CN110570316A - 训练损伤识别模型的方法及装置 - Google Patents

训练损伤识别模型的方法及装置 Download PDF

Info

Publication number
CN110570316A
CN110570316A CN201811012749.2A CN201811012749A CN110570316A CN 110570316 A CN110570316 A CN 110570316A CN 201811012749 A CN201811012749 A CN 201811012749A CN 110570316 A CN110570316 A CN 110570316A
Authority
CN
China
Prior art keywords
damage
category
label
prediction result
information
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
CN201811012749.2A
Other languages
English (en)
Inventor
徐娟
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 CN201811012749.2A priority Critical patent/CN110570316A/zh
Priority to TW108119300A priority patent/TW202011290A/zh
Priority to US16/554,223 priority patent/US11080839B2/en
Priority to PCT/US2019/048908 priority patent/WO2020047316A1/en
Priority to SG11202012505SA priority patent/SG11202012505SA/en
Priority to EP19768961.5A priority patent/EP3844668A1/en
Publication of CN110570316A publication Critical patent/CN110570316A/zh
Priority to US17/374,352 priority patent/US11748399B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30156—Vehicle coating
    • 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

Abstract

本说明书实施例提供一种训练损伤识别模型的方法，其中损伤识别模型用于从车辆定损图片中识别车辆损伤的损伤类别。上述方法包括，首先获取多张标注图片，其中各张标注图片包括损伤边框，以及该损伤边框对应的损伤类别标签，其中损伤边框是包围连续损伤区域的最小矩形框，损伤类别标签指示出损伤材质和损伤方式的信息。然后，基于所述多张标注图片，训练多分类模型作为所述损伤识别模型。

Description

训练损伤识别模型的方法及装置
技术领域
本说明书一个或多个实施例涉及机器学习领域，尤其涉及利用机器学习训练用于车辆智能定损的损伤识别模型的方法和装置。
背景技术
在传统车险理赔场景中,保险公司需要派出专业的查勘定损人员到事故现场进行现场查勘定损，给出车辆的维修方案和赔偿金额，并拍摄现场照片，定损照片留档以供后台核查人员核损核价。由于需要人工查勘定损，保险公司需要投入大量的人力成本，和专业知识的培训成本。从普通用户的体验来说，理赔流程由于等待人工查勘员现场拍照、定损员在维修地点定损、核损人员在后台核损，理赔周期长达1-3天，用户的等待时间较长，体验较差。
针对需求背景中提到的这一人工成本巨大的行业痛点，开始设想将人工智能和机器学习应用到车辆定损的场景中，希望能够利用人工智能领域计算机视觉图像识别技术，根据普通用户拍摄的现场损失图片，自动识别图片中反映的车损状况，并自动给出维修方案。如此，无需人工查勘定损核损，大大减少了保险公司的成本，提升了普通用户的车险理赔体验。
不过，目前的智能定损方案，损伤识别的准确度还有待进一步提高。因此，希望能有改进的方案，更加有效地训练损伤识别模型，从而更准确地识别车辆损伤状况。
发明内容
本说明书一个或多个实施例描述了训练损伤识别模型的方法和装置，通过标注出损伤对象的材质和损伤方式，来提高损伤识别模型的准确度和泛化性。
根据第一方面，提供了一种训练损伤识别模型的方法，所述损伤识别模型用于从车辆定损图片中识别车辆损伤的损伤类别，所述方法包括：
获取多张标注图片，各张标注图片包括，至少一个损伤边框，以及该损伤边框对应的损伤类别标签，所述损伤边框是包围连续损伤区域的最小矩形框，所述损伤类别标签指示出损伤材质和损伤方式的信息；
至少基于所述多张标注图片，训练多分类模型作为所述损伤识别模型。
在一个实施例中，损伤类别标签还指示出损伤程度的信息。
根据一种可能的设计，损伤类别标签为数字标签，该数字标签按照预定的映射表指示出对应的损伤材质和损伤方式的组合，所述映射表包含各种数字标签与损伤材质和损伤方式的各种组合之间的映射关系。
进一步地，在一种实施例中，上述数字标签按照预定的映射表指示出对应的损伤材质、损伤方式以及损伤程度的组合，相应地，所述映射表包含各种数字标签与损伤材质、损伤方式和损伤程度的各种组合之间的映射关系。
根据一种可能的设计，损伤类别标签包含第一字段和第二字段的组合，所述第一字段指示出损伤材质信息，第二字段指示出损伤方式信息。
进一步地，在一个实施例中，所述损伤类别标签还包括第三字段，所述第三字段指示出损伤程度的信息。
在一种实施方式中，所述损伤材质包括，喷漆件，塑料件，金属件，磨砂件，玻璃，灯；所述损伤方式包括，刮擦，变形，裂口，碎裂。
根据一种可能的设计，所述损伤类别标签与维修方案类别相对应。
根据第二方面，提供一种利用损伤识别模型识别车辆损伤的方法，所述损伤识别模型通过第一方面的方法而训练，所述方法包括：
获取待识别的图片；
将所述待识别的图片输入所述损伤识别模型，得到损伤类别预测结果；
根据所述损伤类别预测结果，确定车辆的损伤材质和损伤方式的信息。
在一个实施例中，还可以根据损伤类别预测结果，确定车辆的损伤程度的信息。
根据一种可能的设计，损伤识别模型所基于的损伤类别标签与维修方案类别相对应；相应地，所述方法还包括：根据所述损伤类别预测结果，确定车辆的维修方案。
根据第三方面，提供一种训练损伤识别模型的训练装置，所述损伤识别模型用于从车辆定损图片中识别车辆损伤的损伤类别，所述训练装置包括：
获取单元，配置为获取多张标注图片，各张标注图片包括，至少一个损伤边框，以及该损伤边框对应的损伤类别标签，所述损伤边框是包围连续损伤区域的最小矩形框，所述损伤类别标签指示出损伤材质和损伤方式的信息；
训练单元，配置为至少基于所述多张标注图片，训练多分类模型作为所述损伤识别模型。
根据第四方面，提供一种利用损伤识别模型识别车辆损伤的识别装置，所述损伤识别模型通过第三方面的训练装置而训练，所述识别装置包括：
图片获取单元，配置为获取待识别的图片；
预测单元，配置为将所述待识别的图片输入所述损伤识别模型，得到损伤类别预测结果；
确定单元，配置为根据所述损伤类别预测结果，确定车辆的损伤材质和损伤方式的信息。
根据第五方面，提供了一种计算设备，包括存储器和处理器，其特征在于，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，实现第一方面和第二方面的方法。
通过本说明书实施例提供的方法和装置，在模型训练过程中，训练样本的标注标签集中于受损的材质和损伤方式，而不限于车辆部件，单独针对损伤进行识别和模型训练。这样所需的训练样本数量大幅减少，且对于损伤识别更有针对性。如此训练的损伤识别模型可以对损伤状况有更细微精准的判断，且具有独立于部件之外的损伤对象的泛化识别能力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出本说明书披露的一个实施例的实施场景示意图；
图2示出根据一个实施例的训练损伤识别模型的方法流程图；
图3示出根据一个实施例的标注图片；
图4示出根据一个实施例的利用损伤识别模型识别车辆损伤的方法；
图5示出根据一个实施例的训练装置的示意图框图；
图6示出根据一个实施例的识别装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
为了对车辆定损图片中的损伤状况进行识别，业界普遍采用的方法是，通过与海量历史数据库进行比对得到相似的图片,来决定图片上的损伤部件及其程度。然而，这样的方式损伤识别准确率不够理想。
根据一种实施方式，对含有车损信息的图片进行人工标注，形成标注图片，然后利用这些标注图片作为训练样本，训练损伤识别模型。图1为本说明书披露的一个实施例的实施场景示意图。如图1所示，利用人工标注的图片形成训练样本集，然后计算平台用训练样本集训练损伤识别模型。在训练得到损伤识别模型之后，对于用户拍摄的现场损失图片，就可以将现场图片发送到计算平台，利用该损伤识别模型，自动识别图片中的车损状况。
在以上有监督的机器学习过程中，需要基于大量的人工标注图片进行模型训练。图片的标注方式决定了获取到怎样的训练样本，进一步决定了模型的训练效果。因此，需要考虑训练样本的标注方式的问题。
在一种实施方式中，对于车辆损伤识别而言，可以将定损图片标注为“部件+损伤类别”的方式，例如，保险杠变形，前车门刮擦，等等。如果车辆包含m种部件，具有n种损伤方式，那么损伤类别的标注大致会有m*n种类别标签，这就需要针对各种不同部件，以及不同损伤方式的大量的训练样本。一般来说，车辆部件的识别和损伤的识别所基于的图片会有不同，例如车辆全局图更有利于进行车辆部件的识别，却难以看清损伤细节，而细节图更有利于进行损伤的识别，但有时候却难以分辨车辆部件。这也为图片标注带来一定困难。
根据另一种实施方式，提出更加普适，更有泛化性的标注方式和训练方式。在该方式中，训练样本的标注标签集中于受损的材质和损伤方式，而不限于车辆部件，如此训练的损伤识别模型可以对损伤状况有更细微精准的判断，且具有独立于部件之外的损伤对象的泛化识别能力。下面描述该方案构思的具体实现方式。
图2示出根据一个实施例的训练损伤识别模型的方法流程图，要训练的损伤识别模型用于，从车辆定损图片中识别车辆损伤的损伤类别。可以理解，该方法可以由任何具有计算、处理能力的设备、装置、平台、设备集群来执行，例如图1所示的计算平台。如图2所示，所述方法包括：步骤21，获取多张标注图片，各张标注图片包括，至少一个损伤边框，以及该损伤边框对应的损伤类别标签，所述损伤边框是包围连续损伤区域的最小矩形框，所述损伤类别标签指示出损伤材质和损伤方式的信息；步骤22，至少基于所述多张标注图片，训练多分类模型作为所述损伤识别模型。下面描述以上步骤的具体执行过程。
首先，在步骤21，获取多张标注图片。由于模型的训练需要大量的标注图片，一般地，存在人工标注平台，将图片分发给标注人员，按照预定要求进行标注。在步骤21，可以从这样的人工标注平台获取标注图片。
特别地，根据本说明书的实施例，在对损伤对象进行标注时，要求标注人员按照以下方式进行标注：即对每张含有损伤对象的图片，用损伤边框标注出损伤对象所在的区域，并为损伤对象标注出损伤类别标签，该标签指示出损伤材质和损伤方式的信息。
如此，获得的各张标注图片包括，至少一个损伤边框，以及该损伤边框对应的损伤类别标签，其中，损伤边框是包围连续损伤区域的最小矩形框，用于框选出损伤对象所在区域，而损伤类别标签则指示出损伤材质和损伤方式的信息。
具体地，损伤材质可以包括，例如，喷漆件，塑料件，金属件，磨砂件，玻璃，灯，等等；损伤方式可以包括，刮擦，变形，裂口，碎裂，等等。相应地，损伤类别标签可以指示出，例如，喷漆件刮擦，金属件变形，玻璃碎裂，等损伤材质和损伤方式的组合。
进一步地，在一个实施例中，损伤类别标签还指示出损伤程度的信息，损伤程度例如包括，轻微、严重、重度等等。如此，损伤类别标签指示出损伤材质、损伤方式和损伤程度三者的信息。例如，在具体例子中，损伤类别标签可以指示出，金属件严重变形，玻璃轻微刮擦，玻璃重刮擦，等等。
在一个实施例中，损伤类别标签采用数字标签的形式。为此，预先定义一个映射表，包含各种数字标签与损伤材质和损伤方式的各种组合之间的映射关系。标注人员在标注时，当确定出损伤对象的材质和损伤方式之后，查询该映射表，确定该损伤材质和损伤方式的组合所对应的数字，用该数字作为损伤类别标签。
在损伤类别标签还指示损伤程度信息的情况下，上述映射表可以包含各种数字标签与损伤材质、损伤方式和损伤程度的各种组合之间的映射关系。
表1示出一个映射表的示例。
表1
数字标签 损伤信息
01 玻璃轻微刮擦
02 玻璃重刮擦
03 玻璃碎裂
04 喷漆件轻微刮擦
05 塑料件轻微变形
06 金属件严重变形
…… ……
从以上表1可以看到，将数字标签与其指示的损伤信息建立关联，其中损伤信息包含损伤材质、损伤方式和损伤程度。某些损伤对象的损伤信息也可以仅包含损伤材质和损伤方式而不含损伤程度，例如玻璃碎裂。
如此，通过数字将损伤信息标注为不同的损伤类别。
图3示出根据一个实施例的标注图片。该标注图片包含一个损伤边框，该损伤边框用包围连续损伤区域的最小矩形框，框选出损伤对象所在区域。该标注图片还包括，对该损伤边框中损伤对象的损伤类别进行标注的标签，例如右上角的数字04。通过表1所示的映射表可知，该损伤类别标签示出，损伤对象对应的损伤信息为，喷漆件轻微刮擦。
在另一实施例中，损伤类别标签也可以包含多个字段，不同字段示出不同信息。例如，在一个具体实施例中，损伤类别标签包含第一字段和第二字段的组合，第一字段指示出损伤材质信息，第二字段指示出损伤方式信息。例如，第一字段用A，B，C…等字母分别表示喷漆件，塑料件，金属件，磨砂件，玻璃，灯等材质，第二字段用1,2，3…等数字表示刮擦，变形，裂口，碎裂等损伤方式，从而第一字段字母和第二字段数字的组合，可以表示出不同材质不同损伤方式的组合。
进一步地，在一个具体例子中，损伤类别标签还包括第三字段，所述第三字段指示出损伤程度的信息，例如轻微，严重，重度等。
在一个实施例中，各个字段的取值与表示的损伤信息的对应关系也通过映射表记录。表2示出记录不同字段与损伤信息的对应关系的映射表。
表2
从以上表2可以看到，可以通过映射表记录不同字段的取值与对应损伤信息的对应关系，例如包括，第一字段取值与材质的对应关系，第二字段取值与损伤方式的对应关系，以及第三字段取值与损伤程度的对应关系。如此，可以通过字段的组合指示出完整的损伤信息，例如B1ss示出塑料件轻微刮擦，A2xx示出喷漆件严重变形，等等。当然，也允许某些损伤对象的损伤信息可以仅包含损伤材质和损伤方式而不含损伤程度，此时第三字段可以缺省。
如此，通过损伤类别标签指示出损伤信息，损伤信息至少包含损伤材质的信息和损伤方式的信息。
在一个实施例中，损伤类别标签与维修方案类别相对应。也就是说，考虑维修方案的类别来预先定义损伤类别标签，标注时从预先定义的损伤类别标签中进行选择。例如，表1示出的映射表中，每种数字标签可以对应一种维修方案，例如，数字标签03对应于损伤信息“玻璃碎裂”，该损伤信息可以对应于维修方案“更换玻璃件”；数字标签04对应于“喷漆件轻微刮擦”，该损伤信息可以对应于维修方案“喷漆处理”，等等。如此，更加有利于后续的定损环节。
在以上获得了具有边框和损伤类别标签的标注图片的基础上，在步骤22，至少基于这样的多张标注图片，训练多分类模型作为损伤识别模型。
具体地，获取到的标注图片即可作为训练样本，用于进行模型训练。在训练过程中，可以从标注图片中提取图片的特征向量，输入模型中进行处理，然后通过标签比对进行模型参数优化，得到训练的损伤识别模型。可以理解，由于标注图片的标签为具有多种可能取值的损伤类别标签，因此，损伤识别模型采用的是多分类模型。
根据一种实施方式，损伤识别模型可以是基于卷积神经网络CNN的模型。更具体地，损伤识别模型可以采用Faster-RCNN，Yolo，RCNN，lighthead-RCNN等目标检测模型。在适用于用户终端的情况下，损伤识别模型也可以采用mobilenet和ssd等轻量级的适用于移动终端的目标检测模型。
通过以上可以看到，在模型训练过程中，训练样本的标注标签集中于受损的材质和损伤方式，而不限于车辆部件，将m*n维的部件损伤程度的识别问题转化为m维部件识别的问题和n维损伤识别的问题，单独针对损伤进行识别和模型训练。这样所需的训练样本数量大幅减少，且对于损伤识别更有针对性。并且，如此训练的损伤识别模型可以对损伤状况有更细微精准的判断，且具有独立于部件之外的损伤对象的泛化识别能力。下面描述利用该损伤识别模型进行损伤识别的过程和效果。
图4示出根据一个实施例的利用损伤识别模型识别车辆损伤的方法。可以理解，所述损伤识别模型是通过图2所述的方法训练得到的损伤识别模型。如图4所示，该识别方法包括以下步骤。
在步骤41，获取待识别的图片。可以理解，该图片可以是普通用户拍摄的车损现场的图片，是有待进行损伤识别的图片。
在步骤42，将所述待识别的图片输入所述损伤识别模型，得到损伤类别预测结果。一般地，损伤类别预测结果的形式，与训练样本的标注形式相对应。例如，如果训练样本按照表1的映射表标注为数字标签，那么损伤类别预测结果也可以是一个数字类别结果，例如03。
然后，在步骤43，根据上述损伤类别预测结果，确定车辆的损伤材质和损伤方式的信息。如前所述，由于模型训练时，损伤类别标签中指示出损伤材质和损伤方式的信息，而损伤类别预测结果与损伤类别标签相对应，因此，可以根据损伤类别预测结果，确定出所预测的车辆的损伤材质信息和损伤方式信息。例如，如果训练样本按照表1的映射表标注为数字标签，而输出的损伤类别预测结果是例如03，那么通过查询同样的映射表可以确定，上述图片中车辆损伤状况的预测结果为：玻璃碎裂。
在一个实施例中，模型训练阶段所基于的损伤类别标签还示出损伤程度的信息。那么相应地，在使用模型进行预测时，还可以根据损伤类别预测结果，确定车辆的损伤程度的信息。例如，如果输出的损伤类别预测结果是04，那么可以确定，上述图片中车辆损伤状况的预测结果为：喷漆件轻微刮擦，其中包含损伤材质，损伤程度和损伤方式的信息。
在一个实施例中，损伤类别标签与维修方案类别相对应。例如，表1中的数字标签03对应于维修方案“更换玻璃件”，数字标签04对应于维修方案“喷漆处理”，等等。在这样的情况下，可以根据损伤类别预测结果，直接确定出维修方案。例如，如果损伤类别预测结果为03，则可以直接确定出维修方案为“更换玻璃件”，如果损伤类别预测结果为04，则可以直接确定出维修方案为“喷漆处理”。如此，非常有利于维修方案的确定和车辆的定损。
可以看到，通过以上方式训练得到的损伤识别模型，具有很好的泛化能力。例如，当识别出损伤结果为“喷漆件刮擦”，该结果可以广泛地适用于各种喷漆部件，而不必对部件进行区别，例如车前门，车后门，引擎盖等等。并且，这样的损伤类别标注和损伤类别预测可以与维修方案直接对应，使得维修方案的确定和车辆定损过程更加直接和便利。
根据另一方面的实施例，还提供一种训练损伤识别模型的训练装置，所述损伤识别模型用于从车辆定损图片中识别车辆损伤的损伤类别。该训练装置例如可以通过图1所示的计算平台实现。图5示出根据一个实施例的训练装置的示意图框图。如图5所示，该训练装置500包括：
获取单元51，配置为获取多张标注图片，各张标注图片包括，至少一个损伤边框，以及该损伤边框对应的损伤类别标签，所述损伤边框是包围连续损伤区域的最小矩形框，所述损伤类别标签指示出损伤材质和损伤方式的信息；
训练单元52，配置为至少基于所述多张标注图片，训练多分类模型作为所述损伤识别模型。
根据一种实施方式，损伤类别标签还指示出损伤程度的信息。
在一种可能的设计中，损伤类别标签为数字标签。该数字标签按照预定的映射表指示出对应的损伤材质和损伤方式的组合，所述映射表包含各种数字标签与损伤材质和损伤方式的各种组合之间的映射关系。
进一步地，在一个实施例中，数字标签按照预定的映射表指示出对应的损伤材质、损伤方式以及损伤程度的组合；相应地，所述映射表包含各种数字标签与损伤材质、损伤方式和损伤程度的各种组合之间的映射关系。
在一种可能的设计中，所述损伤类别标签包含第一字段和第二字段的组合，所述第一字段指示出损伤材质信息，第二字段指示出损伤方式信息。
进一步地，在一个实施例中，所述损伤类别标签还包括第三字段，所述第三字段指示出损伤程度的信息。
根据一种实施方式，所述损伤材质包括，喷漆件，塑料件，金属件，磨砂件，玻璃，灯；所述损伤方式包括，刮擦，变形，裂口，碎裂。
在一个实施例中，所述损伤类别标签可以与维修方案类别相对应。
根据又一方面的实施例，还提供一种利用损伤识别模型识别车辆损伤的识别装置，其中所述损伤识别模型通过图2的方法或图5的装置而训练获得。图6示出根据一个实施例的识别装置的示意性框图。如图6所示，该识别装置600包括：
图片获取单元61，配置为获取待识别的图片；
预测单元62，配置为将所述待识别的图片输入所述损伤识别模型，得到损伤类别预测结果；
确定单元63，配置为根据所述损伤类别预测结果，确定车辆的损伤材质和损伤方式的信息。
在一个实施例中，所述确定单元63还配置为，根据所述损伤类别预测结果，确定车辆的损伤程度的信息。
根据一种可能的设计，损伤识别模型所基于的损伤类别标签与维修方案类别相对应；在这样的情况下，确定单元63还配置为：根据所述损伤类别预测结果，确定车辆的维修方案。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2和图4所描述的方法。
根据再一方面的实施例，还提供一种计算设备，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，实现结合图2和图4所述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
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，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (23)

1.一种计算机执行的车辆损伤识别方法，包括：
获取待识别的图片；
将所述待识别的图片输入损伤识别模型，从所述损伤识别模型的输出得到损伤预测结果，所述损伤预测结果包括，损伤边框预测结果和损伤类别预测结果，所述损伤类别预测结果指示出损伤材质和损伤方式的信息；
根据所述损伤预测结果，确定车辆的损伤状况，所述损伤状况至少包括损伤材质和损伤方式。
2.根据权利要求1所述的方法，其中所述损伤识别模型通过以下方式训练：
获取多张标注图片，各张标注图片包括，至少一个损伤边框，以及该损伤边框对应的损伤类别标签，所述损伤边框是包围连续损伤区域的最小矩形框，所述损伤类别标签指示出损伤材质和损伤方式的信息；
至少基于所述多张标注图片，训练多分类模型作为所述损伤识别模型。
3.根据权利要求2所述的方法，其中所述损伤类别标签还指示出损伤程度的信息。
4.根据权利要求2所述的方法，其中所述损伤类别标签为数字标签，该数字标签按照预定的映射表指示出对应的损伤材质和损伤方式的组合，所述映射表包含各种数字标签与损伤材质和损伤方式的各种组合之间的映射关系。
5.根据权利要求4所述的方法，其中所述数字标签按照预定的映射表指示出对应的损伤材质、损伤方式以及损伤程度的组合，所述映射表包含各种数字标签与损伤材质、损伤方式和损伤程度的各种组合之间的映射关系。
6.根据权利要求2所述的方法，其中所述损伤类别标签包含第一字段和第二字段的组合，所述第一字段指示出损伤材质信息，第二字段指示出损伤方式信息。
7.根据权利要求6所述的方法，其中所述损伤类别标签还包括第三字段，所述第三字段指示出损伤程度的信息。
8.根据权利要求1所述的方法，其中，
所述损伤材质包括，喷漆件，塑料件，金属件，磨砂件，玻璃，灯；
所述损伤方式包括，刮擦，变形，裂口，碎裂。
9.根据权利要求1所述的方法，其中所述损伤类别标签与维修方案类别相对应。
10.根据权利要求1所述的方法，其中，所述损伤类别预测结果还指示出车辆的损伤程度的信息，
其中根据所述损伤预测结果，确定车辆的损伤状况包括，根据所述类别预测结果，确定车辆的损伤程度。
11.根据权利要求1所述的方法，其中所述损伤识别模型所基于的损伤类别标签与维修方案类别相对应；所述方法还包括：
根据所述损伤类别预测结果，确定车辆的维修方案。
12.一种识别车辆损伤的装置，包括：
图片获取单元，配置为获取待识别的图片；
预测单元，配置为将所述待识别的图片输入损伤识别模型，从所述损伤识别模型的输出得到损伤预测结果，所述损伤预测结果包括，损伤边框预测结果和损伤类别预测结果，所述损伤类别预测结果指示出损伤材质和损伤方式的信息；
确定单元，配置为根据所述损伤预测结果，确定车辆的损伤状况。
13.根据权利要求12所述的装置，其中所述损伤识别模型通过训练装置而训练，所述训练装置包括：
获取单元，配置为获取多张标注图片，各张标注图片包括，至少一个损伤边框，以及该损伤边框对应的损伤类别标签，所述损伤边框是包围连续损伤区域的最小矩形框，所述损伤类别标签指示出损伤材质和损伤方式的信息；
训练单元，配置为至少基于所述多张标注图片，训练多分类模型作为所述损伤识别模型。
14.根据权利要求13所述的装置，其中所述损伤类别标签还指示出损伤程度的信息。
15.根据权利要求13所述的装置，其中所述损伤类别标签为数字标签，该数字标签按照预定的映射表指示出对应的损伤材质和损伤方式的组合，所述映射表包含各种数字标签与损伤材质和损伤方式的各种组合之间的映射关系。
16.根据权利要求15所述的装置，其中所述数字标签按照预定的映射表指示出对应的损伤材质、损伤方式以及损伤程度的组合，所述映射表包含各种数字标签与损伤材质、损伤方式和损伤程度的各种组合之间的映射关系。
17.根据权利要求13所述的装置，其中所述损伤类别标签包含第一字段和第二字段的组合，所述第一字段指示出损伤材质信息，第二字段指示出损伤方式信息。
18.根据权利要求17所述的装置，其中所述损伤类别标签还包括第三字段，所述第三字段指示出损伤程度的信息。
19.根据权利要求12所述的装置，其中，
所述损伤材质包括，喷漆件，塑料件，金属件，磨砂件，玻璃，灯；
所述损伤方式包括，刮擦，变形，裂口，碎裂。
20.根据权利要求13所述的装置，其中所述损伤类别标签与维修方案类别相对应。
21.根据权利要求12所述的装置，所述确定单元还配置为，根据所述损伤类别预测结果，确定车辆的损伤程度。
22.根据权利要求12所述的装置，其中所述损伤识别模型所基于的损伤类别标签与维修方案类别相对应；所述确定单元还配置为：
根据所述损伤类别预测结果，确定车辆的维修方案。
23.一种计算设备，包括存储器和处理器，其特征在于，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1-11中任一项所述的方法。
CN201811012749.2A 2018-08-31 2018-08-31 训练损伤识别模型的方法及装置 Pending CN110570316A (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN201811012749.2A CN110570316A (zh) 2018-08-31 2018-08-31 训练损伤识别模型的方法及装置
TW108119300A TW202011290A (zh) 2018-08-31 2019-06-04 訓練損傷辨識模型的方法及裝置
US16/554,223 US11080839B2 (en) 2018-08-31 2019-08-28 System and method for training a damage identification model
PCT/US2019/048908 WO2020047316A1 (en) 2018-08-31 2019-08-29 System and method for training a damage identification model
SG11202012505SA SG11202012505SA (en) 2018-08-31 2019-08-29 System and method for training a damage identification model
EP19768961.5A EP3844668A1 (en) 2018-08-31 2019-08-29 System and method for training a damage identification model
US17/374,352 US11748399B2 (en) 2018-08-31 2021-07-13 System and method for training a damage identification model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811012749.2A CN110570316A (zh) 2018-08-31 2018-08-31 训练损伤识别模型的方法及装置

Publications (1)

Publication Number Publication Date
CN110570316A true CN110570316A (zh) 2019-12-13

Family

ID=68772391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811012749.2A Pending CN110570316A (zh) 2018-08-31 2018-08-31 训练损伤识别模型的方法及装置

Country Status (5)

Country Link
US (2) US11080839B2 (zh)
EP (1) EP3844668A1 (zh)
CN (1) CN110570316A (zh)
SG (1) SG11202012505SA (zh)
TW (1) TW202011290A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666990A (zh) * 2020-05-27 2020-09-15 平安科技（深圳）有限公司 车辆损伤特征检测方法、装置、计算机设备及存储介质
WO2021151277A1 (zh) * 2020-05-26 2021-08-05 平安科技（深圳）有限公司 目标物损伤程度判定方法、装置、电子设备及存储介质
CN115240031A (zh) * 2022-07-21 2022-10-25 无锡锤头鲨智能科技有限公司 一种基于生成对抗网络的板材表面缺陷生成方法及系统

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550080A (zh) * 2018-03-16 2018-09-18 阿里巴巴集团控股有限公司 物品定损方法及装置
US20200090314A1 (en) * 2018-09-13 2020-03-19 Virtual Control Limited System and method for determining a condition of an object
CN109359676A (zh) * 2018-10-08 2019-02-19 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
CN110399804A (zh) * 2019-07-01 2019-11-01 浙江师范大学 一种基于深度学习的食品检测识别方法
CN112132796A (zh) * 2020-09-15 2020-12-25 佛山读图科技有限公司 以反馈数据自主学习提升检测精度的视觉检测方法和系统
CN112419244B (zh) * 2020-11-11 2022-11-01 浙江大学 混凝土裂缝分割方法及装置
CN112613408B (zh) * 2020-12-23 2022-10-04 宁波市交通建设工程试验检测中心有限公司 一种安全帽视频检测方法、系统、存储介质及安全帽
CN112766398B (zh) * 2021-01-27 2022-09-16 无锡中车时代智能装备研究院有限公司 发电机转子通风孔识别方法及设备
CN112950634B (zh) * 2021-04-22 2023-06-30 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 基于无人机巡检的风力机叶片损伤识别方法、设备和系统
US20230153975A1 (en) * 2021-11-16 2023-05-18 Solera Holdings, Llc Transfer of damage markers from images to 3d vehicle models for damage assessment

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8712893B1 (en) * 2012-08-16 2014-04-29 Allstate Insurance Company Enhanced claims damage estimation using aggregate display
CN106952250A (zh) * 2017-02-28 2017-07-14 北京科技大学 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置
CN107092922A (zh) * 2017-03-13 2017-08-25 平安科技（深圳）有限公司 车损识别方法及服务器
CN107194398A (zh) * 2017-05-10 2017-09-22 平安科技（深圳）有限公司 车损部位的识别方法及系统
CN107748893A (zh) * 2017-09-29 2018-03-02 阿里巴巴集团控股有限公司 提升车辆定损图像识别结果的方法、装置及服务器

Family Cites Families (97)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7031901B2 (en) 1998-05-13 2006-04-18 Abu El Ata Nabil A System and method for improving predictive modeling of an information system
US6233364B1 (en) 1998-09-18 2001-05-15 Dainippon Screen Engineering Of America Incorporated Method and system for detecting and tagging dust and scratches in a digital image
US6397334B1 (en) 1998-12-17 2002-05-28 International Business Machines Corporation Method and system for authenticating objects and object data
US6644973B2 (en) 2000-05-16 2003-11-11 William Oster System for improving reading and speaking
US6925452B1 (en) 2000-05-22 2005-08-02 International Business Machines Corporation Method and system for recognizing end-user transactions
US7093129B1 (en) 2000-06-19 2006-08-15 International Business Machines Corporation Secured encrypted communications in a voice browser
JP3846851B2 (ja) 2001-02-01 2006-11-15 松下電器産業株式会社 画像のマッチング処理方法及びその装置
US7565537B2 (en) 2002-06-10 2009-07-21 Microsoft Corporation Secure key exchange with mutual authentication
US20040196363A1 (en) 2003-04-01 2004-10-07 Gary Diamond Video identification verification system
US7466824B2 (en) 2003-10-09 2008-12-16 Nortel Networks Limited Method and system for encryption of streamed data
US7401012B1 (en) 2005-04-20 2008-07-15 Sun Microsystems, Inc. Method and apparatus for characterizing computer system workloads
US8448226B2 (en) 2005-05-13 2013-05-21 Sarangan Narasimhan Coordinate based computer authentication system and methods
US7536304B2 (en) 2005-05-27 2009-05-19 Porticus, Inc. Method and system for bio-metric voice print authentication
KR101426870B1 (ko) 2007-03-06 2014-09-19 스미토모덴키고교가부시키가이샤 화상 가공 방법, 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체, 및 화상 검사 방법
US7872584B2 (en) 2007-04-09 2011-01-18 Honeywell International Inc. Analyzing smoke or other emissions with pattern recognition
US8280106B2 (en) 2007-09-29 2012-10-02 Samsung Electronics Co., Ltd. Shadow and highlight detection system and method of the same in surveillance camera and recording medium thereof
US8014596B2 (en) * 2007-10-30 2011-09-06 Sharp Laboratories Of America, Inc. Methods and systems for background color extrapolation
US9298979B2 (en) 2008-01-18 2016-03-29 Mitek Systems, Inc. Systems and methods for mobile image capture and content processing of driver's licenses
US8180629B2 (en) 2008-07-10 2012-05-15 Trigent Softward Ltd. Automatic pattern generation in natural language processing
DE102008046254A1 (de) 2008-09-08 2010-03-11 Giesecke & Devrient Gmbh Wertdokumentbearbeitungsvorrichtung und ein Verfahren zur Reduktion von Staub in der Wertdokumentbearbeitungsvorrichtung
KR101556654B1 (ko) 2008-11-28 2015-10-02 삼성전자주식회사 영상 통화 수행 방법 및 장치
JP5285632B2 (ja) * 2009-01-26 2013-09-11 パナソニック株式会社 動画像処理装置、動画像処理方法および撮像装置
US8121400B2 (en) 2009-09-24 2012-02-21 Huper Laboratories Co., Ltd. Method of comparing similarity of 3D visual objects
US9253167B2 (en) 2011-04-19 2016-02-02 Apriva, Llc Device and system for facilitating communication and networking within a secure mobile environment
US9082235B2 (en) 2011-07-12 2015-07-14 Microsoft Technology Licensing, Llc Using facial data for device authentication or subject identification
US8625887B2 (en) * 2011-07-13 2014-01-07 Google Inc. Systems and methods for matching visual object components
WO2013093932A2 (en) 2011-09-29 2013-06-27 Tata Consultancy Services Limited Damage assessment of an object
US8966613B2 (en) 2011-09-30 2015-02-24 Microsoft Technology Licensing, Llc Multi-frame depth image information identification
WO2013085525A1 (en) * 2011-12-08 2013-06-13 Intel Corporation Techniques for efficient stereo block matching for gesture recognition
US8989515B2 (en) 2012-01-12 2015-03-24 Kofax, Inc. Systems and methods for mobile image capture and processing
US9066125B2 (en) 2012-02-10 2015-06-23 Advanced Biometric Controls, Llc Secure display
JP6052657B2 (ja) 2012-03-13 2016-12-27 パナソニックＩｐマネジメント株式会社 対象物検証装置、対象物検証プログラム、及び対象物検証方法
US9147297B2 (en) * 2012-03-14 2015-09-29 Flextronics Ap, Llc Infotainment system based on user profile
US8705836B2 (en) 2012-08-06 2014-04-22 A2iA S.A. Systems and methods for recognizing information in objects using a mobile device
US9582843B2 (en) 2012-08-20 2017-02-28 Tautachrome, Inc. Authentication and validation of smartphone imagery
US9036943B1 (en) * 2013-03-14 2015-05-19 Amazon Technologies, Inc. Cloud-based image improvement
US9147127B2 (en) 2013-03-15 2015-09-29 Facebook, Inc. Verification of user photo IDs
US10475014B1 (en) 2013-03-15 2019-11-12 Amazon Technologies, Inc. Payment device security
US9723251B2 (en) 2013-04-23 2017-08-01 Jaacob I. SLOTKY Technique for image acquisition and management
US9268823B2 (en) 2013-05-10 2016-02-23 International Business Machines Corporation Partial match derivation using text analysis
EP3028187A1 (en) * 2013-07-30 2016-06-08 Kodak Alaris Inc. System and method for creating navigable views of ordered images
CN103442001B (zh) 2013-08-22 2019-05-17 百度在线网络技术（北京）有限公司 信息推荐方法、装置和服务器
US10319035B2 (en) 2013-10-11 2019-06-11 Ccc Information Services Image capturing and automatic labeling system
US9202119B2 (en) 2013-10-18 2015-12-01 Daon Holdings Limited Methods and systems for determining user liveness
JP6287047B2 (ja) 2013-10-22 2018-03-07 富士通株式会社 画像処理装置、画像処理方法および画像処理プログラム
US9607138B1 (en) 2013-12-18 2017-03-28 Amazon Technologies, Inc. User authentication and verification through video analysis
US10320807B2 (en) 2014-02-25 2019-06-11 Sal Khan Systems and methods relating to the authenticity and verification of photographic identity documents
US20150293982A1 (en) 2014-04-14 2015-10-15 International Business Machines Corporation Displaying a representative item for a collection of items
US10963810B2 (en) 2014-06-30 2021-03-30 Amazon Technologies, Inc. Efficient duplicate detection for machine learning data sets
US9646227B2 (en) 2014-07-29 2017-05-09 Microsoft Technology Licensing, Llc Computerized machine learning of interesting video sections
US9258303B1 (en) 2014-08-08 2016-02-09 Cellcrypt Group Limited Method of providing real-time secure communication between end points in a network
CA2902093C (en) 2014-08-28 2023-03-07 Kevin Alan Tussy Facial recognition authentication system including path parameters
KR20160087649A (ko) 2015-01-14 2016-07-22 삼성전자주식회사 사용자 단말 장치, 시스템 및 그 제어 방법
US9619696B2 (en) 2015-04-15 2017-04-11 Cisco Technology, Inc. Duplicate reduction for face detection
CN106156204B (zh) 2015-04-23 2020-05-29 深圳市腾讯计算机系统有限公司 文本标签的提取方法和装置
US9794260B2 (en) 2015-08-10 2017-10-17 Yoti Ltd Liveness detection
US20170060867A1 (en) 2015-08-31 2017-03-02 Adfamilies Publicidade, SA Video and image match searching
US10065441B2 (en) 2015-09-01 2018-09-04 Digimarc Corporation Counterfeiting detection using machine readable indicia
JP6451861B2 (ja) 2015-09-09 2019-01-16 日本電気株式会社 顔認証装置、顔認証方法およびプログラム
US11868354B2 (en) 2015-09-23 2024-01-09 Motorola Solutions, Inc. Apparatus, system, and method for responding to a user-initiated query with a context-based response
GB201517462D0 (en) 2015-10-02 2015-11-18 Tractable Ltd Semi-automatic labelling of datasets
WO2017059576A1 (en) 2015-10-09 2017-04-13 Beijing Sensetime Technology Development Co., Ltd Apparatus and method for pedestrian detection
US20170147990A1 (en) * 2015-11-23 2017-05-25 CSI Holdings I LLC Vehicle transactions using objective vehicle data
CN105719188B (zh) 2016-01-22 2017-12-26 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
US10242048B2 (en) 2016-01-26 2019-03-26 International Business Machines Corporation Dynamic question formulation to query data sources
US11423414B2 (en) 2016-03-18 2022-08-23 Fair Isaac Corporation Advanced learning system for detection and prevention of money laundering
US11144889B2 (en) * 2016-04-06 2021-10-12 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
US10692050B2 (en) * 2016-04-06 2020-06-23 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
US20170293620A1 (en) 2016-04-06 2017-10-12 International Business Machines Corporation Natural language processing based on textual polarity
US10789545B2 (en) 2016-04-14 2020-09-29 Oath Inc. Method and system for distributed machine learning
US9886771B1 (en) 2016-05-20 2018-02-06 Ccc Information Services Inc. Heat map of vehicle damage
US10346782B2 (en) 2016-06-21 2019-07-09 Accenture Global Solutions Limited Adaptive augmented decision engine
JP6235082B1 (ja) 2016-07-13 2017-11-22 ヤフー株式会社 データ分類装置、データ分類方法、およびプログラム
US10055882B2 (en) * 2016-08-15 2018-08-21 Aquifi, Inc. System and method for three-dimensional scanning and for capturing a bidirectional reflectance distribution function
DE102016218012A1 (de) * 2016-09-20 2018-03-22 Volkswagen Aktiengesellschaft Verfahren für eine Datenverarbeitungsanlage zur Erhaltung eines Betriebszustands eines ersten autonomen Fahrzeugs sowie Verfahren für eine Datenverarbeitungsanlage zum Verwalten einer Mehrzahl autonomer Fahrzeuge
GB2554361B8 (en) 2016-09-21 2022-07-06 Emergent Network Intelligence Ltd Automatic image based object damage assessment
US11308350B2 (en) 2016-11-07 2022-04-19 Qualcomm Incorporated Deep cross-correlation learning for object tracking
WO2018120013A1 (en) 2016-12-30 2018-07-05 Nokia Technologies Oy Artificial neural network
EP3596449A4 (en) 2017-03-14 2021-01-06 University of Manitoba DETECTION OF STRUCTURAL DEFECTS USING AUTOMATIC LEARNING ALGORITHMS
CN112435215B (zh) 2017-04-11 2024-02-13 创新先进技术有限公司 一种基于图像的车辆定损方法、移动终端、服务器
CN106897273B (zh) 2017-04-12 2018-02-06 福州大学 一种基于知识图谱的网络安全动态预警方法
CN107194323B (zh) 2017-04-28 2020-07-03 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
CN107368776B (zh) 2017-04-28 2020-07-03 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
KR102334575B1 (ko) 2017-07-31 2021-12-03 삼성디스플레이 주식회사 무라 검출 장치 및 무라 검출 장치의 검출 방법
US11087292B2 (en) * 2017-09-01 2021-08-10 Allstate Insurance Company Analyzing images and videos of damaged vehicles to determine damaged vehicle parts and vehicle asymmetries
CN108090838B (zh) 2017-11-21 2020-09-29 阿里巴巴集团控股有限公司 识别车辆受损部件的方法、装置、服务器、客户端及系统
US11586875B2 (en) 2017-11-22 2023-02-21 Massachusetts Institute Of Technology Systems and methods for optimization of a data model network architecture for target deployment
CN109919308B (zh) 2017-12-13 2022-11-11 腾讯科技（深圳）有限公司 一种神经网络模型部署方法、预测方法及相关设备
CN108268619B (zh) 2018-01-08 2020-06-30 阿里巴巴集团控股有限公司 内容推荐方法及装置
US10942767B2 (en) 2018-02-27 2021-03-09 Microsoft Technology Licensing, Llc Deep neural network workload scheduling
US10554738B1 (en) 2018-03-02 2020-02-04 Syncsort Incorporated Methods and apparatus for load balance optimization based on machine learning
US10997413B2 (en) 2018-03-23 2021-05-04 NthGen Software Inc. Method and system for obtaining vehicle target views from a video stream
GB2573809B (en) 2018-05-18 2020-11-04 Emotech Ltd Speaker Recognition
US11238506B1 (en) * 2018-06-15 2022-02-01 State Farm Mutual Automobile Insurance Company Methods and systems for automatic processing of images of a damaged vehicle and estimating a repair cost
US10832065B1 (en) 2018-06-15 2020-11-10 State Farm Mutual Automobile Insurance Company Methods and systems for automatically predicting the repair costs of a damaged vehicle from images
WO2020033111A1 (en) 2018-08-09 2020-02-13 Exxonmobil Upstream Research Company ( Subterranean drill bit management system
JP7211735B2 (ja) * 2018-08-29 2023-01-24 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 寄与度決定方法、寄与度決定装置及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8712893B1 (en) * 2012-08-16 2014-04-29 Allstate Insurance Company Enhanced claims damage estimation using aggregate display
CN106952250A (zh) * 2017-02-28 2017-07-14 北京科技大学 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置
CN107092922A (zh) * 2017-03-13 2017-08-25 平安科技（深圳）有限公司 车损识别方法及服务器
CN107194398A (zh) * 2017-05-10 2017-09-22 平安科技（深圳）有限公司 车损部位的识别方法及系统
CN107748893A (zh) * 2017-09-29 2018-03-02 阿里巴巴集团控股有限公司 提升车辆定损图像识别结果的方法、装置及服务器

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021151277A1 (zh) * 2020-05-26 2021-08-05 平安科技（深圳）有限公司 目标物损伤程度判定方法、装置、电子设备及存储介质
CN111666990A (zh) * 2020-05-27 2020-09-15 平安科技（深圳）有限公司 车辆损伤特征检测方法、装置、计算机设备及存储介质
WO2021114809A1 (zh) * 2020-05-27 2021-06-17 平安科技（深圳）有限公司 车辆损伤特征检测方法、装置、计算机设备及存储介质
CN115240031A (zh) * 2022-07-21 2022-10-25 无锡锤头鲨智能科技有限公司 一种基于生成对抗网络的板材表面缺陷生成方法及系统
CN115240031B (zh) * 2022-07-21 2023-10-27 无锡锤头鲨智能科技有限公司 一种基于生成对抗网络的板材表面缺陷生成方法及系统

Also Published As

Publication number Publication date
US11748399B2 (en) 2023-09-05
US20210342999A1 (en) 2021-11-04
TW202011290A (zh) 2020-03-16
SG11202012505SA (en) 2021-03-30
US20200090320A1 (en) 2020-03-19
US11080839B2 (en) 2021-08-03
EP3844668A1 (en) 2021-07-07

Similar Documents

Publication Publication Date Title
CN110570316A (zh) 训练损伤识别模型的方法及装置
CN110569837B (zh) 优化损伤检测结果的方法及装置
CN110569701B (zh) 计算机执行的车辆定损方法及装置
WO2021051885A1 (zh) 目标标注的方法及装置
US10691982B2 (en) Method and apparatus for vehicle damage identification
CN110569700B (zh) 优化损伤识别结果的方法及装置
TW202011282A (zh) 用於車輛零件識別的神經網路系統、方法和裝置
CN110569856B (zh) 样本标注方法及装置、损伤类别的识别方法及装置
CN110264444B (zh) 基于弱分割的损伤检测方法及装置
WO2021073213A1 (zh) 为受损车辆生成定损文件的方法及装置
CN109657599B (zh) 距离自适应的车辆外观部件的图片识别方法
CN116409575A (zh) 一种智能仓储货架进出库管控系统
CN110728287A (zh) 图像识别方法及装置、电子设备、存储介质
CN114227717A (zh) 基于巡检机器人的智能巡检方法、装置、设备及存储介质
CN116524725B (zh) 一种智能驾驶的交通标志图像数据识别系统
US20040111434A1 (en) Method for the identification of stored information
CN115631169A (zh) 产品检测方法、装置、电子设备及存储介质
CN112131418A (zh) 目标标注方法、目标标注装置和计算机可读存储介质
CN117743171A (zh) 搜索评测用例的数据标注方法、存储介质以及智能设备
CN117197758A (zh) 车辆识别方法、装置、电子设备
CN115546755A (zh) 交通标识的识别方法、装置、电子设备及存储介质
CN117173710A (zh) 一种用于轮胎胎侧字符的识别方法

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40018746

Country of ref document: HK

TA01 Transfer of patent application right

Effective date of registration: 20201009

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: 20201009

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: 20191213

RJ01 Rejection of invention patent application after publication