CN112183022A - 一种估损方法和装置 - Google Patents
一种估损方法和装置 Download PDFInfo
- Publication number
- CN112183022A CN112183022A CN202011023601.6A CN202011023601A CN112183022A CN 112183022 A CN112183022 A CN 112183022A CN 202011023601 A CN202011023601 A CN 202011023601A CN 112183022 A CN112183022 A CN 112183022A
- Authority
- CN
- China
- Prior art keywords
- preset
- information
- machine learning
- learning model
- preset 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- 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
- 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
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种估损方法和装置,其中,所述估损方法包括:获取出险案件对应的预设信息,其中,所述预设信息包括以下至少之一:文本信息、图像以及数字信息;将所述预设信息,输入预先训练好的多模态机器学习模型中,得到输出结果;将所述输出结果,确定为估损金额。通过本发明实施例提供的估损方法,能够节省人力资源、确保估损的时效性。
Description
技术领域
本发明涉及保险技术领域,特别是涉及一种估损方法和装置。
背景技术
保险机构出于需要平衡资金等考虑,会在出险案件报案之后预先估计最终的赔偿金额。现在业内常见的预估赔付金额的方法为,组织人力通过报案时提供的信息,人工预估赔偿金额。人工预估的方式有如下缺点:
1、对参与人员的经验要求高;
2、工作速度慢,工作时间长;
3、参与人员难以记忆或查询海量对比案件;
4、参与人员容易忘记较长时间以前的结案案件的赔付金额作为参考。
可见,现有的人工预估赔偿金额的方式,不仅效率低且受参与人员自身素质的局限性。
发明内容
本发明提供了一种估损方法和装置,以解决现有的人工预估赔偿金额的方式,效率低且受参与人员自身素质的局限性的问题。
第一方面,本申请实施例提供了一种估损方法,包括:获取出险案件对应的预设信息,其中,所述预设信息包括以下至少之一:文本信息、图像以及数字信息;将所述预设信息,输入预先训练好的多模态机器学习模型中,得到输出结果;将所述输出结果,确定为估损金额。
可选地,将所述预设信息,输入预先训练好的多模态机器学习模型中,得到输出信息的步骤,包括:
将所述预设信息输入预先训练好的多模态机器学习模型中;
通过所述多模态机器学习模型中的预设编码器,将所述预设信息转换成输入向量;
通过所述多模态机器学习模型中包含的深度学习网络,对所述输入向量进行评估,得到所述多模态机器学习模型的输出结果。
可选地,其特征在于,所述通过所述多模态机器学习模型中的预设编码器,将所述预设信息转换成输入向量的步骤,包括:
针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量;
分别将各类型的预设信息转换后的第一向量进行拼接,得到输入向量。
可选地,所述针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量的步骤,包括:
针对获取的文本信息,通过所述多模态机器学习模型中的文本编码器,将所述文本信息转换成文本向量。
可选地,所述针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量的步骤,包括:
针对获取的每个图像,通过图像检测模块识别所述图像中的目标对象;
针对各所述目标对象,确定所述目标对象在所述图像中所占图像区域的边框;
从所述边框中,采集预设数量的边框位置点坐标;
通过所述多模态机器学习模型中的图像编码器,将所述图像和各所述目标对象对应的边框位置点坐标转换成图像向量。
可选地,所述针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量的步骤,包括:
针对获取的数字信息,确定所述数字信息包含的数字段数量;
在所述数字段数量小于预设数量的情况下,采用预设字符将所述数字信息中的数字段补充至所述预设数量;
将各所述数字段转换成数字向量。
可选地,在所述获取出险案件对应的预设信息的步骤之前,所述方法还包括:
获取多个历史出险案件的预设信息和赔付金额;
分别将各所述历史出险案件的预设信息和赔付金额,输入多模态机器学习模型中进行模型训练;
