于2的自然数；
特征获得单元，配置为，将所述车险图像输入通过根据权利要求1-4中任一项所述的方法训练的卷积神经网络，获得分别对应于所述车险图像的N个特征向量；
第一计算单元，配置为，计算所述特征向量中任意两个特征向量之间的距离；以及
第一确定单元，配置为，在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。
13.根据权利要求12所述的车险图像处理装置，还包括，
第二确定单元，配置为，在确定与所述距离对应的两个车险图像存在异常之后，确定大于第一预定阈值的距离的个数B，
第二计算单元，配置为，计算第一概率P1＝B/N，以及
第三确定单元，配置为，在第一概率大于第二预定阈值的情况中，确定所述N个车险图像总体存在异常。
14.根据权利要求12所述的车险图像处理装置，还包括，
第四确定单元，配置为，在确定与所述距离对应的两个车险图像存在异常之后，确定所述N个车险图像中存在异常的车险图像的个数M，
第三计算单元，配置为，计算第二概率P2＝M/N，以及
第五确定单元，配置为，在第二概率大于第三预定阈值的情况中，确定所述N个车险图像总体存在异常。
15.一种计算机可读的存储介质，其上存储有指令代码，所述指令代码在计算机中执行时，令计算机执行权利要求1-4和9-11中任一项所述的方法。
16.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-4和9-11中任一项所述的方法。
CN201810148839.8A 2018-02-13 2018-02-13 车险图像处理方法和装置 Pending CN108399382A (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN201810148839.8A CN108399382A (zh) 2018-02-13 2018-02-13 车险图像处理方法和装置
TW107141236A TWI715888B (zh) 2018-02-13 2018-11-20 車險影像處理方法、裝置、電腦可讀取儲存媒體和計算設備
EP19709166.3A EP3701419A1 (en) 2018-02-13 2019-02-13 Vehicle accident image processing method and apparatus
PCT/US2019/017828 WO2019160935A1 (en) 2018-02-13 2019-02-13 Vehicle accident image processing method and apparatus
US16/274,930 US10891515B2 (en) 2018-02-13 2019-02-13 Vehicle accident image processing method and apparatus
SG11202004464SA SG11202004464SA (en) 2018-02-13 2019-02-13 Vehicle accident image processing method and apparatus
US16/722,919 US10891517B2 (en) 2018-02-13 2019-12-20 Vehicle accident image processing method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810148839.8A CN108399382A (zh) 2018-02-13 2018-02-13 车险图像处理方法和装置

Publications (1)

Publication Number Publication Date
CN108399382A true CN108399382A (zh) 2018-08-14

Family

ID=63095618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810148839.8A Pending CN108399382A (zh) 2018-02-13 2018-02-13 车险图像处理方法和装置

Country Status (6)

Country Link
US (2) US10891515B2 (zh)
EP (1) EP3701419A1 (zh)
CN (1) CN108399382A (zh)
SG (1) SG11202004464SA (zh)
TW (1) TWI715888B (zh)
WO (1) WO2019160935A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019160935A1 (en) * 2018-02-13 2019-08-22 Alibaba Group Holding Limited Vehicle accident image processing method and apparatus
WO2020073510A1 (zh) * 2018-10-11 2020-04-16 平安科技（深圳）有限公司 一种基于神经网络的车辆定损方法、服务器及介质
EP3848887A4 (en) * 2018-09-04 2022-06-01 Advanced New Technologies Co., Ltd. GAN NETWORK-BASED VEHICLE DAMAGE IMAGE ENHANCEMENT METHOD AND APPARATUS

