TW201935308A - 車險影像處理方法和裝置 - Google Patents
車險影像處理方法和裝置 Download PDFInfo
- Publication number
- TW201935308A TW201935308A TW107141236A TW107141236A TW201935308A TW 201935308 A TW201935308 A TW 201935308A TW 107141236 A TW107141236 A TW 107141236A TW 107141236 A TW107141236 A TW 107141236A TW 201935308 A TW201935308 A TW 201935308A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- distance
- neural network
- convolutional neural
- insurance
- Prior art date
Links
Classifications
-
- 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
- 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
- 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
本說明書實施例揭示一種訓練用於處理車險影像的卷積神經網路的方法和裝置以及車險影像處理方法和裝置,所述車險影像處理方法包括:獲取N個車險影像,N為大於等於2的自然數;將所述車險影像輸入透過根據本說明書實施例的訓練方法訓練的卷積神經網路,獲得分別對應於所述車險影像的N個特徵向量;計算所述特徵向量中任意兩個特徵向量之間的距離;以及在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。
Description
本發明有關影像處理領域,具體地,有關一種訓練用於處理車險影像的卷積神經網路的方法和裝置、以及車險影像處理方法和裝置。
隨著汽車逐漸成為普遍的代步工具,車險市場也得到了快速發展。車險業務呈明顯增多的趨勢。如何快速準確地進行車險定損,是車險業務中非常重要的一環。在進行車險定損核損時,需要一組在車險現場拍攝的照片,這組照片可以由業務員去現場拍攝採集,或者也可以由出險者自行拍照併發送給業務員。在一些情況中,車險照片中可能人為混入了非車險現場拍攝的照片,可能相似但不是同一輛車,或者在不同地點拍攝,或者不同時間補拍。有些拍攝設備會在照片中儲存拍照時間、拍照設備、拍攝位置等中繼資料資訊,可以用來判斷照片是否是在同一車險現場拍攝。但是並不是所有照片都包含上述時間地點等中繼資料,並且這種時間地點等中繼資料也非常容易被修改。而人工檢測照片需要大量的人力,並且不能保證檢測的品質。因此,需要一種更有效的處理車險照片的方案。
本說明書實施例旨在提供一種更有效的處理車險照片的方案,以解決現有技術中的不足。
為實現上述目的,本說明書一個方面提供一種訓練用於處理車險影像的卷積神經網路的方法,包括:獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場;利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
本說明書另一方面提供一種訓練用於處理車險影像的卷積神經網路的方法,包括:獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
本說明書另一方面提供一種訓練用於處理車險影像的卷積神經網路的方法,包括:獲取至少一個正樣本對和至少一個負樣本對,其中,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得以對應於各個所述正樣本的至少一個第一距離之和減去對應於各個所述負樣本的至少一個第二距離之和所獲得的值減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離,以及其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
在一個實施例中,在所述訓練卷積神經網路的方法中,所述距離為歐式距離。
本說明書另一方面提供一種用於處理車險影像的訓練卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場;以及訓練單元,配置為,利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
本說明書另一方面提供一種訓練用於處理車險影像的卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及訓練單元,配置為,利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
本說明書另一方面提供一種訓練用於處理車險影像的卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個正樣本對和至少一個負樣本對,其中,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及訓練單元,配置為,利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得以對應於各個所述正樣本的至少一個第一距離之和減去對應於各個所述負樣本的至少一個第二距離之和所獲得的值減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離,以及其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
本說明書另一方面提供一種車險影像處理方法,包括:獲取N個車險影像,N為大於等於2的自然數;將所述車險影像輸入透過上述訓練方法獲得的卷積神經網路,獲得分別對應於所述車險影像的N個特徵向量;計算所述特徵向量中任意兩個特徵向量之間的距離;以及在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。
在一個實施例中,所述車險影像處理方法還包括,在確定與所述距離對應的兩個車險影像存在異常之後,確定大於第一預定閾值的距離的個數B,計算第一機率P1= B/N,以及在第一機率大於第二預定閾值的情況中,確定所述N個車險影像總體存在異常。
在一個實施例中,所述車險影像處理方法,還包括,在確定與所述距離對應的兩個車險影像存在異常之後,確定所述N個車險影像中存在異常的車險影像的個數M,計算第二機率P2=M/N,以及在第二機率大於第三預定閾值的情況中,確定所述N個車險影像總體存在異常。
本說明書另一方面提供一種車險影像處理裝置,包括:獲取單元,配置為,獲取N個車險影像,N為大於等於2的自然數;輸入單元,配置為,將所述車險影像輸入透過上述訓練方法獲得的卷積神經網路,獲得分別對應於所述車險影像的N個特徵向量;第一計算單元,配置為,計算所述特徵向量中任意兩個特徵向量之間的距離;以及第一確定單元,配置為,在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。
在一個實施例中,所述車險影像處理裝置,還包括,第二確定單元,配置為,在確定與所述距離對應的兩個車險影像存在異常之後,確定大於第一預定閾值的距離的個數B,第二計算單元,配置為,計算第一機率P1=B/N,以及第三確定單元,配置為,在第一機率大於第二預定閾值的情況中,確定所述N個車險影像總體存在異常。
在一個實施例中,所述車險影像處理裝置,還包括,第四確定單元,配置為,在確定與所述距離對應的兩個車險影像存在異常之後,確定所述N個車險影像中存在異常的車險影像的個數M,第三計算單元,配置為,計算第二機率P2=M/N,以及第四確定單元,配置為,在第二機率大於第三預定閾值的情況中,確定所述N個車險影像總體存在異常。
本說明書另一方面提供一種電腦可讀的儲存媒體,其上儲存有指令代碼,所述指令代碼在電腦中執行時,令電腦執行上述訓練卷積神經網路的方法和/或車險影像處理方法。
本說明書另一方面提供一種計算設備,包括記憶體和處理器,所述記憶體中儲存有可執行代碼,所述處理器執行所述可執行代碼時,實現上述訓練卷積神經網路的方法和/或車險影像處理方法。
透過上述根據本說明書實施例的訓練用於處理車險影像的卷積神經網路的方法和裝置以及車險影像處理方法和裝置,可以以較高的準確率和召回率快速處理車險影像,從而實現了對車險影像的快速自動的處理。
為實現上述目的,本說明書一個方面提供一種訓練用於處理車險影像的卷積神經網路的方法,包括:獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場;利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
本說明書另一方面提供一種訓練用於處理車險影像的卷積神經網路的方法,包括:獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