在所述多模态机器学习模型的收敛度小于预设收敛度的情况下,确定所述多模态机器学习模型训练完成。
第二方面,本申请实施例提供了一种估损装置,其中,所述估损装置包括:第一获取模块,用于获取出险案件对应的预设信息,其中,所述预设信息包括以下至少之一:文本信息、图像以及数字信息;输入模块,用于将所述预设信息,输入预先训练好的多模态机器学习模型中,得到输出结果;确定模块,用于将所述输出结果,确定为估损金额。
可选地,所述输入模块包括:
第一子模块,用于将所述预设信息输入预先训练好的多模态机器学习模型中;
第二子模块,用于通过所述多模态机器学习模型中的预设编码器,将所述预设信息转换成输入向量;
第三子模块,用于通过所述多模态机器学习模型中包含的深度学习网络,对所述输入向量进行评估,得到所述多模态机器学习模型的输出结果。
可选地,所述第二子模块包括:
第一单元,用于针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量;
第二单元,用于分别将各类型的预设信息转换后的第一向量进行拼接,得到输入向量。
可选地,所述第一单元具体用于:
针对获取的文本信息,通过所述多模态机器学习模型中的文本编码器,将所述文本信息转换成文本向量。
可选地,所述第一单元具体用于:
针对获取的每个图像,通过图像检测模块识别所述图像中的目标对象;
针对各所述目标对象,确定所述目标对象在所述图像中所占图像区域的边框;
从所述边框中,采集预设数量的边框位置点坐标;
通过所述多模态机器学习模型中的图像编码器,将各所述目标对象对应的边框位置点坐标转换成图像向量。
可选地,所述第一单元具体用于:
针对获取的数字信息,确定所述数字信息包含的数字段数量;
在所述数字段数量小于预设数量的情况下,采用预设字符将所述数字信息中的数字段补充至所述预设数量;
将各所述数字段转换成数字向量。
可选地,所述装置还包括:
第二获取模块,用于在所述第一获取模块获取出险案件对应的预设信息的之前,获取多个历史出险案件的预设信息和赔付金额;
训练模块,用于分别将各所述历史出险案件的预设信息和赔付金额,输入多模态机器学习模型中进行模型训练;
训练结果确定模块,用于在所述多模态机器学习模型的收敛度小于预设收敛度的情况下,确定所述多模态机器学习模型训练完成。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,本申请实施例提供了一种用于估损的装置,包括存储器,以及一个或者一个以上的程序,其中所述一个或者一个以上程序存储于所述存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:获取出险案件对应的预设信息,其中,所述预设信息包括以下至少之一:文本信息、图像以及数字信息;将所述预设信息,输入预先训练好的多模态机器学习模型中,得到输出结果;将所述输出结果,确定为估损金额。
与现有技术相比,本发明具有以下优点:
本发明实施例提供的估损方案,获取出险案件对应的预设信息;将预设信息输入预先训练好的多模态机器学习模型中,得到输出结果;将输出结果,确定为估损金额。第一方面,由于机器自动估损,因此能够节省人力资源、确保估损的时效性;第二方面,多模态机器学习模型基于多个维度的预设信息对出险案件进行估损,所得结果更加可靠、符合实际情况。
附图说明
图1是根据本发明实施例一的一种估损方法的步骤流程图;
图2是多模态机器学习模型的训练过程示意图;
图3是根据本发明实施例二的一种估损方法的步骤流程图;
图4是根据本发明实施例三的一种估损装置的结构框图;
图5是根据本发明实施例四的一种电子设备的结构框图;
图6是根据本发明实施例五的一种用于估损的装置的结构框图;
图7是本发明实施例五中的服务器设备的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1,示出了本发明实施例一的一种估损方法的步骤流程图。
估损为在保险案件报案后对案件的最终赔付金额做出预估的行为。本发明实施例的估损方法包括以下步骤:
步骤101:获取出险案件对应的预设信息。
其中,预设信息包括以下至少之一:文本信息、图像以及数字信息。投保用户出险后可自行拍摄险情相关图像,例如:用户驾驶过程中撞车可对车辆受损部位进行图像拍摄后上传线上保险平台,若除车辆受损外用户也受伤,可对受伤部位、车辆受损部位分别进行图像拍摄后上传线上保险平台。不仅如此,用户在出险后除上传险情相关图像至线上保险平台外,还可以在平台提供的预设界面中输入文本信息、数字信息或者险情相关视频等信息。
需要说明的是,出险案件对应的预设信息可由投保用户上传,也可以由保险核赔专员上传。
步骤102:将预设信息,输入预先训练好的多模态机器学习模型中,得到输出结果。
多模态机器学习模型可由研发人员依据大量训练样本训练得到,训练过程主要包括如下三个步骤:
首先,取多个历史出险案件的预设信息和赔付金额;