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019204318A1 (de) * 2019-03-28 2020-10-01 Conti Temic Microelectronic Gmbh Automatische Erkennung und Klassifizierung von Adversarial Attacks
FR3104291B1 (fr) * 2019-12-04 2022-03-04 Psa Automobiles Sa Procédé et système de configuration d’un dispositif d’imagerie d’un véhicule automobile comportant N capteurs et N réseaux de neurones encodeurs dédiés
CN111144485B (zh) * 2019-12-26 2023-07-21 北京中交兴路车联网科技有限公司 基于xgboost分类算法的车辆事故判断方法和***
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
CN113033408B (zh) * 2021-03-26 2023-10-20 北京百度网讯科技有限公司 数据队列动态更新方法、装置、电子设备及存储介质
CN113538193A (zh) * 2021-06-30 2021-10-22 东莞市绿灯网络科技有限公司 基于人工智能和计算机视觉的交通事故处理方法和***
US11875496B2 (en) * 2021-08-25 2024-01-16 Genpact Luxembourg S.à r.l. II Dimension estimation using duplicate instance identification in a multiview and multiscale system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184778A (zh) * 2015-08-25 2015-12-23 广州视源电子科技股份有限公司 一种检测方法及装置
CN105424330A (zh) * 2014-08-29 2016-03-23 北京航空航天大学 一种货车轴端螺栓故障检测方法及装置
CN106022220A (zh) * 2016-05-09 2016-10-12 西安北升信息科技有限公司 一种体育视频中对参赛运动员进行多人脸跟踪的方法
CN106469299A (zh) * 2016-08-31 2017-03-01 北京邮电大学 一种车辆搜索方法及装置

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7016529B2 (en) 2002-03-15 2006-03-21 Microsoft Corporation System and method facilitating pattern recognition
US20060036372A1 (en) * 2004-03-18 2006-02-16 Bulent Yener Method and apparatus for tissue modeling
US7474775B2 (en) * 2005-03-31 2009-01-06 University Of Iowa Research Foundation Automatic detection of red lesions in digital color fundus photographs
US8660358B1 (en) * 2011-02-18 2014-02-25 Google Inc. Rank-based image piling
IL231862A (en) 2014-04-01 2015-04-30 Superfish Ltd Image representation using a neural network
US9346167B2 (en) 2014-04-29 2016-05-24 Brain Corporation Trainable convolutional network apparatus and methods for operating a robotic vehicle
JP5928748B2 (ja) * 2014-07-31 2016-06-01 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 同一種類の複数の認識対象物体が検索対象画像中に存在する場合に、それぞれの認識対象物体の位置および向きを精度良く求める手法
EP3161728B1 (en) 2014-10-10 2023-05-17 Beijing Kuangshi Technology Co., Ltd. Hierarchical interlinked multi-scale convolutional network for image parsing
US9786036B2 (en) 2015-04-28 2017-10-10 Qualcomm Incorporated Reducing image resolution in deep convolutional networks
US10909459B2 (en) * 2016-06-09 2021-02-02 Cognizant Technology Solutions U.S. Corporation Content embedding using deep metric learning algorithms
US20180108150A1 (en) * 2016-10-17 2018-04-19 Dsi Assignments, Llc Systems and methods for in-field stereocamera calibration
TWI607387B (zh) * 2016-11-25 2017-12-01 財團法人工業技術研究院 字符辨識系統及其字符辨識方法
US10510142B1 (en) * 2017-01-13 2019-12-17 United Services Automobile Association (Usaa) Estimation using image analysis
CN107358596B (zh) * 2017-04-11 2020-09-18 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及***
CN107392218B (zh) * 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN107292291B (zh) * 2017-07-19 2020-04-03 北京智芯原动科技有限公司 一种车辆识别方法和***
CN108399382A (zh) * 2018-02-13 2018-08-14 阿里巴巴集团控股有限公司 车险图像处理方法和装置
US11205096B2 (en) * 2018-11-19 2021-12-21 Google Llc Training image-to-image translation neural networks
US10373027B1 (en) * 2019-01-30 2019-08-06 StradVision, Inc. Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same
US10699192B1 (en) * 2019-01-31 2020-06-30 StradVision, Inc. Method for optimizing hyperparameters of auto-labeling device which auto-labels training images for use in deep learning network to analyze images with high precision, and optimizing device using the same

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105424330A (zh) * 2014-08-29 2016-03-23 北京航空航天大学 一种货车轴端螺栓故障检测方法及装置
CN105184778A (zh) * 2015-08-25 2015-12-23 广州视源电子科技股份有限公司 一种检测方法及装置
CN106022220A (zh) * 2016-05-09 2016-10-12 西安北升信息科技有限公司 一种体育视频中对参赛运动员进行多人脸跟踪的方法
CN106469299A (zh) * 2016-08-31 2017-03-01 北京邮电大学 一种车辆搜索方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019160935A1 (en) * 2018-02-13 2019-08-22 Alibaba Group Holding Limited Vehicle accident image processing method and apparatus
US10891517B2 (en) 2018-02-13 2021-01-12 Advanced New Technologies Co., Ltd. Vehicle accident image processing method and apparatus
US10891515B2 (en) 2018-02-13 2021-01-12 Advanced New Technologies Co., Ltd. Vehicle accident image processing method and apparatus
EP3848887A4 (en) * 2018-09-04 2022-06-01 Advanced New Technologies Co., Ltd. GAN NETWORK-BASED VEHICLE DAMAGE IMAGE ENHANCEMENT METHOD AND APPARATUS
WO2020073510A1 (zh) * 2018-10-11 2020-04-16 平安科技（深圳）有限公司 一种基于神经网络的车辆定损方法、服务器及介质

Also Published As

Publication number Publication date
TWI715888B (zh) 2021-01-11
SG11202004464SA (en) 2020-06-29
US10891517B2 (en) 2021-01-12
US20190251395A1 (en) 2019-08-15
EP3701419A1 (en) 2020-09-02
US10891515B2 (en) 2021-01-12
US20200125895A1 (en) 2020-04-23
WO2019160935A1 (en) 2019-08-22
TW201935308A (zh) 2019-09-01

Similar Documents

Publication Publication Date Title
CN108399382A (zh) 车险图像处理方法和装置
CN110909693B (zh) 3d人脸活体检测方法、装置、计算机设备及存储介质
CN112232450B (zh) 一种综合多阶段的难例样本挖掘方法、目标检测方法
CN109118504B (zh) 一种基于神经网络的图像边缘检测方法、装置及其设备
CN111340077B (zh) 基于注意力机制的视差图获取方法和装置
US20190034704A1 (en) Method and apparatus for face classification
CN109472193A (zh) 人脸检测方法及装置
CN111160229B (zh) 基于ssd网络的视频目标检测方法及装置
CN112668522B (zh) 一种人体关键点与人体掩码联合检测网络及方法
CN109919252A (zh) 利用少数标注图像生成分类器的方法
CN112215780B (zh) 基于类特征修复融合的图像取证对抗性攻击防御方法
CN113642685B (zh) 一种高效的基于相似度的跨摄像头的目标重识别方法
CN110135428B (zh) 图像分割处理方法和装置
CN113240050B (zh) 一种特征融合权重可调的金属打印熔池检测方法
CN111310720A (zh) 基于图度量学习的行人重识别方法及***
CN112801890B (zh) 一种视频处理方法、装置及设备
CN107729877B (zh) 一种基于级联分类器的人脸检测方法及装置
CN112084936A (zh) 一种人脸图像预处理方法、装置、设备及存储介质
CN110059617A (zh) 一种目标物体的识别方法及装置
TWI803243B (zh) 圖像擴增方法、電腦設備及儲存介質
CN113256541B (zh) 利用机器学***台监控画面进行去水雾的方法
CN114842417A (zh) 基于坐标注意力机制融合的反无人机***图像识别方法
CN111127327B (zh) 一种图片倾斜检测方法及装置
CN112288748B (zh) 一种语义分割网络训练、图像语义分割方法及装置
CN108256633B (zh) 一种测试深度神经网络稳定性的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20180814

RJ01 Rejection of invention patent application after publication