本說明書另一方面提供一種訓練用於處理車險影像的卷積神經網路的方法,包括:獲取至少一個正樣本對和至少一個負樣本對,其中,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得以對應於各個所述正樣本的至少一個第一距離之和減去對應於各個所述負樣本的至少一個第二距離之和所獲得的值減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離,以及其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
在一個實施例中,在所述訓練卷積神經網路的方法中,所述距離為歐式距離。
本說明書另一方面提供一種用於處理車險影像的訓練卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場;以及訓練單元,配置為,利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
本說明書另一方面提供一種訓練用於處理車險影像的卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及訓練單元,配置為,利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
本說明書另一方面提供一種訓練用於處理車險影像的卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個正樣本對和至少一個負樣本對,其中,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及訓練單元,配置為,利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得以對應於各個所述正樣本的至少一個第一距離之和減去對應於各個所述負樣本的至少一個第二距離之和所獲得的值減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離,以及其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
本說明書另一方面提供一種車險影像處理方法,包括:獲取N個車險影像,N為大於等於2的自然數;將所述車險影像輸入透過上述訓練方法獲得的卷積神經網路,獲得分別對應於所述車險影像的N個特徵向量;計算所述特徵向量中任意兩個特徵向量之間的距離;以及在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。
在一個實施例中,所述車險影像處理方法還包括,在確定與所述距離對應的兩個車險影像存在異常之後,確定大於第一預定閾值的距離的個數B,計算第一機率P1= B/N,以及在第一機率大於第二預定閾值的情況中,確定所述N個車險影像總體存在異常。
在一個實施例中,所述車險影像處理方法,還包括,在確定與所述距離對應的兩個車險影像存在異常之後,確定所述N個車險影像中存在異常的車險影像的個數M,計算第二機率P2=M/N,以及在第二機率大於第三預定閾值的情況中,確定所述N個車險影像總體存在異常。
本說明書另一方面提供一種車險影像處理裝置,包括:獲取單元,配置為,獲取N個車險影像,N為大於等於2的自然數;輸入單元,配置為,將所述車險影像輸入透過上述訓練方法獲得的卷積神經網路,獲得分別對應於所述車險影像的N個特徵向量;第一計算單元,配置為,計算所述特徵向量中任意兩個特徵向量之間的距離;以及第一確定單元,配置為,在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。
在一個實施例中,所述車險影像處理裝置,還包括,第二確定單元,配置為,在確定與所述距離對應的兩個車險影像存在異常之後,確定大於第一預定閾值的距離的個數B,第二計算單元,配置為,計算第一機率P1=B/N,以及第三確定單元,配置為,在第一機率大於第二預定閾值的情況中,確定所述N個車險影像總體存在異常。
在一個實施例中,所述車險影像處理裝置,還包括,第四確定單元,配置為,在確定與所述距離對應的兩個車險影像存在異常之後,確定所述N個車險影像中存在異常的車險影像的個數M,第三計算單元,配置為,計算第二機率P2=M/N,以及第四確定單元,配置為,在第二機率大於第三預定閾值的情況中,確定所述N個車險影像總體存在異常。
本說明書另一方面提供一種電腦可讀的儲存媒體,其上儲存有指令代碼,所述指令代碼在電腦中執行時,令電腦執行上述訓練卷積神經網路的方法和/或車險影像處理方法。
本說明書另一方面提供一種計算設備,包括記憶體和處理器,所述記憶體中儲存有可執行代碼,所述處理器執行所述可執行代碼時,實現上述訓練卷積神經網路的方法和/或車險影像處理方法。
透過上述根據本說明書實施例的訓練用於處理車險影像的卷積神經網路的方法和裝置以及車險影像處理方法和裝置,可以以較高的準確率和召回率快速處理車險影像,從而實現了對車險影像的快速自動的處理。
下面將結合圖式描述本說明書實施例。
圖1顯示根據本說明書實施例的系統100的示意圖。系統100包括訓練部分101和處理部分102。訓練部分101中包括訓練模組11,訓練模組11可以使用Siamese網路或中Triplet網路等,在所述訓練模組11中包含卷積神經網路,以對該卷積神經網路進行訓練。卷積神經網路由卷積層、啟動層、歸一化層、池化層等組成,可以使用ResNet、 Inception等常用網路結構。透過將大量車險影像(對應於Siamese網路的正樣本對和負樣本對、對應於Triplet網路的三元樣本等)輸入該訓練模組11,用於訓練卷積神經網路,從而獲得可用於處理車險照片的卷積神經網路。
在本說明書實施例中,所述影像可以包括各種圖形和影像的總稱,通常指具有視覺效果的畫面,一般可以包括紙介質上的、底片或照片上的、電視、投影儀或電腦螢幕等上的畫面。本實施例中所述的車險影像可以包括透過照相或攝像設備拍攝後儲存在可讀儲存媒體上的電腦影像資料,可以包括向量圖、點陣圖,靜態、動態影像等多種類型的電腦影像。
處理部分102包括特徵獲得模組12和決策模組13。特徵獲得模組12包括透過上述訓練模組11訓練獲得的卷積神經網路。透過將一組車險影像輸入該特徵獲得模組12,特徵獲得模組12可以從這組車險影像中分別獲得對應於其的多個特徵向量,並將其發送給決策模組13。決策模組13根據其決策演算法,對所述多個特徵向量進行計算,以獲得決策結果,從而判斷這組車險影像是否存在異常。
下面結合實例具體描述根據本說明書實施例的方法。
圖2顯示根據本說明書實施例的一種訓練卷積神經網路M的方法,所述卷積神經網路M用於處理車險影像。如圖1所示,所述方法包括以下步驟:在步驟S21,獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場;以及,在步驟S22,利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
首先,在步驟S21,獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場。在一個實施例中,圖1中的訓練模組11使用Siamese網路訓練卷積神經網路M。Siamese網路需要輸入成對的影像,即正樣本對或負樣本對。對應於同一個真實車險現場的任何兩個影像可組成正樣本對<I,I+ >。分別對應於兩個不同現場(例如,車輛不同、地點不同、或者時間不同等)的兩個影像可以組成負樣本對<I,I- >。
透過獲取對應於一個真實車險現場的任何兩個影像,亦即,第一影像和第二影像,從而可獲取正樣本對。其中,可透過由保險業務員在車禍現場進行拍攝,而獲取對應於一個真實車險現場的一組車險照片,或者由出險者自行拍攝並上傳,而獲取對應於一個真實車險現場的一組車險照片,或者也可以從第三方獲取多組真實車險現場照片。對這些車險現場照片可進行人工驗證,以確保每組照片對應於同一個車險現場。
在步驟S22,利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
卷積神經網路是一種前饋神經網路,它的人工神經元可以回應一部分覆蓋範圍內的周圍單元,對於大型影像處理有出色表現。卷積神經網路包括卷積層(convolutional layer)和池化層(pooling layer)等,可以使用ResNet、 Inception等常用網路結構。當對卷積神經網路M輸入一個影像I時,其輸出該圖片的特徵向量M(I),該特徵向量M(I)對應於影像I的深度特徵。
圖3示意顯示利用上述正樣本對訓練卷積神經網路的過程。首先,將正樣本對<I,I+ >輸入卷積神經網路M,獲得包括M現有參數的對應於I的特徵向量M(I)和對應於I+ 的特徵向量M(I+ )。然後,定義距離函數D(M(I),M(I+ )),例如該距離D(M(I),M(I+ ))為特徵向量M(I)與特徵向量M(I+ )之間的歐氏距離。在一個實施例中,所述距離D還可以是明氏(Minkowsky)距離、馬氏(Manhattan)距離等。而對卷積神經網路進行訓練的目的是使得D(M(I),M(I+ ))(即上述第一距離)減小。