历史出险案件的预设信息包括:文本信息、图像信息、数字信息以及其他信息,图像信息包括:图像、图像中标记的各目标对象对应的边框位置点坐标。
其次,分别将各历史出险案件的预设信息和赔付金额,输入多模态机器学习模型中进行模型训练;
最后,在多模态机器学习模型的收敛度小于预设收敛度的情况下,确定多模态机器学习模型训练完成。
多模态机器学习模型中的部分编码结构也是通过模型做的编码,故而也是需要训练的。比如,对图像进行目标对象检测、目标对象边框位置点坐标提取等相关编码需要训练优化,而文本信息和数值信息相关的编码可以不用训练,可以直接写入多模态机器学习模型中。
预设收敛度可由本领域技术人员根据实际需求进行设置,本申请实施例中对此不做具体限制。多模态机器学习模型的收敛度越小训练难度越大,后续估损时所输出的估损金额越可靠。
下面参照附图2对依据一个历史出险案件对多模态机器学习模型进行训练的过程进行说明。
如图2所示,多模态机器学习模型包括:目标检测模块、向量拼接算法、深度学习网络以及预设的多个编码器,如文本编码器、图像编码器等。需要说明的是,多模态机器学习模型中预设的各编码器、目标检测模块、深度学习网络的内部算法结构可按模型的应用场景灵活设置。
将历史出险案件对应的文本信息、图像、文字信息以及其他信息输入多模态机器学习模型中,通过文本编码器将文本信息转化成转换成文本向量;通过目标检测模块对图像进行图像检测后,再通过图像编码器将检测后的图像转换成图像向量;通过预设算法将数字信息转换成数字向量;通过与输入的其他信息相应的编码器将其转换成其他信息向量。通过向量拼接算法将文本向量、图像向量、数字向量以及其他信息向量进行拼接,得到拼接后的向量,将拼接后的向量以及赔付金额输入深度学习网络中进行训练。
重复采用上述方式基于各历史出险案件对多模态机器学习模型进行训练,直至多模态机器学习模型的收敛度小于预设收敛度完成模型训练。
步骤103:将输出结果,确定为估损金额。
在确定估损金额后,保险核赔专员进一步依据投保用户上报的预设信息对估损金额进行核实。
本申请实施例提供的估损方法,获取出险案件对应的预设信息;将预设信息输入预先训练好的多模态机器学习模型中,得到输出结果;将输出结果,确定为估损金额。第一方面,由于机器自动估损,因此能够节省人力资源、确保估损的时效性;第二方面,多模态机器学习模型基于多个维度的预设信息对出险案件进行估损,所得结果更加可靠、符合实际情况。
实施例二
参照图3,示出了本发明实施例二的一种估损方法的步骤流程图。
本发明实施例的估损方法具体包括以下步骤:
步骤301:获取出险案件对应的预设信息。
其中,预设信息包括以下至少之一:文本信息、图像以及数字信息。
针对一个出险案件,可由保险核赔专员或投保用户登陆线上保险平台,然后向平台上传出险案件对应的预设信息。所上传的预设信息越完善,最终得到的估损金额越可靠。
步骤302:将预设信息输入预先训练好的多模态机器学习模型中。
对于多模态机器学习模型的训练方式,参照实施例一中的相关说明即可,本申请实施例中对此不再赘述。
步骤303:通过多模态机器学习模型中的预设编码器,将预设信息转换成输入向量。
多模态机器学习模型中预设有多种类型的编码器,不同类型的编码器用于处于不同类型的预设信息。例如:通过图像编码器对输入的图像进行编码,通过文本编码器对输入的文本信息进行编码,通过视频编码器对输入的视频进行编码等。
一种可选地通过多模态机器学习模型中的预设编码器,将预设信息转换成输入向量的步骤,包括:
针对获取的每种类型的预设信息,通过多模态机器学习模型中与类型匹配的预设编码器,将类型的预设信息转换成第一向量;分别将各类型的预设信息转换后的第一向量进行拼接,得到输入向量。
具体地,针对不同类型的预设信息,相应类型的编码器对其进行向量转换的方式如下:
针对获取的文本信息,通过多模态机器学习模型中的文本编码器,将文本信息转换成文本向量。
将文本信息通过文本编码器转换后,得到文本向量可采用如下方式表示:{wTXT,wT1,...,wTN}。若文本信息中包含的字符数小于预设字符数,可在向量中采用<NUL>字符表征缺少的字符。例如:文本信息包含10个文字,预设字符数为12,则转换后的文本向量可表示为:{wTXT,wT1,wT2,wT3,wT4,wT5,wT6,wT7,wT8,wT9,wT1o,wNUL,wNUL}。其中,wT1表示一个字符向量,TXT并不表示实际字符,用于表征该向量为文本向量,wTXT表示TXT符号的向量形式。若文本信息中包含的字符数大于预设字符数,则提取排序在前的预设字符数的字符,进行本次文本向量转换,文本信息中未被提取的字符将被丢弃。
针对获取的每个图像,通过图像检测模块识别图像中的目标对象;针对各目标对象,确定目标对象在图像中所占图像区域的边框;从边框中,采集预设数量的边框位置点坐标;通过多模态机器学习模型中的图像编码器,将各目标对象对应的边框位置点坐标转换成图像向量。
以对一张图像进行向量转换为例,通过目标检测模块对图像进行对象识别,识别得到K个目标对象,以及K个目标对象所占区域的边框。针对每一个目标对象从该目标对象对应的区域边框中采集预设数量的边框位置点坐标;通过多模态机器学习模型中的图像编码器,将该图像和各目标对象对应的边框位置点坐标转换成图像向量,得到K个子图像向量拼接而成的图像向量,拼接成的图像向量可表示为:{wIMG,wIA1,...,wIAM,wIMG,wIB1,...,wIBM,...,...,wIMG,wIK1,...,wIKM}。其中,wIA1表示一个子图像向量,IMG并不表示实际目标对象,仅用于表征该向量为图像向量,wIMG表示IMG符号的向量形式。与文字信息处理方式类似,若图像中包含的目标对象的个数小于预设个数,则在转换后的图像向量中通过<NUL>字符代替缺少的目标对象对应的子图像向量。若图像中包含的目标对象的个数大于预设个数,则随机选取预设个数的目标对象,进行本次图像向量转换,检测到的其他未被随机选取的目标对象将被中未被丢弃。
针对获取的数字信息,确定数字信息包含的数字段数量;在数字段数量小于预设数量的情况下,采用预设字符将所述数字信息中的数字段补充至预设数量;将各数字段转换成数字向量。
数字信息转换后的数字向量可表示为:{wNUM,wN1,wNUM,wN2,...,wNUM,wNL}。若数字信息中数字段数量小于预设数量,则在转换好的数字向量采用<NUL>字符代替缺少的数字段对应的数字段向量。其中,wN1表示一个数字段向量,NUM并不表示实际数字段向量,仅用于表征该向量为数字向量,wNUM表示NUM符号的向量形式。
将上述文本向量、图像向量以及数字向量拼接后,得到的输入向量可表示为:
{wTXT,wT1,...,wTN,wIMG,wIA1,...,wIAM,wIMG,wIB1,...,wIBM,...,...,wIMG,wIK1,...,wIKM,wNUM,wN1,wNUM,wN2,...,wNUM,wNL}。
步骤304:通过多模态机器学习模型中包含的深度学习网络,对输入向量进行评估,得到多模态机器学习模型的输出结果。
本申请实施例提供的估损方法,获取出险案件对应的预设信息;将预设信息输入预先训练好的多模态机器学习模型中,得到输出结果;将输出结果,确定为估损金额。第一方面,由于机器自动估损,因此能够节省人力资源、确保估损的时效性;第二方面,多模态机器学习模型基于多个维度的预设信息对出险案件进行估损,所得结果更加可靠、符合实际情况。此外,本申请实施例提供向量转换方式,计算量小。
实施例三
参照图4,示出了本发明实施例三的一种估损装置的结构框图。
本发明实施例的估损装置400包括:
第一获取模块401,用于获取出险案件对应的预设信息,其中,所述预设信息包括以下至少之一:文本信息、图像以及数字信息;
输入模块402,用于将所述预设信息,输入预先训练好的多模态机器学习模型中,得到输出结果;
确定模块403,用于将所述输出结果,确定为估损金额。
可选地,输入模块包括:第一子模块,用于将所述预设信息输入预先训练好的多模态机器学习模型中;第二子模块,用于通过所述多模态机器学习模型中的预设编码器,将所述预设信息转换成输入向量;第三子模块,用于通过所述多模态机器学习模型中包含的深度学习网络,对所述输入向量进行评估,得到所述多模态机器学习模型的输出结果。
可选地,所述第二子模块包括:第一单元,用于针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量;第二单元,用于分别将各类型的预设信息转换后的第一向量进行拼接,得到输入向量。
可选地,所述第一单元具体用于:针对获取的文本信息,通过所述多模态机器学习模型中的文本编码器,将所述文本信息转换成文本向量。
可选地,所述第一单元具体用于:针对获取的每个图像,通过图像检测模块识别所述图像中的目标对象;针对各所述目标对象,确定所述目标对象在所述图像中所占图像区域的边框;从所述边框中,采集预设数量的边框位置点坐标;通过所述多模态机器学习模型中的图像编码器,将所述图像和各所述目标对象对应的边框位置点坐标转换成图像向量。
可选地,所述第一单元具体用于:针对获取的数字信息,确定所述数字信息包含的数字段数量;在所述数字段数量小于预设数量的情况下,采用预设字符将所述数字信息中的数字段补充至所述预设数量;将各所述数字段转换成数字向量。
可选地,所述装置还包括:第二获取模块,用于在所述第一获取模块获取出险案件对应的预设信息的之前,获取多个历史出险案件的预设信息和赔付金额;训练模块,用于分别将各所述历史出险案件的预设信息和赔付金额,输入多模态机器学习模型中进行模型训练;训练结果确定模块,用于在所述多模态机器学习模型的收敛度小于预设收敛度的情况下,确定所述多模态机器学习模型训练完成。
本发明实施例的估损装置用于实现前述实施例一、实施例二中相应的估损方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例四