在該實施例中,採用隨機梯度下降法(SGD)對卷積神經網路進行訓練。然而,本說明書實施例中對卷積神經網路的訓練不限於隨機梯度下降法,例如,可以透過批量梯度下降法(BGD)、小批量梯度下降法(MBGD)、適應性動量估計法(Adam)、RMSprop法等本領域公知的最佳化演算法進行訓練。如圖3所示,在獲得D(M(I),M(I+ ))之後,對D(M(I),M(I+ ))求其各參數導數,並將D(M(I),M(I+ ))中的各參數沿其導數負方向移動微小步長,從而使得調整參數之後的D(M(I),M(I+ ))的值減小。
在一個實施例中,將N對(例如60對)正樣本同時輸入卷積神經網路M,以訓練該網路M。其中例如透過隨機梯度下降法訓練M,使得D1 +D2 +…DN 的值減小,其中Di = D(M(Ii ),M(Ii + )),i=1至N。
圖4顯示根據本說明書實施例的一種訓練卷積神經網路的方法,所述卷積神經網路用於處理車險影像,所述方法包括:在步驟S41,獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及在步驟S42,利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
首先,在步驟S41,獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場。
如上文所述,分別對應於兩個不同現場(例如,車輛不同、地點不同、或者時間不同等)的兩個影像可以組成負樣本對<I,I- >。可透過對不同現場的車險照片進行人工匹配,獲得多對負樣本。為了提高對卷積神經網路M的訓練準確性,可以對於已有車險照片,在另一個現場人工拍攝與其較為近似的照片,以與其匹配為負樣本對。例如,對於特定的車險照片,可以在不同的時間、在相同的地點以相同型號的車輛拍攝對應的匹配照片,以與該車險照片組成負樣本對。除人工獲取負樣本對外,還可以透過對抗神經網路GAN演算法來產生負樣本對。在一個實施例中,可從第三造直接獲取多個負樣本對。
在步驟S42,利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
圖5示意顯示利用上述負樣本對訓練卷積神經網路的過程。該過程與圖3所示的過程基本相同。將負樣本對<I,I- >輸入卷積神經網路M,獲得包括M現有參數的對應於I的特徵向量M(I)和對應於I- 的特徵向量M(I- )。不同在於,在圖4中,透過隨機梯度下降法,使得-D(M(I),M(I- ))的值減小,也即使得D(M(I),M(I- ))的值增大,即,使得所述負樣本對中的兩個影像的對應特徵向量間距離增大。圖5中的透過隨機梯度下降法的訓練過程與圖3中相同,在此不再贅述。
在一個實施例中,將N對(例如,60對)負樣本同時輸入卷積神經網路M,以訓練該網路M。其中例如透過隨機梯度下降法訓練M,使得-(D1 - +D2 - +…DN - )的值減小,其中Di - = D(M(Ii ),M(Ii - )),其中i=1至N。
在一個實施例中,透過使用多個正樣本對和多對負樣本以上述參考圖3和圖5所示的方式對卷積神經網路M進行重複訓練,從而獲得準確率較高的卷積神經網路M。例如,正樣本和負樣本的對數可以在幾萬的量級。
在一個實施例中,以多批正樣本對(每批資料包括例如60對正樣本),對所述網路M進行重複訓練,其中,對於每批正樣本對,以上述同時輸入一批(例如,60對)正樣本對的方式對M進行訓練。在一個實施例中,以多批負樣本對(每批資料包括例如60對負樣本),對所述網路M進行重複訓練,其中,對於每批負樣本對,以上述同時輸入一批(例如,60對)負樣本對的方式對M進行訓練。從而獲得準確率較高的網路M。例如,所述批的量級可以在幾千的量級。
圖6顯示根據本說明書實施例的一種訓練卷積神經網路的方法,所述卷積神經網路用於處理車險影像,如圖6所示,在步驟S61,獲取至少一個正樣本對和至少一個負樣本對,亦即,獲取至少一個正樣本<I,I+ >對和至少一個負樣本對<I,I- >。其中,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場。
在步驟S62,利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得以對應於各個所述正樣本的多個第一距離之和減去對應於各個所述負樣本的多個第二距離之和所獲得的值減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離,以及其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。亦即,利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得(D1 +D2 +…DN )-(D1 - +D2 - +…DM - )的值減小,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。
在一個實施例中,以多批樣本對(每批樣本對中都包括正樣本對和負樣本對),以上述同時輸入至少一個正樣本對和至少一個負樣本對的方式對所述網路M進行重複訓練,從而獲得準確率較高的網路M。例如,所述批的量級可以在幾千的量級,每批樣本對中可包括幾十對樣本對。
在一個實施例中,上述第二影像和第三影像可以是相同的影像。在一個實施例中,圖1中的訓練模組11使用Triplet網路訓練卷積神經網路M。Triplet網路需要輸入三元樣本<I,I+ ,I- >,該三元樣本<I,I+ ,I- >包括對應於同一個車險現場的兩個影像I和I+ ,以及對應於與該車險現場不同的另一個車險現場的影像I- 。該三元樣本可作為上述至少一個正樣本對和至少一個負樣本對的特例,亦即,三元樣本中的I+ 和I分別對應於上述第一影像和第二影像,三元樣本中的I和I- 分別對應於第三影像和第四影像。圖7示意顯示利用一組三元樣本訓練卷積神經網路的過程。首先,將一組三元樣本<I,I+ ,I- >輸入卷積神經網路M,獲得包括M現有參數的對應於I的特徵向量M(I)、對應於I+ 的特徵向量M(I+ )以及對應於I- 的特徵向量M(I- )。然後,與圖3和圖4類似地,利用例如隨機梯度下降法訓練卷積神經網路M,使得D(M(I),M(I+ ))- D(M(I),M(I- ))的值減小。
在一個實施例中,將N組(例如,60組)三元樣本同時輸入卷積神經網路M,以訓練該網路。其中,例如透過隨機梯度下降法訓練M,使得(D1 +D2 +…DN )-(D1 - +D2 - +…DN - )的值減小,其中,Di = D(M(Ii ),M(Ii + )),Di - = D(M(Ii ),M(Ii - )),其中,i=1至N。
在一個實施例中,透過使用多組三元樣本如圖7所示對卷積神經網路M進行重複訓練,從而獲得準確率較高的卷積神經網路M。例如,三元樣本的組數可以在幾萬的量級。
在一個實施例中,透過以多批三元樣本(每批資料包括例如60組三元樣本),以上述同時輸入一批(例如,60組)三元樣本的方式對所述網路M進行重複訓練,從而獲得準確率較高的網路M。例如,所述批的量級可以在幾千的量級。
在一個實施例中,在圖1的訓練模組11中包括Siamese網路和Triplet網路兩個訓練網路,從而透過多個正樣本對、負樣本對以及三元樣本組共同訓練卷積神經網路M,以提高M的準確性。
透過根據本說明書實施例的方法訓練卷積神經網路M,所獲得的網路M可以從輸入的車險影像中準確地計算出對應於其的特徵向量,從而提高了後續對車險影像處理的準確率和召回率。
圖8顯示根據本說明書實施例的車險影像處理方法,包括以下步驟:在步驟S81,獲取N個車險影像,N為大於等於2的自然數;在步驟S82,將所述車險影像輸入透過根據上述訓練方法獲得的卷積神經網路,獲取分別對應於所述車險影像的N個特徵向量;在步驟S83,計算所述特徵向量中任意兩個特徵向量之間的距離;以及,在步驟S84,在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。
首先,在步驟S81,獲取N個車險影像,N為大於等於2的自然數。在一個實施例中,可透過由保險業務員在車禍現場進行拍攝,而獲取一組N個車險影像。或者,在一個實施例中,由出險者自行拍攝並上傳,而獲取所述N個車險影像。一般情況下,N可以為幾個,也可以為幾十個,在一些較為複雜的車輛事故的情況中,N可以為幾百個。可以將所述N個車險影像分別表示為I1 ,I2 ,…,IN 。
然後,在步驟S82,將所述車險影像輸入透過上述訓練方法獲得的卷積神經網路,獲取分別對應於所述車險影像的N個特徵向量。亦即,透過將I1 ,I2 ,…,IN 輸入上述訓練好的卷積神經網路M,獲取對應的N個特徵向量M1 (I1 ),M2 (I2 ),…MN (IN )。
之後,在步驟S83,計算所述特徵向量中任意兩個特徵向量之間的距離。也就是說,對於N個特徵向量M1 (I1 ),M2 (I2 ),…MN (IN )中任意兩個特徵向量,可以計算其距離Dk (Mi (Ii ),Mj (Ij )),其中i≠j。顯然,一共可以計算N(N-1)/2個距離{D1 ,D2 ,…,DN(N-1)/2 },即,k的取值為1至N(N-1)/2。
在步驟S84,在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。在一個實施例中,可基於上述用於訓練卷積神經網路M的正樣本對和負樣本對確定該第一預定閾值T,使得對於全部正樣本對和負樣本對,D(M(I),M(I+ ))<T且D(M(I),M(I- ))> T的機率最大。例如,在理想情況下,D(M(I),M(I+ ))小於D(M(I),M(I- )),在該情況中,T可以取值為D(M(I),M(I+ ))至D(M(I),M(I- ))區間中的任何值。然而,通常情況下,並不是每個正樣本對的距離都小於全部負樣本對的距離,也並不是每個負樣本對的距離都大於全部正樣本對的距離。例如,正樣本對中可能存在未人工挑揀出的不同車險現場的照片,或者,正樣本對中的兩個影像雖然來自於同一個車險現場,但是由於其拍攝角度的問題等,使得其各自對應的特徵向量之間的距離偏大。但是,較大機率的正樣本對的距離會小於全部負樣本對的距離,並且較大機率的負樣本對的距離會大於全部正樣本對的距離。例如,95%的正樣本對的距離位於小於a的區間中(a為正數),95%的負樣本對的距離位於大於b的區間中(b為正數),其中a<b。在該情況下,可以將T取值在a和b之間,以使得對於全部正樣本對和負樣本對,D(M(I),M(I+ ))<T且D(M(I),M(I- ))>T的機率最大。從而透過如上所述選擇第一預定閾值T,可以使得對車險影像是否存在異常的判斷的準確率和召回率都較高。在一個實施例中,可透過對全部正樣本對和負樣本對繪製PR曲線或ROC曲線,而從所述曲線中獲得使得準確率和召回率都最高的閾值T。
當某個距離Dk (Mi (Ii ),Mj (Ij ))大於上述閾值T時,說明該對樣本(Ii ,Ij )是負樣本對的可能性較高,即,Ii 與Ij 可能不是對應於一個車險現場的照片,也就是說,Ii 或Ij 存在異常,它們中的一個或兩個可能是混入車險影像中的可疑影像。
在一個實施例中,累計{D1 ,D2 ,…,DN(N-1)/2 }中大於所述閾值T的Dk 的個數,從而得到第一機率P1=B/N。該第一機率P1可表示一組車險影像中存在欺詐的機率,當P1較大時,存在欺詐的可能較大,可認定該組車險影像總體存在異常。可設定第二預定閾值,在第一機率P1大於第二預定閾值的情況中,確定所述N個車險影像總體存在異常。例如,將第二預定閾值設為1,當P1>1時,可確定一組車險影像總體存在異常。從而可要求出險者重新提供一組車險影像,或者將該組車險影像轉為人工檢查,或者將這組照片中確定為可疑影像的影像轉為人工檢查。
在一個實施例中,在確定與所述距離對應的兩個車險影像存在異常之後,累計所述N個車險影像中存在異常的車險影像的個數M,計算第二機率P2=M/N,該第二機率P2可表示一組車險影像中存在欺詐的機率,當P2較大時,存在欺詐的可能較大,可認定該組車險影像總體存在異常。可設定第三預定閾值,在第二機率P2大於第三預定閾值的情況中,確定所述N個車險影像總體存在異常。例如,將第三預定閾值設為0.1,當P2>0.1時,可確定一組車險影像總體存在異常。從而可要求出險者重新提供一組車險影像,或者將該組車險影像轉為人工檢查,或者將這組照片中確定為可疑影像的影像轉為人工檢查。
圖9顯示根據本說明書實施例的一種訓練用於處理車險影像的卷積神經網路的裝置900。所述裝置900包括:獲取單元91,配置為,獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場;以及訓練單元92,配置為,利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
本說明書實施例還包括一種訓練用於處理車險影像的卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及訓練單元,配置為,利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
本說明書實施例還包括一種訓練用於處理車險影像的卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個正樣本對和至少一個負樣本對,其中,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及訓練單元,配置為,利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得以對應於各個所述正樣本的至少一個第一距離之和減去對應於各個所述負樣本的至少一個第二距離之和所獲得的值減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離,以及其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
圖10顯示根據本說明書實施例的一種車險影像處理裝置1000,包括:獲取單元101,配置為,獲取N個車險影像,N為大於等於2的自然數;特徵獲得單元102,配置為,將所述車險影像輸入透過上述訓練方法獲得的卷積神經網路,獲得分別對應於所述車險影像的N個特徵向量;計算單元103,配置為,計算所述特徵向量中任意兩個特徵向量之間的距離;以及確定單元104,配置為,在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。
在一個實施例中,所述車險影像處理裝置還包括,第二確定單元,配置為,在確定與所述距離對應的兩個車險影像存在異常之後,確定大於第一預定閾值的距離的個數B,第二計算單元,配置為,計算第一機率P1=B/N,以及第三確定單元,配置為,在第一機率大於第二預定閾值的情況中,確定所述N個車險影像總體存在異常。
在一個實施例中,所述車險影像處理裝置還包括第四確定單元,配置為,在確定與所述距離對應的兩個車險影像存在異常之後,確定所述N個車險影像中存在異常的車險影像的個數M,第三計算單元,配置為,計算第二機率P2=M/N,以及第五確定單元,配置為,在第二機率大於第三預定閾值的情況中,確定所述N個車險影像總體存在異常。
本說明書一個實施例提供一種電腦可讀的儲存媒體,其上儲存有指令代碼,所述指令代碼在電腦中執行時,令電腦執行上述訓練卷積神經網路的方法和/或車險影像處理方法。
本說明書一個實施例提供一種計算設備,包括記憶體和處理器,所述記憶體中儲存有可執行代碼,所述處理器執行所述可執行代碼時,實現上述訓練卷積神經網路的方法和/或車險影像處理方法。
透過上述根據本說明書實施例的訓練卷積神經網路的方法和裝置以及車險影像處理方法和裝置,可以以較高的準確率和召回率快速處理車險影像,從而實現了對車險影像的快速自動的處理,加快了車險處理的速度,也節省了用於車險影像判定的人工處理。
本領域普通技術人員應該還可以進一步意識到,結合本文中所揭示的實施例描述的各示例的單元及演算法步驟,能夠以電子硬體、電腦軟體或者二者的結合來實現,為了清楚地說明硬體和軟體的可互換性,在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬體還是軟體方式來執軌道,取決於技術方案的特定應用和設計約束條件。本領域普通技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能,但是這種實現不應認為超出本申請的範圍。
結合本文中所揭示的實施例描述的方法或演算法的步驟可以用硬體、處理器執軌道的軟體模組,或者二者的結合來實施。軟體模組可以置於隨機記憶體(RAM)、記憶體、唯讀記憶體(ROM)、電可程式設計ROM、電可擦除可程式設計ROM、暫存器、硬碟、抽取式磁碟、CD-ROM、或技術領域內所公知的任意其它形式的儲存媒體中。
以上所述的具體實施方式,對本發明的目的、技術方案和有益效果進行了進一步詳細說明,所應理解的是,以上所述僅為本發明的具體實施方式而已,並不用於限定本發明的保護範圍,凡在本發明的精神和原則之內,所做的任何修改、等同替換、改進等,均應包含在本發明的保護範圍之內。
圖1顯示根據本說明書實施例的系統100的示意圖。系統100包括訓練部分101和處理部分102。訓練部分101中包括訓練模組11,訓練模組11可以使用Siamese網路或中Triplet網路等,在所述訓練模組11中包含卷積神經網路,以對該卷積神經網路進行訓練。卷積神經網路由卷積層、啟動層、歸一化層、池化層等組成,可以使用ResNet、 Inception等常用網路結構。透過將大量車險影像(對應於Siamese網路的正樣本對和負樣本對、對應於Triplet網路的三元樣本等)輸入該訓練模組11,用於訓練卷積神經網路,從而獲得可用於處理車險照片的卷積神經網路。
在本說明書實施例中,所述影像可以包括各種圖形和影像的總稱,通常指具有視覺效果的畫面,一般可以包括紙介質上的、底片或照片上的、電視、投影儀或電腦螢幕等上的畫面。本實施例中所述的車險影像可以包括透過照相或攝像設備拍攝後儲存在可讀儲存媒體上的電腦影像資料,可以包括向量圖、點陣圖,靜態、動態影像等多種類型的電腦影像。
處理部分102包括特徵獲得模組12和決策模組13。特徵獲得模組12包括透過上述訓練模組11訓練獲得的卷積神經網路。透過將一組車險影像輸入該特徵獲得模組12,特徵獲得模組12可以從這組車險影像中分別獲得對應於其的多個特徵向量,並將其發送給決策模組13。決策模組13根據其決策演算法,對所述多個特徵向量進行計算,以獲得決策結果,從而判斷這組車險影像是否存在異常。
下面結合實例具體描述根據本說明書實施例的方法。
圖2顯示根據本說明書實施例的一種訓練卷積神經網路M的方法,所述卷積神經網路M用於處理車險影像。如圖1所示,所述方法包括以下步驟:在步驟S21,獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場;以及,在步驟S22,利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
首先,在步驟S21,獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場。在一個實施例中,圖1中的訓練模組11使用Siamese網路訓練卷積神經網路M。Siamese網路需要輸入成對的影像,即正樣本對或負樣本對。對應於同一個真實車險現場的任何兩個影像可組成正樣本對<I,I+ >。分別對應於兩個不同現場(例如,車輛不同、地點不同、或者時間不同等)的兩個影像可以組成負樣本對<I,I- >。
透過獲取對應於一個真實車險現場的任何兩個影像,亦即,第一影像和第二影像,從而可獲取正樣本對。其中,可透過由保險業務員在車禍現場進行拍攝,而獲取對應於一個真實車險現場的一組車險照片,或者由出險者自行拍攝並上傳,而獲取對應於一個真實車險現場的一組車險照片,或者也可以從第三方獲取多組真實車險現場照片。對這些車險現場照片可進行人工驗證,以確保每組照片對應於同一個車險現場。
在步驟S22,利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
卷積神經網路是一種前饋神經網路,它的人工神經元可以回應一部分覆蓋範圍內的周圍單元,對於大型影像處理有出色表現。卷積神經網路包括卷積層(convolutional layer)和池化層(pooling layer)等,可以使用ResNet、 Inception等常用網路結構。當對卷積神經網路M輸入一個影像I時,其輸出該圖片的特徵向量M(I),該特徵向量M(I)對應於影像I的深度特徵。
圖3示意顯示利用上述正樣本對訓練卷積神經網路的過程。首先,將正樣本對<I,I+ >輸入卷積神經網路M,獲得包括M現有參數的對應於I的特徵向量M(I)和對應於I+ 的特徵向量M(I+ )。然後,定義距離函數D(M(I),M(I+ )),例如該距離D(M(I),M(I+ ))為特徵向量M(I)與特徵向量M(I+ )之間的歐氏距離。在一個實施例中,所述距離D還可以是明氏(Minkowsky)距離、馬氏(Manhattan)距離等。而對卷積神經網路進行訓練的目的是使得D(M(I),M(I+ ))(即上述第一距離)減小。
在該實施例中,採用隨機梯度下降法(SGD)對卷積神經網路進行訓練。然而,本說明書實施例中對卷積神經網路的訓練不限於隨機梯度下降法,例如,可以透過批量梯度下降法(BGD)、小批量梯度下降法(MBGD)、適應性動量估計法(Adam)、RMSprop法等本領域公知的最佳化演算法進行訓練。如圖3所示,在獲得D(M(I),M(I+ ))之後,對D(M(I),M(I+ ))求其各參數導數,並將D(M(I),M(I+ ))中的各參數沿其導數負方向移動微小步長,從而使得調整參數之後的D(M(I),M(I+ ))的值減小。
在一個實施例中,將N對(例如60對)正樣本同時輸入卷積神經網路M,以訓練該網路M。其中例如透過隨機梯度下降法訓練M,使得D1 +D2 +…DN 的值減小,其中Di = D(M(Ii ),M(Ii + )),i=1至N。
圖4顯示根據本說明書實施例的一種訓練卷積神經網路的方法,所述卷積神經網路用於處理車險影像,所述方法包括:在步驟S41,獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及在步驟S42,利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
首先,在步驟S41,獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場。
如上文所述,分別對應於兩個不同現場(例如,車輛不同、地點不同、或者時間不同等)的兩個影像可以組成負樣本對<I,I- >。可透過對不同現場的車險照片進行人工匹配,獲得多對負樣本。為了提高對卷積神經網路M的訓練準確性,可以對於已有車險照片,在另一個現場人工拍攝與其較為近似的照片,以與其匹配為負樣本對。例如,對於特定的車險照片,可以在不同的時間、在相同的地點以相同型號的車輛拍攝對應的匹配照片,以與該車險照片組成負樣本對。除人工獲取負樣本對外,還可以透過對抗神經網路GAN演算法來產生負樣本對。在一個實施例中,可從第三造直接獲取多個負樣本對。
在步驟S42,利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
圖5示意顯示利用上述負樣本對訓練卷積神經網路的過程。該過程與圖3所示的過程基本相同。將負樣本對<I,I- >輸入卷積神經網路M,獲得包括M現有參數的對應於I的特徵向量M(I)和對應於I- 的特徵向量M(I- )。不同在於,在圖4中,透過隨機梯度下降法,使得-D(M(I),M(I- ))的值減小,也即使得D(M(I),M(I- ))的值增大,即,使得所述負樣本對中的兩個影像的對應特徵向量間距離增大。圖5中的透過隨機梯度下降法的訓練過程與圖3中相同,在此不再贅述。
在一個實施例中,將N對(例如,60對)負樣本同時輸入卷積神經網路M,以訓練該網路M。其中例如透過隨機梯度下降法訓練M,使得-(D1 - +D2 - +…DN - )的值減小,其中Di - = D(M(Ii ),M(Ii - )),其中i=1至N。
在一個實施例中,透過使用多個正樣本對和多對負樣本以上述參考圖3和圖5所示的方式對卷積神經網路M進行重複訓練,從而獲得準確率較高的卷積神經網路M。例如,正樣本和負樣本的對數可以在幾萬的量級。
在一個實施例中,以多批正樣本對(每批資料包括例如60對正樣本),對所述網路M進行重複訓練,其中,對於每批正樣本對,以上述同時輸入一批(例如,60對)正樣本對的方式對M進行訓練。在一個實施例中,以多批負樣本對(每批資料包括例如60對負樣本),對所述網路M進行重複訓練,其中,對於每批負樣本對,以上述同時輸入一批(例如,60對)負樣本對的方式對M進行訓練。從而獲得準確率較高的網路M。例如,所述批的量級可以在幾千的量級。
圖6顯示根據本說明書實施例的一種訓練卷積神經網路的方法,所述卷積神經網路用於處理車險影像,如圖6所示,在步驟S61,獲取至少一個正樣本對和至少一個負樣本對,亦即,獲取至少一個正樣本<I,I+ >對和至少一個負樣本對<I,I- >。其中,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場。
在步驟S62,利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得以對應於各個所述正樣本的多個第一距離之和減去對應於各個所述負樣本的多個第二距離之和所獲得的值減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離,以及其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。亦即,利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得(D1 +D2 +…DN )-(D1 - +D2 - +…DM - )的值減小,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。
在一個實施例中,以多批樣本對(每批樣本對中都包括正樣本對和負樣本對),以上述同時輸入至少一個正樣本對和至少一個負樣本對的方式對所述網路M進行重複訓練,從而獲得準確率較高的網路M。例如,所述批的量級可以在幾千的量級,每批樣本對中可包括幾十對樣本對。
在一個實施例中,上述第二影像和第三影像可以是相同的影像。在一個實施例中,圖1中的訓練模組11使用Triplet網路訓練卷積神經網路M。Triplet網路需要輸入三元樣本<I,I+ ,I- >,該三元樣本<I,I+ ,I- >包括對應於同一個車險現場的兩個影像I和I+ ,以及對應於與該車險現場不同的另一個車險現場的影像I- 。該三元樣本可作為上述至少一個正樣本對和至少一個負樣本對的特例,亦即,三元樣本中的I+ 和I分別對應於上述第一影像和第二影像,三元樣本中的I和I- 分別對應於第三影像和第四影像。圖7示意顯示利用一組三元樣本訓練卷積神經網路的過程。首先,將一組三元樣本<I,I+ ,I- >輸入卷積神經網路M,獲得包括M現有參數的對應於I的特徵向量M(I)、對應於I+ 的特徵向量M(I+ )以及對應於I- 的特徵向量M(I- )。然後,與圖3和圖4類似地,利用例如隨機梯度下降法訓練卷積神經網路M,使得D(M(I),M(I+ ))- D(M(I),M(I- ))的值減小。
在一個實施例中,將N組(例如,60組)三元樣本同時輸入卷積神經網路M,以訓練該網路。其中,例如透過隨機梯度下降法訓練M,使得(D1 +D2 +…DN )-(D1 - +D2 - +…DN - )的值減小,其中,Di = D(M(Ii ),M(Ii + )),Di - = D(M(Ii ),M(Ii - )),其中,i=1至N。
在一個實施例中,透過使用多組三元樣本如圖7所示對卷積神經網路M進行重複訓練,從而獲得準確率較高的卷積神經網路M。例如,三元樣本的組數可以在幾萬的量級。
在一個實施例中,透過以多批三元樣本(每批資料包括例如60組三元樣本),以上述同時輸入一批(例如,60組)三元樣本的方式對所述網路M進行重複訓練,從而獲得準確率較高的網路M。例如,所述批的量級可以在幾千的量級。
在一個實施例中,在圖1的訓練模組11中包括Siamese網路和Triplet網路兩個訓練網路,從而透過多個正樣本對、負樣本對以及三元樣本組共同訓練卷積神經網路M,以提高M的準確性。
透過根據本說明書實施例的方法訓練卷積神經網路M,所獲得的網路M可以從輸入的車險影像中準確地計算出對應於其的特徵向量,從而提高了後續對車險影像處理的準確率和召回率。
圖8顯示根據本說明書實施例的車險影像處理方法,包括以下步驟:在步驟S81,獲取N個車險影像,N為大於等於2的自然數;在步驟S82,將所述車險影像輸入透過根據上述訓練方法獲得的卷積神經網路,獲取分別對應於所述車險影像的N個特徵向量;在步驟S83,計算所述特徵向量中任意兩個特徵向量之間的距離;以及,在步驟S84,在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。
首先,在步驟S81,獲取N個車險影像,N為大於等於2的自然數。在一個實施例中,可透過由保險業務員在車禍現場進行拍攝,而獲取一組N個車險影像。或者,在一個實施例中,由出險者自行拍攝並上傳,而獲取所述N個車險影像。一般情況下,N可以為幾個,也可以為幾十個,在一些較為複雜的車輛事故的情況中,N可以為幾百個。可以將所述N個車險影像分別表示為I1 ,I2 ,…,IN 。
然後,在步驟S82,將所述車險影像輸入透過上述訓練方法獲得的卷積神經網路,獲取分別對應於所述車險影像的N個特徵向量。亦即,透過將I1 ,I2 ,…,IN 輸入上述訓練好的卷積神經網路M,獲取對應的N個特徵向量M1 (I1 ),M2 (I2 ),…MN (IN )。
之後,在步驟S83,計算所述特徵向量中任意兩個特徵向量之間的距離。也就是說,對於N個特徵向量M1 (I1 ),M2 (I2 ),…MN (IN )中任意兩個特徵向量,可以計算其距離Dk (Mi (Ii ),Mj (Ij )),其中i≠j。顯然,一共可以計算N(N-1)/2個距離{D1 ,D2 ,…,DN(N-1)/2 },即,k的取值為1至N(N-1)/2。
在步驟S84,在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。在一個實施例中,可基於上述用於訓練卷積神經網路M的正樣本對和負樣本對確定該第一預定閾值T,使得對於全部正樣本對和負樣本對,D(M(I),M(I+ ))<T且D(M(I),M(I- ))> T的機率最大。例如,在理想情況下,D(M(I),M(I+ ))小於D(M(I),M(I- )),在該情況中,T可以取值為D(M(I),M(I+ ))至D(M(I),M(I- ))區間中的任何值。然而,通常情況下,並不是每個正樣本對的距離都小於全部負樣本對的距離,也並不是每個負樣本對的距離都大於全部正樣本對的距離。例如,正樣本對中可能存在未人工挑揀出的不同車險現場的照片,或者,正樣本對中的兩個影像雖然來自於同一個車險現場,但是由於其拍攝角度的問題等,使得其各自對應的特徵向量之間的距離偏大。但是,較大機率的正樣本對的距離會小於全部負樣本對的距離,並且較大機率的負樣本對的距離會大於全部正樣本對的距離。例如,95%的正樣本對的距離位於小於a的區間中(a為正數),95%的負樣本對的距離位於大於b的區間中(b為正數),其中a<b。在該情況下,可以將T取值在a和b之間,以使得對於全部正樣本對和負樣本對,D(M(I),M(I+ ))<T且D(M(I),M(I- ))>T的機率最大。從而透過如上所述選擇第一預定閾值T,可以使得對車險影像是否存在異常的判斷的準確率和召回率都較高。在一個實施例中,可透過對全部正樣本對和負樣本對繪製PR曲線或ROC曲線,而從所述曲線中獲得使得準確率和召回率都最高的閾值T。
當某個距離Dk (Mi (Ii ),Mj (Ij ))大於上述閾值T時,說明該對樣本(Ii ,Ij )是負樣本對的可能性較高,即,Ii 與Ij 可能不是對應於一個車險現場的照片,也就是說,Ii 或Ij 存在異常,它們中的一個或兩個可能是混入車險影像中的可疑影像。
在一個實施例中,累計{D1 ,D2 ,…,DN(N-1)/2 }中大於所述閾值T的Dk 的個數,從而得到第一機率P1=B/N。該第一機率P1可表示一組車險影像中存在欺詐的機率,當P1較大時,存在欺詐的可能較大,可認定該組車險影像總體存在異常。可設定第二預定閾值,在第一機率P1大於第二預定閾值的情況中,確定所述N個車險影像總體存在異常。例如,將第二預定閾值設為1,當P1>1時,可確定一組車險影像總體存在異常。從而可要求出險者重新提供一組車險影像,或者將該組車險影像轉為人工檢查,或者將這組照片中確定為可疑影像的影像轉為人工檢查。
在一個實施例中,在確定與所述距離對應的兩個車險影像存在異常之後,累計所述N個車險影像中存在異常的車險影像的個數M,計算第二機率P2=M/N,該第二機率P2可表示一組車險影像中存在欺詐的機率,當P2較大時,存在欺詐的可能較大,可認定該組車險影像總體存在異常。可設定第三預定閾值,在第二機率P2大於第三預定閾值的情況中,確定所述N個車險影像總體存在異常。例如,將第三預定閾值設為0.1,當P2>0.1時,可確定一組車險影像總體存在異常。從而可要求出險者重新提供一組車險影像,或者將該組車險影像轉為人工檢查,或者將這組照片中確定為可疑影像的影像轉為人工檢查。
圖9顯示根據本說明書實施例的一種訓練用於處理車險影像的卷積神經網路的裝置900。所述裝置900包括:獲取單元91,配置為,獲取至少一個正樣本對,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場;以及訓練單元92,配置為,利用所述至少一個正樣本對訓練所述卷積神經網路,使得分別對應於各個所述正樣本對的至少一個第一距離之和減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離。
本說明書實施例還包括一種訓練用於處理車險影像的卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個負樣本對,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及訓練單元,配置為,利用所述至少一個負樣本對訓練所述卷積神經網路,使得分別對應於各個所述負樣本對的至少一個第二距離之和增大,其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
本說明書實施例還包括一種訓練用於處理車險影像的卷積神經網路的裝置,包括:獲取單元,配置為,獲取至少一個正樣本對和至少一個負樣本對,其中,每個所述正樣本對包括其各自的第一影像和第二影像,所述第一影像和所述第二影像對應於相同的車險現場,每個所述負樣本對包括其各自的第三影像和第四影像,所述第三影像和所述第四影像分別對應於不同的車險現場;以及訓練單元,配置為,利用所述至少一個正樣本對和至少一個負樣本對訓練所述卷積神經網路,使得以對應於各個所述正樣本的至少一個第一距離之和減去對應於各個所述負樣本的至少一個第二距離之和所獲得的值減小,其中,所述第一距離為透過所述卷積神經網路獲得的所述第一影像的特徵向量與透過所述卷積神經網路獲得的所述第二影像的特徵向量之間的距離,以及其中,所述第二距離為透過所述卷積神經網路獲得的所述第三影像的特徵向量與透過所述卷積神經網路獲得的所述第四影像的特徵向量之間的距離。
圖10顯示根據本說明書實施例的一種車險影像處理裝置1000,包括:獲取單元101,配置為,獲取N個車險影像,N為大於等於2的自然數;特徵獲得單元102,配置為,將所述車險影像輸入透過上述訓練方法獲得的卷積神經網路,獲得分別對應於所述車險影像的N個特徵向量;計算單元103,配置為,計算所述特徵向量中任意兩個特徵向量之間的距離;以及確定單元104,配置為,在所述距離大於第一預定閾值的情況中,確定與所述距離對應的兩個車險影像存在異常。
在一個實施例中,所述車險影像處理裝置還包括,第二確定單元,配置為,在確定與所述距離對應的兩個車險影像存在異常之後,確定大於第一預定閾值的距離的個數B,第二計算單元,配置為,計算第一機率P1=B/N,以及第三確定單元,配置為,在第一機率大於第二預定閾值的情況中,確定所述N個車險影像總體存在異常。
在一個實施例中,所述車險影像處理裝置還包括第四確定單元,配置為,在確定與所述距離對應的兩個車險影像存在異常之後,確定所述N個車險影像中存在異常的車險影像的個數M,第三計算單元,配置為,計算第二機率P2=M/N,以及第五確定單元,配置為,在第二機率大於第三預定閾值的情況中,確定所述N個車險影像總體存在異常。
本說明書一個實施例提供一種電腦可讀的儲存媒體,其上儲存有指令代碼,所述指令代碼在電腦中執行時,令電腦執行上述訓練卷積神經網路的方法和/或車險影像處理方法。
本說明書一個實施例提供一種計算設備,包括記憶體和處理器,所述記憶體中儲存有可執行代碼,所述處理器執行所述可執行代碼時,實現上述訓練卷積神經網路的方法和/或車險影像處理方法。
透過上述根據本說明書實施例的訓練卷積神經網路的方法和裝置以及車險影像處理方法和裝置,可以以較高的準確率和召回率快速處理車險影像,從而實現了對車險影像的快速自動的處理,加快了車險處理的速度,也節省了用於車險影像判定的人工處理。
本領域普通技術人員應該還可以進一步意識到,結合本文中所揭示的實施例描述的各示例的單元及演算法步驟,能夠以電子硬體、電腦軟體或者二者的結合來實現,為了清楚地說明硬體和軟體的可互換性,在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬體還是軟體方式來執軌道,取決於技術方案的特定應用和設計約束條件。本領域普通技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能,但是這種實現不應認為超出本申請的範圍。
結合本文中所揭示的實施例描述的方法或演算法的步驟可以用硬體、處理器執軌道的軟體模組,或者二者的結合來實施。軟體模組可以置於隨機記憶體(RAM)、記憶體、唯讀記憶體(ROM)、電可程式設計ROM、電可擦除可程式設計ROM、暫存器、硬碟、抽取式磁碟、CD-ROM、或技術領域內所公知的任意其它形式的儲存媒體中。
以上所述的具體實施方式,對本發明的目的、技術方案和有益效果進行了進一步詳細說明,所應理解的是,以上所述僅為本發明的具體實施方式而已,並不用於限定本發明的保護範圍,凡在本發明的精神和原則之內,所做的任何修改、等同替換、改進等,均應包含在本發明的保護範圍之內。
11‧‧‧訓練模組
12‧‧‧特徵獲得模組
13‧‧‧決策模組
100‧‧‧系統
101‧‧‧訓練部分
102‧‧‧處理部分
21‧‧‧方法步驟
22‧‧‧方法步驟
41‧‧‧方法步驟
42‧‧‧方法步驟
61‧‧‧方法步驟
62‧‧‧方法步驟
81‧‧‧方法步驟
82‧‧‧方法步驟
83‧‧‧方法步驟
84‧‧‧方法步驟
900‧‧‧訓練卷積神經網路的裝置
91‧‧‧獲取單元
92‧‧‧訓練單元
101‧‧‧獲取單元
102‧‧‧特徵獲得單元
103‧‧‧計算單元
104‧‧‧確定單元
1000‧‧‧車險影像處理裝置
透過結合圖式描述本說明書實施例,可以使得本說明書實施例更加清楚:
圖1顯示根據本說明書實施例的系統100的示意圖;
圖2顯示根據本說明書實施例的一種訓練卷積神經網路的方法;
圖3示意顯示利用正樣本對訓練卷積神經網路的過程;
圖4顯示根據本說明書實施例的一種訓練卷積神經網路的方法;
圖5示意顯示利用負樣本對訓練卷積神經網路的過程;
圖6顯示根據本說明書實施例的一種訓練卷積神經網路的方法;
圖7示意顯示利用一組三元樣本訓練卷積神經網路的過程;
圖8顯示根據本說明書實施例的車險影像處理方法;
圖9顯示根據本說明書實施例的一種訓練卷積神經網路的裝置900;以及
圖10顯示根據本說明書實施例的一種車險影像處理裝置1000。
Claims (16)
- 一種訓練用於處理車險影像的卷積神經網路的方法,包括: 獲取至少一個正樣本對,每個該正樣本對包括其各自的第一影像和第二影像,該第一影像和該第二影像對應於相同的車險現場;以及 利用該至少一個正樣本對訓練該卷積神經網路,使得分別對應於各個該正樣本對的至少一個第一距離之和減小,其中,該第一距離為透過該卷積神經網路獲得的該第一影像的特徵向量與透過該卷積神經網路獲得的該第二影像的特徵向量之間的距離。
- 一種訓練用於處理車險影像的卷積神經網路的方法,包括: 獲取至少一個負樣本對,每個該負樣本對包括其各自的第三影像和第四影像,該第三影像和該第四影像分別對應於不同的車險現場;以及 利用該至少一個負樣本對訓練該卷積神經網路,使得分別對應於各個該負樣本對的至少一個第二距離之和增大,其中,該第二距離為透過該卷積神經網路獲得的該第三影像的特徵向量與透過該卷積神經網路獲得的該第四影像的特徵向量之間的距離。
- 一種訓練用於處理車險影像的卷積神經網路的方法,包括: 獲取至少一個正樣本對和至少一個負樣本對,其中,每個該正樣本對包括其各自的第一影像和第二影像,該第一影像和該第二影像對應於相同的車險現場,每個該負樣本對包括其各自的第三影像和第四影像,該第三影像和該第四影像分別對應於不同的車險現場;以及 利用該至少一個正樣本對和至少一個負樣本對訓練該卷積神經網路,使得以對應於各個該正樣本的至少一個第一距離之和減去對應於各個該負樣本的至少一個第二距離之和所獲得的值減小,其中,該第一距離為透過該卷積神經網路獲得的該第一影像的特徵向量與透過該卷積神經網路獲得的該第二影像的特徵向量之間的距離,以及其中,該第二距離為透過該卷積神經網路獲得的該第三影像的特徵向量與透過該卷積神經網路獲得的該第四影像的特徵向量之間的距離。
- 根據申請專利範圍第1至3項中任一項所述的訓練用於處理車險影像的卷積神經網路的方法,其中,該距離為歐式距離。
- 一種訓練用於處理車險影像的卷積神經網路的裝置,包括: 獲取單元,配置為,獲取至少一個正樣本對,每個該正樣本對包括其各自的第一影像和第二影像,該第一影像和該第二影像對應於相同的車險現場;以及 訓練單元,配置為,利用該至少一個正樣本對訓練該卷積神經網路,使得分別對應於各個該正樣本對的至少一個第一距離之和減小,其中,該第一距離為透過該卷積神經網路獲得的該第一影像的特徵向量與透過該卷積神經網路獲得的該第二影像的特徵向量之間的距離。
- 一種訓練用於處理車險影像的卷積神經網路的裝置,包括: 獲取單元,配置為,獲取至少一個負樣本對,每個該負樣本對包括其各自的第三影像和第四影像,該第三影像和該第四影像分別對應於不同的車險現場;以及 訓練單元,配置為,利用該至少一個負樣本對訓練該卷積神經網路,使得分別對應於各個該負樣本對的至少一個第二距離之和增大,其中,該第二距離為透過該卷積神經網路獲得的該第三影像的特徵向量與透過該卷積神經網路獲得的該第四影像的特徵向量之間的距離。
- 一種訓練用於處理車險影像的卷積神經網路的裝置,包括: 獲取單元,配置為,獲取至少一個正樣本對和至少一個負樣本對,其中,每個該正樣本對包括其各自的第一影像和第二影像,該第一影像和該第二影像對應於相同的車險現場,每個該負樣本對包括其各自的第三影像和第四影像,該第三影像和該第四影像分別對應於不同的車險現場;以及 訓練單元,配置為,利用該至少一個正樣本對和至少一個負樣本對訓練該卷積神經網路,使得以對應於各個該正樣本的至少一個第一距離之和減去對應於各個該負樣本的至少一個第二距離之和所獲得的值減小,其中,該第一距離為透過該卷積神經網路獲得的該第一影像的特徵向量與透過該卷積神經網路獲得的該第二影像的特徵向量之間的距離,以及其中,該第二距離為透過該卷積神經網路獲得的該第三影像的特徵向量與透過該卷積神經網路獲得的該第四影像的特徵向量之間的距離。
- 根據申請專利範圍第5至7項中任一項所述的訓練用於處理車險影像的卷積神經網路的裝置,其中,該距離為歐式距離。
- 一種車險影像處理方法,包括: 獲取N個車險影像,N為大於等於2的自然數; 將該車險影像輸入透過根據申請專利範圍第1至4項中任一項所述的方法訓練的卷積神經網路,獲得分別對應於該車險影像的N個特徵向量; 計算該特徵向量中任意兩個特徵向量之間的距離;以及 在該距離大於第一預定閾值的情況中,確定與該距離對應的兩個車險影像存在異常。
- 根據申請專利範圍第9項所述的車險影像處理方法,還包括, 在確定與該距離對應的兩個車險影像存在異常之後,確定大於第一預定閾值的距離的個數B, 計算第一機率P1=B/N,以及 在第一機率大於第二預定閾值的情況中,確定該N個車險影像總體存在異常。
- 根據申請專利範圍第9項所述的車險影像處理方法,還包括, 在確定與該距離對應的兩個車險影像存在異常之後,確定該N個車險影像中存在異常的車險影像的個數M, 計算第二機率P2=M/N,以及 在第二機率大於第三預定閾值的情況中,確定該N個車險影像總體存在異常。
- 一種車險影像處理裝置,包括: 獲取單元,配置為,獲取N個車險影像,N為大於等於2的自然數; 特徵獲得單元,配置為,將該車險影像輸入透過根據申請專利範圍第1至4項中任一項所述的方法訓練的卷積神經網路,獲得分別對應於該車險影像的N個特徵向量; 第一計算單元,配置為,計算該特徵向量中任意兩個特徵向量之間的距離;以及 第一確定單元,配置為,在該距離大於第一預定閾值的情況中,確定與該距離對應的兩個車險影像存在異常。
- 根據申請專利範圍第12項所述的車險影像處理裝置,還包括, 第二確定單元,配置為,在確定與該距離對應的兩個車險影像存在異常之後,確定大於第一預定閾值的距離的個數B, 第二計算單元,配置為,計算第一機率P1=B/N,以及 第三確定單元,配置為,在第一機率大於第二預定閾值的情況中,確定該N個車險影像總體存在異常。
- 根據申請專利範圍第12項所述的車險影像處理裝置,還包括, 第四確定單元,配置為,在確定與該距離對應的兩個車險影像存在異常之後,確定該N個車險影像中存在異常的車險影像的個數M, 第三計算單元,配置為,計算第二機率P2=M/N,以及 第五確定單元,配置為,在第二機率大於第三預定閾值的情況中,確定該N個車險影像總體存在異常。
- 一種電腦可讀的儲存媒體,其上儲存有指令代碼,該指令代碼在電腦中執行時,令電腦執行申請專利範圍第1至4和9至11項中任一項所述的方法。
- 一種計算設備,包括記憶體和處理器,該記憶體中儲存有可執行代碼,該處理器執行該可執行代碼時,實現申請專利範圍第1至4和9至11項中任一項所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810148839.8 | 2018-02-13 | ||
??201810148839.8 | 2018-02-13 | ||
CN201810148839.8A CN108399382A (zh) | 2018-02-13 | 2018-02-13 | 车险图像处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201935308A true TW201935308A (zh) | 2019-09-01 |
TWI715888B TWI715888B (zh) | 2021-01-11 |
Family
ID=63095618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
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) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110570358A (zh) * | 2018-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 基于gan网络的车损图像增强方法和装置 |
CN109215027B (zh) * | 2018-10-11 | 2024-05-24 | 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 |
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 |
CN113538193B (zh) * | 2021-06-30 | 2024-07-16 | 南京云略软件科技有限公司 | 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 |
Family Cites Families (24)
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 |
CN105424330B (zh) * | 2014-08-29 | 2019-09-27 | 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 |
US9530071B2 (en) | 2014-10-10 | 2016-12-27 | 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 |
CN105184778B (zh) * | 2015-08-25 | 2018-04-24 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
CN106022220B (zh) * | 2016-05-09 | 2020-02-28 | 北京河马能量体育科技有限公司 | 一种体育视频中对参赛运动员进行多人脸跟踪的方法 |
WO2017212459A1 (en) | 2016-06-09 | 2017-12-14 | Sentient Technologies (Barbados) Limited | Content embedding using deep metric learning algorithms |
CN106469299B (zh) * | 2016-08-31 | 2019-07-19 | 北京邮电大学 | 一种车辆搜索方法及装置 |
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 |
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 |
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*** |
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 |
-
2018
- 2018-02-13 CN CN201810148839.8A patent/CN108399382A/zh active Pending
- 2018-11-20 TW TW107141236A patent/TWI715888B/zh active
-
2019
- 2019-02-13 EP EP19709166.3A patent/EP3701419A1/en active Pending
- 2019-02-13 US US16/274,930 patent/US10891515B2/en active Active
- 2019-02-13 SG SG11202004464SA patent/SG11202004464SA/en unknown
- 2019-02-13 WO PCT/US2019/017828 patent/WO2019160935A1/en active Search and Examination
- 2019-12-20 US US16/722,919 patent/US10891517B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2019160935A1 (en) | 2019-08-22 |
US10891517B2 (en) | 2021-01-12 |
US20200125895A1 (en) | 2020-04-23 |
CN108399382A (zh) | 2018-08-14 |
SG11202004464SA (en) | 2020-06-29 |
US20190251395A1 (en) | 2019-08-15 |
TWI715888B (zh) | 2021-01-11 |
EP3701419A1 (en) | 2020-09-02 |
US10891515B2 (en) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201935308A (zh) | 車險影像處理方法和裝置 | |
CN108229479B (zh) | 语义分割模型的训练方法和装置、电子设备、存储介质 | |
CN108846826B (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
CN113592736B (zh) | 一种基于融合注意力机制的半监督图像去模糊方法 | |
WO2022151589A1 (zh) | 图像增强方法、装置、设备及存储介质 | |
WO2021115356A1 (zh) | 自适应窗宽窗位调节方法、装置、计算机***及存储介质 | |
Liu et al. | Improved techniques for learning to dehaze and beyond: A collective study | |
WO2021107610A1 (en) | Method and system for generating a tri-map for image matting | |
CN110570435B (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
CN112862877B (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
JP6565600B2 (ja) | アテンション検出装置及びアテンション検出方法 | |
CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN110889315B (zh) | 图像处理方法、装置、电子设备及*** | |
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 | |
CN114419349B (zh) | 一种图像匹配方法和装置 | |
CN113255605A (zh) | 一种路面病害检测方法、装置、终端设备及存储介质 | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN117409083A (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
CN112597995A (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN113111888B (zh) | 一种图片判别方法及装置 | |
CN114120423A (zh) | 人脸图像检测方法、装置、电子设备和计算机可读介质 | |
CN114359627B (zh) | 一种基于图卷积的目标检测后处理方法及装置 | |
CN114998605B (zh) | 一种恶劣成像条件下图像增强引导的目标检测方法 | |
Wang et al. | Image Recovery and Object Detection Integrated Algorithms for Robots in Harsh Battlefield Environments | |
CN113887416A (zh) | 人脸识别模型的训练方法、人脸识别方法及电子设备 |