可选的,如图5所示,本申请实施例还提供一种电子设备500,包括处理器501,存储器502,存储在存储器502上并可在所述处理器501上运行的程序或指令,该程序或指令被处理器501执行时实现上述估损方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
实施例五
参照图6,示出了本发明实施例五的一种用于估损的装置的结构框图。
图6是根据一示例性实施例示出的一种用于估损的装置600的框图。例如,装置600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置600可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制装置600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当装置600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为装置600提供各个方面的状态评估。例如,传感器组件614可以检测到装置600的打开/关闭状态,组件的相对定位,例如所述组件为装置600的显示器和小键盘,传感器组件614还可以检测装置600或装置600一个组件的位置改变,用户与装置600接触的存在或不存在,装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由装置600的处理器620执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图7是本发明实施例中服务器设备的结构示意图。该服务器设备1900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1922(例如,一个或一个以上处理器)和存储器1932,一个或一个以上存储应用程序1942或数据1944的存储介质1930(例如一个或一个以上海量存储设备)。其中,存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1922可以设置为与存储介质1930通信,在服务器设备1900上执行存储介质1930中的一系列指令操作。
服务器设备1900还可以包括一个或一个以上电源1926,一个或一个以上有线或无线网络接口1950,一个或一个以上输入输出接口1958,一个或一个以上键盘1956,和/或,一个或一个以上操作系统1941,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本发明所提供的一估损方案进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
在此提供的估损方案不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造具有本发明方案的系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的是估损方案中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种估损方法,其特征在于,包括:
获取出险案件对应的预设信息,其中,所述预设信息包括以下至少之一:文本信息、图像以及数字信息;
将所述预设信息,输入预先训练好的多模态机器学习模型中,得到输出结果;
将所述输出结果,确定为估损金额。
2.根据权利要求1所述的方法,其特征在于,将所述预设信息,输入预先训练好的多模态机器学习模型中,得到输出信息的步骤,包括:
将所述预设信息输入预先训练好的多模态机器学习模型中;
通过所述多模态机器学习模型中的预设编码器,将所述预设信息转换成输入向量;
通过所述多模态机器学习模型中包含的深度学习网络,对所述输入向量进行评估,得到所述多模态机器学习模型的输出结果。
3.根据权利要求2所述的方法,其特征在于,所述通过所述多模态机器学习模型中的预设编码器,将所述预设信息转换成输入向量的步骤,包括:
针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量;
分别将各类型的预设信息转换后的第一向量进行拼接,得到输入向量。
4.根据权利要求3所述的方法,其特征在于,所述针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量的步骤,包括:
针对获取的文本信息,通过所述多模态机器学习模型中的文本编码器,将所述文本信息转换成文本向量。
5.根据权要求3所述的方法,其特征在于,所述针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量的步骤,包括:
针对获取的每个图像,通过图像检测模块识别所述图像中的目标对象;
针对各所述目标对象,确定所述目标对象在所述图像中所占图像区域的边框;
从所述边框中,采集预设数量的边框位置点坐标;
通过所述多模态机器学习模型中的图像编码器,将所述图像和各所述目标对象对应的边框位置点坐标转换成图像向量。
6.根据权利要求3所述的方法,其特征在于,所述针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量的步骤,包括:
针对获取的数字信息,确定所述数字信息包含的数字段数量;
在所述数字段数量小于预设数量的情况下,采用预设字符将所述数字信息中的数字段补充至所述预设数量;
将各所述数字段转换成数字向量。
7.根据权利要求1所述的方法,其特征在于,在所述获取出险案件对应的预设信息的步骤之前,所述方法还包括:
获取多个历史出险案件的预设信息和赔付金额;
分别将各所述历史出险案件的预设信息和赔付金额,输入多模态机器学习模型中进行模型训练;
在所述多模态机器学习模型的收敛度小于预设收敛度的情况下,确定所述多模态机器学习模型训练完成。
8.一种估损装置,其特征在于,包括:
第一获取模块,用于获取出险案件对应的预设信息,其中,所述预设信息包括以下至少之一:文本信息、图像以及数字信息;
输入模块,用于将所述预设信息,输入预先训练好的多模态机器学习模型中,得到输出结果;
确定模块,用于将所述输出结果,确定为估损金额。
9.根据权利要求8所述的装置,其特征在于,所述输入模块包括:
第一子模块,用于将所述预设信息输入预先训练好的多模态机器学习模型中;
第二子模块,用于通过所述多模态机器学习模型中的预设编码器,将所述预设信息转换成输入向量;
第三子模块,用于通过所述多模态机器学习模型中包含的深度学习网络,对所述输入向量进行评估,得到所述多模态机器学习模型的输出结果。
10.根据权利要求8所述的装置,其特征在于,所述第二子模块包括:
第一单元,用于针对获取的每种类型的预设信息,通过所述多模态机器学习模型中与所述类型匹配的预设编码器,将所述类型的预设信息转换成第一向量;
第二单元,用于分别将各类型的预设信息转换后的第一向量进行拼接,得到输入向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011023601.6A CN112183022A (zh) | 2020-09-25 | 2020-09-25 | 一种估损方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011023601.6A CN112183022A (zh) | 2020-09-25 | 2020-09-25 | 一种估损方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183022A true CN112183022A (zh) | 2021-01-05 |
Family
ID=73944533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011023601.6A Pending CN112183022A (zh) | 2020-09-25 | 2020-09-25 | 一种估损方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183022A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862339A (zh) * | 2017-11-15 | 2018-03-30 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN108985358A (zh) * | 2018-06-29 | 2018-12-11 | 北京百度网讯科技有限公司 | 情绪识别方法、装置、设备及存储介质 |
CN109035041A (zh) * | 2018-08-03 | 2018-12-18 | 平安科技(深圳)有限公司 | 电子装置、车险智能理赔方法及存储介质 |
CN110232564A (zh) * | 2019-08-02 | 2019-09-13 | 南京擎盾信息科技有限公司 | 一种基于多模态数据的交通事故法律自动决策方法 |
CN110533018A (zh) * | 2018-05-23 | 2019-12-03 | 北京国双科技有限公司 | 一种图像的分类方法及装置 |
CN110599557A (zh) * | 2017-08-30 | 2019-12-20 | 深圳市腾讯计算机系统有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
CN110781916A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 视频数据的欺诈检测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-09-25 CN CN202011023601.6A patent/CN112183022A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599557A (zh) * | 2017-08-30 | 2019-12-20 | 深圳市腾讯计算机系统有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
CN107862339A (zh) * | 2017-11-15 | 2018-03-30 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110533018A (zh) * | 2018-05-23 | 2019-12-03 | 北京国双科技有限公司 | 一种图像的分类方法及装置 |
CN108985358A (zh) * | 2018-06-29 | 2018-12-11 | 北京百度网讯科技有限公司 | 情绪识别方法、装置、设备及存储介质 |
CN109035041A (zh) * | 2018-08-03 | 2018-12-18 | 平安科技(深圳)有限公司 | 电子装置、车险智能理赔方法及存储介质 |
WO2020024407A1 (zh) * | 2018-08-03 | 2020-02-06 | 平安科技(深圳)有限公司 | 电子装置、车险智能理赔方法及存储介质 |
CN110232564A (zh) * | 2019-08-02 | 2019-09-13 | 南京擎盾信息科技有限公司 | 一种基于多模态数据的交通事故法律自动决策方法 |
CN110781916A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 视频数据的欺诈检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889469B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US11455788B2 (en) | Method and apparatus for positioning description statement in image, electronic device, and storage medium | |
CN107527059B (zh) | 文字识别方法、装置及终端 | |
CN109360197B (zh) | 图像的处理方法、装置、电子设备及存储介质 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109961094B (zh) | 样本获取方法、装置、电子设备及可读存储介质 | |
CN110781323A (zh) | 多媒体资源的标签确定方法、装置、电子设备及存储介质 | |
CN110764627B (zh) | 一种输入方法、装置和电子设备 | |
EP3012750A1 (en) | Method and device for identifying encoding of web page | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN110929616B (zh) | 一种人手识别方法、装置、电子设备和存储介质 | |
CN110941727B (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN111160047A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN111046927B (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
CN108984628B (zh) | 内容描述生成模型的损失值获取方法及装置 | |
CN110213062B (zh) | 处理消息的方法及装置 | |
CN109145151B (zh) | 一种视频的情感分类获取方法及装置 | |
CN110955800A (zh) | 视频检索方法及装置 | |
CN112183022A (zh) | 一种估损方法和装置 | |
CN113887999A (zh) | 一种保单风险评估方法和装置 | |
CN114201665A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN114154395A (zh) | 一种模型处理方法、装置和用于模型处理的装置 | |
CN113807540A (zh) | 一种数据处理方法及装置 | |
CN113919292B (zh) | 一种用于公式识别的模型训练方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |