KR20200014725A - 차량 보험 이미지 처리 방법, 장치, 서버 및 시스템 - Google Patents
차량 보험 이미지 처리 방법, 장치, 서버 및 시스템 Download PDFInfo
- Publication number
- KR20200014725A KR20200014725A KR1020197027479A KR20197027479A KR20200014725A KR 20200014725 A KR20200014725 A KR 20200014725A KR 1020197027479 A KR1020197027479 A KR 1020197027479A KR 20197027479 A KR20197027479 A KR 20197027479A KR 20200014725 A KR20200014725 A KR 20200014725A
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle insurance
- image
- insurance image
- classification
- vehicle
- Prior art date
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000007635 classification algorithm Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims description 113
- 238000012545 processing Methods 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012015 optical character recognition Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 16
- 239000010410 layer Substances 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 102000015779 HDL Lipoproteins Human genes 0.000 description 1
- 108010010234 HDL Lipoproteins Proteins 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06K9/20—
-
- 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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G06K9/00442—
-
- G06K9/6267—
-
- 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
-
- 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
- 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
- G06Q10/10—Office automation; Time management
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G06K2209/01—
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
Abstract
본 명세서의 실시예들은 차량 보험 이미지 처리 방법, 장치, 서버 및 시스템을 개시한다. 차량 보험 이미지 처리 방법은, 사고 현장에서 촬영되고 수집된 차량 보험 이미지를 취득하는 단계; 사전 설정된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지를 인식하고 분류하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하는 단계; 및 분류에 기초하여, 카테고리 라벨에 따라, 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 단계를 포함한다.
Description
본 명세서의 구현예들은 이미지 데이터 처리 기술의 분야, 특히 차량 보험 이미지 처리 방법, 장치, 서버 및 시스템에 관한 것이다.
전국의 다양한 도시들의 급속한 발전에 따라, 차량 시장이 호황을 누리고 있다. 따라서, 차량 보험 시장이 급속히 성장하고 차량 보험 서비스들이 상당히 증가한다. 차량 보험 서비스들을 처리하고 사용자 요구들에 신속하고 정확하며 효율적으로 대응하는 방법은, 주요 보험 제공업체가 차량 보험 시장을 점유할 수 있도록 하는 중요한 보증 링크(guarantee link)들이다.
현재, 차량 보험 청구 서비스에서는, 보험 가입 차량(insured vehicle)이 사고에 관련될 때, 보험 제공업체는 통상적으로 차량 이미지들 및 사고 현장 이미지들을 촬영하고 후속된 차량 손실 평가와 정보 검증을 위해, 위탁된 파트너의 운영자 또는 직원을 사고 현장으로 파견한다. 현재, 차량 사고에서 촬영된 차량 보험 이미지들을 효율적으로 관리하기 위해, 보험 제공업체는 통상적으로 차량 보험 이미지들을 수동으로 검증하여, 차량 손상 사진들, 물체 손상 사진들, 증명서 사진들 등과 같은 이러한 이미지들의 사용 카테고리들을 결정한다. 차량 보험 서비스들이 급속히 증가함에 따라, 서비스 제공업체는 점점 더 많은 차량 보험 케이스들을 처리해야 하고, 현장에서 획득된 차량 보험 이미지들의 데이터 용량은 점점 더 커진다. 예를 들어, 일부 서비스 제공업체의 경우, 각각의 차량 보험 케이스에서 평균 약 40장의 사진이 촬영되고, 다소 복잡한 차량 보험 케이스에서 심지어 200장보다 많은 사진이 촬영되므로, 이는 차량 보험 이미지들의 수동 인식 및 분류에서의 인력 및 시간 비용을 증가시킨다. 따라서, 차량 보험 이미지들을 더 신속하고 정확하게 처리하는 방식이 업계에서 요구된다.
본 명세서의 실시예들의 목적은, 차량 보험 이미지의 사용 시나리오를 자동으로 인식하고, 차량 보험 이미지의 시나리오 분류를 신속하고 정확하게 결정할 수 있는 차량 보험 이미지 처리 방법, 장치, 서버 및 시스템을 제공하는 것이다.
본 명세서의 실시예들에 의해 제공되는 차량 보험 이미지 처리 방법, 장치, 서버 및 시스템은 이하의 방식들로 구현된다.
차량 보험 이미지 처리 방법이 제공되며, 본 방법은:
차량 보험 이미지를 취득하는 단계;
사전 설정된 이미지 분류 알고리즘을 사용함으로써, 차량 보험 이미지를 처리하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하는 단계; 및
분류에 기초하여, 카테고리 라벨에 따라, 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 단계를 포함한다.
차량 보험 이미지 처리 장치가 제공되며, 본 장치는:
차량 보험 이미지를 취득하도록 구성되는 이미지 취득 모듈;
사전 설정된 이미지 분류 알고리즘을 사용하여 차량 보험 이미지를 처리하고 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하도록 구성되는 이미지 처리 모듈; 및
분류에 기초하여, 카테고리 라벨에 따라, 차량 보험 이미지를 대응하는 사용 시나리오에 저장하도록 구성되는 분류-기반 저장 모듈을 포함한다.
프로세서 및 프로세서에 의해 실행 가능한 명령어들을 저장하기 위한 메모리를 포함하는 차량 보험 이미지 처리 장치가 제공된다. 프로세서는, 명령어들을 실행할 때,
차량 보험 이미지를 취득하고;
사전 설정된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지를 처리하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하고;
분류에 기초하여, 카테고리 라벨에 따라, 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 동작들을 구현한다.
적어도 하나의 프로세서 및 프로세서에 의해 실행 가능한 명령어들을 저장하기 위한 메모리를 포함하는 서버가 제공된다. 프로세서는, 명령어들을 실행할 때,
차량 보험 이미지를 취득하고;
사전 설정된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지를 처리하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하고;
분류에 기초하여, 카테고리 라벨에 따라, 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 동작들을 구현한다.
수집된-이미지 저장 유닛, 알고리즘 서버, 및 차량 보험 이미지 데이터베이스를 포함하는 차량 보험 이미지 시스템이 제공된다. 적어도 하나의 프로세서; 및 프로세서에 의해 실행 가능한 명령어들을 저장하기 위한 메모리를 포함하는 알고리즘 서버가 제공되고, 프로세서는, 명령어들을 실행할 때,
수집된-이미지 저장 유닛으로부터 차량 보험 이미지를 취득하고;
사전 설정된 이미지 분류 알고리즘을 사용함으로써, 차량 보험 이미지를 처리하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하고;
카테고리 라벨에 따라, 차량 보험 이미지를 차량 보험 이미지 데이터베이스 내의 대응하는 사용 시나리오의 저장 구역에 저장하는 동작을 구현한다.
본 명세서의 하나 이상의 실시예에 의해 제공되는 차량 보험 이미지 처리 방법, 장치, 서버 및 시스템은, 선택된 이미지 분류 알고리즘을 사용함으로써 상기 차량 보험 이미지를 자동으로 처리하여 각각의 차량 보험 이미지의 카테고리를 인식할 수 있다. 본 명세서의 실시예들의 해결책들에 의해, 차량 보험 이미지들의 분류 정확성 및 차량 보험 이미지들의 라벨링 효율이 크게 향상될 수 있고, 수동 인식 및 처리에 소요되는 시간이 단축될 수 있고, 차량 보험 이미지들의 처리 정확성 및 신뢰성이 향상될 수 있다.
본 명세서의 실시예들 또는 종래 기술의 기술적 해결책들을 더 명확하게 설명하기 위해, 이하에서는 실시예들 또는 종래 기술을 설명하기 위해 필요한 첨부 도면들을 간략하게 소개한다. 명백하게, 이하의 설명에서 첨부 도면들은 단지 본 명세서의 일부 실시예를 도시할 뿐이고, 본 기술분야의 통상의 기술자는 창조적 노력없이 이러한 첨부 도면들로부터 다른 도면들을 여전히 도출할 수 있다.
도 1은 본 명세서에 의해 제공되는 차량 보험 이미지 처리 방법을 사용하는 일 시스템의 개략 프레임도이고;
도 2는 본 명세서에 의해 제공되는 차량 보험 이미지 처리 방법의 일 실시예의 개략 흐름도이고;
도 3은, 본 명세서의 일 실시예에서, 단일-작업 심층 회선 신경망(single-task deep convolutional neural network) 분류 모델을 사용한 이미지 처리의 개략도이고;
도 4는, 본 명세서의 방법의 일 실시예에서, 공유 합성곱 계층(shared convolution layer)을 갖는 다중-작업 심층 회선 신경망(multi-task deep convolutional neural network) 분류 모델의 개략 구조도이고;
도 5는 본 명세서에 의해 제공되는 서비스 처리 방법의 일 실시예의 개략 흐름도이고;
도 6은 본 명세서의 방법의 일 실시예의 구현 시나리오의 개략도이고;
도 7은 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 일 실시예의 개략 모듈식(modular) 구조도이고;
도 8은 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 다른 실시예의 개략 모듈식 구조도이고;
도 9는 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 또 다른 실시예의 개략 모듈식 구조도이고;
도 10은 본 명세서에 따른 차량 보험 이미지 서버의 일 실시예의 개략 모듈식 구조도이다.
도 1은 본 명세서에 의해 제공되는 차량 보험 이미지 처리 방법을 사용하는 일 시스템의 개략 프레임도이고;
도 2는 본 명세서에 의해 제공되는 차량 보험 이미지 처리 방법의 일 실시예의 개략 흐름도이고;
도 3은, 본 명세서의 일 실시예에서, 단일-작업 심층 회선 신경망(single-task deep convolutional neural network) 분류 모델을 사용한 이미지 처리의 개략도이고;
도 4는, 본 명세서의 방법의 일 실시예에서, 공유 합성곱 계층(shared convolution layer)을 갖는 다중-작업 심층 회선 신경망(multi-task deep convolutional neural network) 분류 모델의 개략 구조도이고;
도 5는 본 명세서에 의해 제공되는 서비스 처리 방법의 일 실시예의 개략 흐름도이고;
도 6은 본 명세서의 방법의 일 실시예의 구현 시나리오의 개략도이고;
도 7은 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 일 실시예의 개략 모듈식(modular) 구조도이고;
도 8은 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 다른 실시예의 개략 모듈식 구조도이고;
도 9는 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 또 다른 실시예의 개략 모듈식 구조도이고;
도 10은 본 명세서에 따른 차량 보험 이미지 서버의 일 실시예의 개략 모듈식 구조도이다.
본 기술분야의 통상의 기술자가 본 명세서의 기술적 해결책들을 더 잘 이해하도록 하기 위해, 본 명세서의 하나 이상의 실시예에서의 기술적 해결책들은 첨부 도면들을 참조하여 명확하고 완전하게 후술될 것이다. 명백하게, 설명된 실시예들은 본 명세서의 모든 실시예들이 아니라 일부 실시예이다. 본 명세서의 하나 이상의 실시예에 기초하여, 창조적 노력없이 본 기술분야의 통상의 기술자에 의해 취득된 다른 실시예들은 모두 본 명세서의 구현예들의 보호 범위에 속한다.
본 명세서는, 이하의 실시예들 또는 첨부 도면들에 도시된 바와 같은, 방법 동작 단계들 또는 장치 구조체들을 제공한다. 그러나, 방법 또는 장치는, 동작 단계들 또는 모듈식 유닛들의 일부가 종래의 것을 기반으로 하거나 창조적 노력없이 결합된 후의 더 많거나 더 적은 동작 단계들 또는 모듈식 유닛들을 포함할 수 있다. 논리적으로 필요한 인과 관계가 없는 단계들 또는 구조체들에서, 이러한 단계들의 실행 순서 또는 장치의 모듈 구조체는, 본 명세서의 실시예들 또는 첨부 도면들에 도시된 실행 순서 또는 모듈 구조체에 한정되지 않는다. 실제 장치, 서버 또는 단말기 제품에 적용될 때, 방법 또는 모듈 구조체는, 실시예들 또는 첨부 도면들에 도시된 방법 또는 모듈 구조체에 따라, 순차적으로 또는 병렬로(예를 들어, 병렬 프로세서에 의해, 또는 다중-쓰레드 환경이나, 심지어 분산 처리 또는 서버 클러스터를 기반으로 한 구현 환경에서) 실행될 수 있다.
차량 보험 청구 서비스에서, 사고 현장에서 수집된 사진들은 모두 보험 제공업체의 데이터베이스에, 예를 들어, 도 1에 도시된 "차량 보험 청구 화상 시스템(vehicle insurance claim picture system)"에 저장될 수 있다. 도 1은 본 명세서에 의해 제공되는 차량 보험 이미지 처리 방법을 사용한 시스템의 개략 프레임도이다. 시스템은, 현장에서 운영자에 의해 수집되거나, 다른 시스템 데이터베이스로부터 취득되거나, 제3 자에 의해 제공되는 차량 보험 이미지들을 저장하는 차량 보험 청구 화상 시스템; 차량 보험 이미지들을 인식 및 분류하기 위한 알고리즘 서버; 및 분류된 차량 보험 이미지들을 저장하는 차량 보험 청구 이미지 데이터베이스를 포함한다. 차량 보험 청구 화상 시스템은 다수의 차량 보험 서비스와 관련된 차량 보험 이미지 데이터를 저장할 수 있고, 각각의 차량 보험 서비스는 다수의 차량 보험 이미지를 포함할 수 있다. 동일한 차량 보험 케이스(vehicle insurance case)에 속하는 차량 보험 이미지들은 구별을 위해 동일하게 라벨링될 수 있다. 차량 보험 서비스들이 지속적으로 증가함에 따라, 차량 보험 청구 화상 시스템은 수많은 차량 보험 이미지를 저장할 가능성이 있다. 본 출원의 실시예들의 해결책들에 의해, 현장에서 수집된 이러한 차량 보험 이미지들은 차량 보험 케이스들의 상이한 취급 요구들에 따라 상이한 취급 시나리오(또는 사용 시나리오들로 지칭됨)들로 그룹화될 수 있다. 그 후, 알고리즘에 기초하여 분류된 차량 보험 이미지들이 설정된 차량 보험 청구 이미지 데이터베이스에 저장될 수 있고, 이에 따라 후속된 차량 손실 평가 및 검증 동작들에서 판독되고 사용될 수 있다.
본 명세서의 하나 이상의 실시예에서, 용어 "이미지"는 다양한 그래픽 및 화상의 일반적인 용어일 수 있다. 이미지는 일반적으로, 종이 매체, 사진 필름 또는 사진 상에 있거나, TV, 프로젝터 또는 컴퓨터의 화면 상에 있는 화상을 비롯한 시각 효과를 갖는 화상을 통상적으로 지칭한다. 이 실시예의 차량 보험 이미지들은 카메라 또는 이미지 촬영 디바이스에 의해 촬영된 후 판독 가능한 저장 매체에 저장되는 컴퓨터 이미지 데이터를 포함할 수 있고, 이들은 벡터 그래픽들, 비트 맵들, 정적 이미지들, 동적 이미지들 및 여러 다른 유형의 컴퓨터 이미지들을 포함할 수 있다.
구현예가 응용 시나리오로서 차량 보험 서비스에서 망라되는 사고 케이스를 사용하여 명확하게 후술되어 있다. 이 실시예의 해결책에서, 사고 현장에서 차량 서비스 제공업체의 운영자에 의해 수집된 차량 보험 이미지들은 모두 도 1에 도시된 차량 보험 청구 화상 시스템에 저장될 수 있고, 알고리즘 서버는 이 시스템으로부터 특정 차량 보험 정책에 의해 사고 케이스의 일부 또는 모든 차량 보험 이미지를 취득할 수 있다. 그 후, 사전 설정된 이미지 분류 알고리즘을 사용함으로써 이러한 차량 보험 이미지들에 대한 계산이 수행되어 차량 보험 이미지들과 관련된 다차원 속성 정보를 출력한다. 구체적으로, 속성 정보는 차량 손상 이미지들, 물체 손상 이미지들, 증명서들 등과 같은 차량 보험 이미지의 실제 사용 시나리오들의 분류를 포함할 수 있거나; 차량 모델, 색상, 촬영 조명 상태 등과 같은 이미지들의 다른 설정된 키 속성 정보를 포함할 수도 있다. 도 2는 특정 실시예를 도시한다. 본 명세서에 의해 제공되는 차량 보험 이미지 처리 방법의 일 실시예에서, 방법은:
S0: 차량 보험 이미지를 취득하는 단계;
S2: 사전 설정된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지를 처리하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하는 단계;
S4: 분류에 기초하여, 카테고리 라벨에 따라, 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 단계를 포함할 수 있다.
이 실시예에서, 차량 보험 이미지를 인식하고 시나리오 분류를 수행하기 위한 알고리즘 서버는 현장에서 수집된 원본 차량 보험 이미지를 취득할 수 있다. 이미지 취득 방식은, 전술한 "차량 보험 청구 화상 시스템"과 같은 공통(common) 데이터베이스로부터 취득하는 단계; 또는 운영자에 의해 실시간으로 업로드된 이미지들로부터, 혹은 다른 서버 또는 제3의 서비스 제공업체로부터 취득하는 단계를 포함할 수 있다.
취득된 차량 보험 이미지는 다수의 이미지 포맷, 촬영 각도들 및 다수의 이미지 콘텐츠의 이미지 정보를 포함할 수 있다. 단일 차량 보험 서비스는 수십 또는 심지어 수백 개의 차량 보험 이미지를 포함할 수 있고, 예를 들어, 사고와 관련된 차량의 다수의 파노라마 사진, 손상된 부품들의 사진, 세부 사진들, 도로 및 차량 주위의 교통 상태 사진들, 조명 상태 사진들, 사고와 관련된 사람의 증명서 사진 등을 포함할 수 있다. 이 실시예에서, 이러한 차량 보험 이미지들은 손실 평가 시나리오, 차량 모델 시나리오, 색상 시나리오 등과 같은 차량 보험 서비스의 취급 요구들에 따라 상이한 사용 시나리오들로 그룹화될 수 있다. 각각의 사용 시나리오에서, 이미지는 상이한 카테고리들로 더 분류될 수 있고, 각각의 카테고리는 대응하는 카테고리 라벨을 가질 수 있다. 하나의 사용 시나리오는 다수의 카테고리 라벨에 해당할 수 있다. 구체적으로, 예를 들어, 손실 평가 시나리오에서, 손실 평가/검증을 위해 사용되는 파노라마 사진, 부분 사진, 세부 사진, 차량 식별 번호, ID 카드, 운전자의 면허증, 운전 면허증 및 사고 현장 사진의 카테고리들이 정의될 수 있다. 차량 모델 시나리오에서, SUV, 세단 , 버스, 트럭 등의 상이한 차량 모델들이 정의될 수 있다. 색상 시나리오에서, 흑색, 적색, 백색 및 기타 색상의 상이한 차량 색상들이 정의될 수 있다. 구현 시나리오에서, 하나의 이미지는 3개의 카테고리 라벨, 즉 파노라마 사진, SUV 및 흑색을 동시에 가질 수 있다. 분명히, 사용 시나리오들의 특정 유형과 수, 및 각각의 사용 시나리오에서의 상이한 이미지 카테고리들이 실제 이미지 취급 요구들 및 응용 시나리오들에 따라 결정될 수 있다.
알고리즘 서버는 취득된 차량 보험 이미지를 처리할 수 있다. 구체적으로, 알고리즘 서버는 사전 설정된 이미지 분류 알고리즘을 이용하여 차량 보험 이미지를 인식하고 분류할 수 있어, 각각의 이미지의 하나 이상의 카테고리 라벨을 출력한다. 이미지 분류 알고리즘은, 예를 들어, DNN(Deep Neural Network) 또는 종래의 이미지 특성들에 기초한 방법을 사용하여 다양한 수단으로 구현될 수 있다. 본 명세서의 일 실시예에 있어서, 차량 보험 이미지의 분류를 구현하기 위해 심층 회선 신경망 모델이 사용될 수 있다. 심층 회선 신경망 모델은 합성곱 계층(convolution layer), 풀링 계층(pooling layer), 활성화 기능(activation function) 및 완전 연결된 계층(fully connected layer)을 포함할 수 있다. 다른 구현 방식들은 Inception-ResNet과 같은 성숙한(mature) CNN 모델, 또는 맞춤형(customized) CNN 모델을 사용할 수 있다.
분명히, 다른 실시예들에서, 알고리즘 서버는 우선 현재 케이스에서 각각의 화상을 전처리(pre-process), 예를 들어, 화상을 디-미닝(de-mean), 정규화 또는 잘라내기(crop)하여, 요건을 충족시키지 않는 일부 차량 보험 이미지를 제거할 수 있다.
DNN을 사용하는 구현 방식에서, 각각의 계층의 구조, 합성곱 커널(convolution kernel)의 크기, 및 DNN의 리턴 파라미터들이 사전 확립될 수 있다. 선택된 신경망 파라미터들은 라벨 데이터를 이용한 미니-배치 구배 하강 훈련(mini-batch gradient descent training)에 의해 획득될 수 있다. 예를 들어, mini-batch = 32일 때, 32개의 훈련 화상이 훈련을 위해 입력된다. 차량 이미지에 관한 라벨 데이터는 이미지의 사용 시나리오, 사용 시나리오에서 이미지의 특정 카테고리, 차량 속성 정보, 촬영 상태/환경 등을 표시할 수 있다. DNN에 의한 훈련을 위해 사용되는 훈련 화상들은, 실제 차량 보험 이미지들을 수동으로 라벨링함으로써 획득될 수 있다.
본 명세서의 방법의 일 실시예에서, 사전 설정된 이미지 분류 알고리즘은 단일-작업 심층 회선 신경망 분류 모델일 수 있다. 예를 들어, 하나의 심층 회선 신경망은 차량 색상과 같은 하나의 카테고리의 분류 결과를 출력하기 위해 사용된다. 도 3은 차량 모델을 인식하기 위한 심층 회선 신경망 NS_1, 차량 색상 및 조명 상태를 인식하기 위한 심층 회선 신경망 NS_2, 증명서 유형을 인식하기 위한 심층 회선 신경망 NS_3 및 다른 종류의 네트워크들이 개별적으로 설정되는 특정 예를 도시한다. 이 구현 방식에서, 각각의 심층 회선 신경망은 단일-작업 네트워크 모델로 간주될 수 있다. 본 명세서에 의해 제공되는 방법의 다른 실시예에서, 사전 설정된 이미지 분류 알고리즘은:
S002: 공유 합성곱 계층을 갖는 다중-작업 심층 회선 신경망 분류 모델 사용하는 단계를 포함할 수 있다.
도 4는 본 명세서의 방법의 일 실시예에서 공유 합성곱 계층을 갖는 다중-작업 심층 회선 신경망 분류 모델의 개략 구조도이다. 이 실시예의 해결책에서, 다수의 심층 회선 신경망 분류 모델은 합성곱 계층의 파라미터들 및 기능 계층의 대부분의 파라미터를 공유할 수 있다(공유 파라미터들은 요건에 따라 설정된다). 상이한 작업들을 갖는 분류 모델들(예를 들어, 일부 모델은 차량 모델에 기초한 분류를 위한 것이고, 일부 모델은 색상에 기초한 분류를 위한 것임을 포함하는 상이한 속성 차원들(property dimensions)에서의 분류를 포함함)의 마지막 수개의 계층의 파라미터들이 공유되지 않을 수 있다. 이러한 방식으로, 이 실시예는, 차량 보험 청구 서비스에서 수많은 이미지를 자동으로 분류하고 다차원 이미지 속성들을 자동으로 취득하기 위해, 공유 합성곱 계층을 갖는 다중-작업 심층 회선 신경망 분류 모델을 사용한다. 따라서, 각각의 단일-작업 모델을 개별적으로 훈련시키는 것과 비교하여, 이 실시예는 단정된(predicated) 계산 시간을 크게 단축시키고 차량 보험 이미지들의 처리 효율을 향상시킨다.
알고리즘 서버에 의해 출력된 분류 결과는 상이한 사용 시나리오들에서 분류-기반 저장소(classification-based storage)를 구현하기 위해 대응하는 데이터베이스에 기입될 수 있다. 예를 들어, 전술한 예에서 화상 P1은 3개의 카테고리 라벨: 파노라마 사진, SUV 및 흑색을 갖는다. 따라서, 화상 P1은 3개의 사용 시나리오(손실 평가 시나리오, 차량 모델 시나리오 및 색상 시나리오)에 저장될 수 있다. 구체적으로, 화상 P1은 손실 평가 시나리오에서 파노라마 사진, 차량 모델 시나리오에서 SUV 사진 및 색상 시나리오에서 흑색 차량 사진으로서 동시에 저장될 수 있다.
본 명세서에 의해 제공되는 방법의 다른 실시예에서, 종래의 관계형 데이터베이스의 기본 기능을 갖는 관계형 데이터베이스는 차량 보험 이미지들의 분류 결과를 저장하기 위해 사용될 수 있다. 관계형 데이터베이스의 기본 기능들은, SELECT, INSERT, ALTER 및 기타 관련 처리와 같은, 공동 데이터 스크리닝(joint data screening) 및 동작들을 포함할 수 있다. 이러한 저장 방식에서, 운영자는 요건에 따라 필요한 카테고리의 이미지들을 유연하고 신속하며 편리하게 선택할 수 있다. 따라서, 본 방법의 다른 실시예에서, 분류-기반 저장소는:
S004: 관계형 데이터베이스를 사용하여 차량 보험 이미지들의 분류 결과를 저장하는 것을 포함할 수 있다.
실제 서비스 시나리오에 따라 이미지들이 스크리닝될 수 있다. 예를 들어, 현재 손실 평가 서비스를 처리해야 할 필요가 있을 때, 3개의 카테고리 라벨(파노라마, 부분 및 세부(detail))을 갖는 이미지들이 설정에 의해 관계형 데이터베이스로부터 추출될 수 있다. 이러한 방식으로, 각각의 케이스에서 분류 모델에 기초하여 파노라마, 부분 및 세부 사진들로 분류된 이미지들이 모두 신속하게 선택될 수 있고, 현재 서비스는 손실 평가 또는 평가 검증 국면으로 신속하게 진입할 수 있다. 따라서, 다수의 간섭 화상이 자동으로 스크리닝되고, 손실 평가 사진 수집에 있어서 사진들이 모두 동일한 카테고리에 속하여, 처리 효율을 향상시킨다. 분명히, 차량 보험 이미지와 그 라벨을 수동으로 추가하고, 사진의 카테고리 라벨을 수동으로 변경하고, 요건에 따라 검색하는 등의 기능들이 관계형 데이터베이스를 위해 설정될 수도 있다.
본 명세서의 방법의 다른 실시예에서, 방법은:
S6: 선택된 광학 문자 인식 알고리즘을 사용함으로써 차량 보험 이미지를 검출하여 차량 보험 이미지 내의 텍스트 정보를 인식하는 단계; 및
텍스트 정보 및 차량 보험 이미지를 연관된 방식으로 저장하는 단계를 더 포함할 수 있다.
도 5는 본 명세서에서의 방법의 다른 실시예의 개략 흐름도이다. 도 5에 도시된 바와 같이, 광학 문자 인식(Optical Character Recognition)(OCR) 모델(문자 인식 모델로도 지칭됨)이 이 실시예의 구현예에 도입되어, 차량 보험 이미지에서 키 텍스트(key text) 정보(예를 들어, 이름, 증명서 번호, 주소 등)를 검출하고, 그 위치를 찾고, 인식한다. 구체적으로, 차량 식별 번호, ID 카드, 운전자의 면허증, 운전 면허증 및 은행 카드로 라벨링된 증명서 사진들의 경우, 대응하는 OCR 문자 인식 모델이 임포트(import)되어, 문자들을 검출하고, 그 위치를 찾고, 인식하고, 획득된 결과가 데이터베이스에 기입되어, 연관된 저장소(associated storage)를 구현한다. 연관된 저장소는, 텍스트 정보를 사용하여 데이터베이스를 검색함으로써 대응하는 차량 보험 이미지들 또는 다른 연관된 정보를 획득하는 것을 포함할 수 있다. 예를 들어, 현재 사고와 관련된 사람에 관한 모든 케이스들의 차량 보험 이미지들은, 그/그녀의 ID 카드 번호를 사용하여 검색함으로써 발견될 수 있다.
본 명세서의 방법의 다른 실시예에서, 방법은:
S8: 텍스트 정보에 사전 설정된 유형의 키 정보가 완전한지가 검출되고, 키 정보의 검출 결과가 기록된다.
이 실시예는 또한, 차량 보험 케이스에서 키 정보가 완전한지를 자동으로 검증할 수 있다. 예를 들어, ID 카드 정보, 운전자의 면허증 및 운전 면허증에 관한 정보, 은행 카드 정보 등이 차량 보험 이미지들로부터 취득될 수 있다. ID 카드 정보는, 자금 세탁 방지(anti-money laundering)를 감독하기 위해 사용될 수 있고; 운전자의 면허증 및 운전 면허증에 관한 정보는, 관련된 사람이 보상받는 것이 보장되는지를 결정하기 위해 사용될 수 있고; 은행 카드 정보는, 돈이 대응하는 계좌로 올바르게 이체되도록 보장하기 위해 사용될 수 있다. 완전한 정보를 수집한 케이스가 자동으로 후속 프로세스에 진입할 수 있다. 따라서, 이 실시예의 해결책은 상이한 사용 시나리오들에서 이미지들을 자동으로 검출하여, 예를 들어, 증명서 사진들 내의 문자 정보를 인식하고, 텍스트 정보에서 사전 설정된 유형의 키 정보가 완전한지를 더 검출하여, 키 정보의 검출 결과를 기록할 수 있다. 검출 결과는 보험 서비스 운영자에게 피드백될 수 있다. 예를 들어, 검출 후 ID 카드에 대한 키 정보가 발견되지 않거나, 자릿수가 불완전할 때, 이 결과는 운영자에게 표시되어, 운영자가 누락된 키 정보의 위치를 신속하게 찾음으로써, 운영자에 의한 차량 보험 서비스의 처리 효율을 크게 향상시키고, 사용자 경험을 향상시킨다.
도 6은 본 명세서에서의 방법의 일 실시예의 구현 시나리오의 개략도이다. 도 6에서, 현장에서 수집되고 취득된 차량 보험 청구 화상들은 3개의 유형: 손실 평가 사진들, 물체 손상 사진들 및 손실 평가용이 아닌 사진들로 분류될 수 있다. 각각의 유형의 사진들은 다수의 카테고리로 더 분류될 수 있다. 손실 평가/평가 검증, 차량 보험 검출, 증명서 사진 정보 완성도 검출, 증명서 번호 인식 등과 같은 상이한 사용 시나리오들에 따라, 대응하는 카테고리 라벨을 갖는 차량 보험 이미지들이 대응하는 사용 시나리오들에 저장될 수 있다. 전술한 실시예에서 설명된 바와 같이, 하나의 차량 보험 이미지는 수개의 카테고리 라벨을 가질 수 있고, 상이한 사용 시나리오들에 동시에 저장될 수 있다.
본 명세서의 실시예들은 점진적으로 설명되고, 실시예들의 동일하거나 유사한 부분들은 서로 참조될 수 있고, 각각의 실시예는 다른 실시예들과 상이한 부분을 강조한다. 세부 사항들에 대해서는, 이전의 관련 처리 및 실시예들의 설명들이 참조될 수 있으므로, 세부 사항들은 여기서 다시 설명하지 않는다.
본 명세서의 특정 실시예들이 전술되었다. 다른 실시예들은 첨부된 청구 범위의 범위 내에 있다. 일부 경우에, 청구 범위에 기록된 동작들 또는 단계들은 실시예들에서의 순서와 다른 순서로 수행될 수 있으며, 원하는 결과를 여전히 달성할 수 있다. 또한, 첨부 도면들에 설명된 프로세스는 원하는 결과를 달성하기 위해 도시된 특정 시퀀스 또는 연속 시퀀스로만 방법이 수행될 수 있음을 반드시 요구하지 않는다. 일부 구현 방식에서, 다중작업(multitasking) 및 병렬 처리가 또한 실현 가능하거나 유리할 수 있다.
본 명세서의 하나 이상의 실시예들에 의해 제공되는 차량 보험 이미지 처리 방법에서, 차량 보험 이미지들은 선택된 이미지 분류 알고리즘을 사용함으로써 자동으로 처리되어 각각의 차량 보험 이미지의 카테고리를 인식할 수 있다. 본 명세서의 실시예들의 해결책들에 의해, 차량 보험 이미지들의 분류 정확성 및 차량 보험 이미지들의 라벨링 효율이 크게 향상될 수 있고, 수동 인식 및 처리에 소요되는 시간이 단축될 수 있고, 차량 보험 이미지들의 처리 정확성 및 신뢰성이 향상될 수 있다.
전술한 차량 보험 이미지 처리 방법에 기초하여, 본 명세서의 하나 이상의 실시예는 또한 차량 보험 이미지 처리 장치를 제공한다. 본 명세서의 장치는 본 출원의 실시예들의 방법을 이용하는 시스템(분산 시스템을 포함함), 소프트웨어(애플리케이션), 모듈, 어셈블리, 서버 및 클라이언트 단말기 및 필수 구현 하드웨어를 결합한 장치를 포함할 수 있다. 동일한 혁신적인 개념에 기초하여, 본 명세서의 실시예들에 의해 제공되는 하나 이상의 실시예들의 장치는 이하의 실시예들에 설명된다. 과제를 해결하기 위한 장치의 구현예는 방법의 구현예와 유사하기 때문에, 본 명세서의 실시예들의 장치의 특정 구현예를 위하여, 전술한 방법의 구현예가 참조되고, 방법 실시예들과 중복되는 내용은 여기서 반복되지 않는다. 이하에서 사용되는 바와 같은, 용어 "유닛" 또는 "모듈"은 소프트웨어/하드웨어, 또는 사전 설정된 기능들을 갖는 소프트웨어 및 하드웨어의 조합을 구현할 수 있다. 이하의 실시예들에서 설명된 장치는 바람직하게는 소프트웨어로 구현되지만, 하드웨어를 이용한 구현예, 또는 소프트웨어와 하드웨어의 조합이 또한 실현 가능하고, 고안될 수 있다. 구체적으로, 도 7은 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 일 실시예의 개략 모듈식 구조도이다. 도 7에 도시된 바와 같이, 장치는:
차량 보험 이미지를 취득하도록 구성되는 이미지 취득 모듈(101);
사전 설정된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지를 처리하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하도록 구성되는 이미지 처리 모듈(102); 및
분류에 기초하여, 카테고리 라벨에 따라, 차량 보험 이미지를 대응하는 사용 시나리오에 저장하도록 구성되는 분류-기반 저장 모듈(103)을 포함할 수 있다.
위의 방법에서 설명된 바와 같이, 사전 설정된 이미지 분류 알고리즘은, 예를 들어, 이미지 특성들에 기초한 분류 알고리즘을 사용함으로써 다수의 방식으로 구현될 수 있다. 본 명세서의 장치의 다른 실시예에서, 이미지 처리 모듈(102)은:
이미지 분류 알고리즘으로서 공유 합성곱 계층을 갖는 다중-작업 심층 회선 신경망 분류 모델을 사용하도록 구성되는 다중-작업 분류 모델 모듈을 포함할 수 있다.
다른 구현 방식들에서, 분류-기반 저장 모듈은 관계형 데이터베이스를 사용하여 차량 보험 이미지의 분류 결과를 저장한다.
도 8은 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 일 실시예의 개략 모듈식 구조도이다. 장치의 다른 실시예에서, 장치는:
선택된 광학 문자 인식 알고리즘을 사용함으로써 차량 보험 이미지를 검출하여, 차량 보험 이미지 내의 텍스트 정보를 인식하도록 구성되는 텍스트 인식 모듈(104); 및
텍스트 정보 및 차량 보험 이미지를 연관된 방식으로 저장하도록 구성되는 텍스트 정보 저장 모듈(105)을 더 포함할 수 있다.
도 9는 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 일 실시예의 개략 모듈식 구조도이다. 도 9에 도시된 바와 같이, 장치는:
텍스트 정보에서 사전 설정된 유형의 키 정보가 완전한지를 검출하고, 키 정보의 검출 결과를 기록하도록 구성되는 텍스트 정보 검출 모듈(106)을 더 포함할 수 있다.
전술한 장치는 방법 실시예들의 설명에 따라 다른 구현 방식들을 더 포함할 수 있음에 주목해야 한다. 특정 구현 방식들에 대한 방법 실시예들의 관련 설명이 참조되고, 세부 사항들은 여기서 다시 설명하지 않는다.
본 명세서의 하나 이상의 실시예들에 의해 제공되는 차량 보험 이미지 처리 장치는, 선택된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지들을 자동으로 처리하여 각각의 차량 보험 이미지의 카테고리를 인식할 수 있다. 본 명세서의 실시예들의 해결책들에 의해, 차량 보험 이미지들의 분류 정확성 및 차량 보험 이미지들의 라벨링 효율이 크게 향상될 수 있고, 수동 인식 및 처리에 소요되는 시간이 단축될 수 있고, 차량 보험 이미지들의 처리 정확성 및 신뢰성이 향상될 수 있다.
본 명세서의 실시예들에 의해 제공되는 전술한 차량 보험 이미지 처리 방법 또는 장치는 컴퓨터에서 대응하는 프로그램 명령어들을 실행함으로써 프로세서에 의해 구현될 수 있다. 예를 들어, 본 명세서의 방법 또는 장치는, 윈도우 운영 시스템의 c ++ 언어를 사용하는 서버 종단(server end), 리눅스 시스템을 기반으로 하는 서버 또는, 예를 들어, 안드로이드 또는 iOS 시스템 프로그래밍 언어를 사용하는 서버 시스템 단말기 상에 구현되거나; 양자 컴퓨터(quantum computer)를 기반으로 한 로직을 처리함으로써 구현될 수 있다. 본 명세서에 의해 제공되는 차량 보험 이미지 처리 장치의 다른 실시예에서, 장치는 프로세서 및 프로세서에 의해 실행 가능한 명령어들을 저장하기 위한 메모리를 포함할 수 있다. 프로세서는, 명령어들을 실행할 때,
차량 보험 이미지를 취득하고;
사전 설정된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지를 처리하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하고;
분류에 기초하여, 카테고리 라벨에 따라, 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 동작들을 구현한다.
장치의 다른 실시예에서, 프로세서가 명령어들을 실행할 때, 이미지 분류 알고리즘을 사용하는 것은:
공유 합성곱 계층을 갖는 다중-작업 심층 회선 신경망 분류 모델을 사용하는 것을 포함한다.
전술한 장치는 방법 실시예들의 설명에 따라 다른 구현 방식들을 더 포함할 수 있음에 주목해야 한다. 특정 구현 방식들에 대한 방법 실시예들의 관련 설명이 참조되고, 세부 사항들은 여기서 다시 설명하지 않는다.
전술한 실시예에서 설명된 차량 보험 이미지 처리 장치는 선택된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지들을 자동으로 처리하여 각각의 차량 보험 이미지의 카테고리를 인식할 수 있다. 본 명세서의 실시예의 해결책에 의해, 차량 보험 이미지들의 분류 정확성 및 차량 보험 이미지들의 라벨링 효율이 크게 향상될 수 있고, 수동 인식 및 처리에 소요되는 시간이 단축될 수 있고, 차량 보험 이미지들의 처리 정확성 및 신뢰성이 향상될 수 있다.
전술한 방법 또는 장치는 다양한 차량 보험 이미지 데이터 처리 서버들에 적용될 수 있으므로, 차량 보험 이미지들의 분류 정확성 및 이미지들의 라벨링 효율을 크게 향상시키고 이미지 분류의 속성 차원들을 확장시킨다. 구체적으로, 본 명세서는, 도 10에 도시된 바와 같이, 적어도 하나의 프로세서 및 프로세서에 의해 실행 가능한 명령어들을 저장하기 위한 메모리를 포함할 수 있는 서버를 제공한다. 프로세서는, 명령어들을 실행할 때,
차량 보험 이미지를 취득하고;
사전 설정된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지를 처리하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하고;
분류에 기초하여, 카테고리 라벨에 따라, 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 동작들을 구현한다.
본 명세서는 차량 보험 이미지 시스템을 더 제공한다. 시스템의 일 실시예에서, 시스템은 수집된 이미지 저장 유닛, 알고리즘 서버 및 차량 보험 이미지 데이터베이스를 포함할 수 있고, 알고리즘 서버는, 적어도 하나의 프로세서; 및 프로세서에 의해 실행 가능한 명령어들을 저장하기 위한 메모리를 포함하고, 프로세서는, 명령어들을 실행할 때,
수집된 이미지 저장 유닛으로부터 차량 보험 이미지를 취득하고;
사전 설정된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지를 처리하여 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하고;
카테고리 라벨에 따라, 차량 보험 이미지를, 차량 보험 이미지 데이터베이스 내의 대응하는 사용 시나리오의 저장 구역에 저장하는 동작들을 구현한다.
전술한 장치 또는 서버 또는 시스템은 방법 실시예들의 설명에 따른 다른 구현 방식들을 더 포함할 수 있음에 주목해야 한다. 특정 구현 방식들에 대한 방법 실시예들의 관련 설명이 참조되고, 세부 사항들은 여기서 다시 설명하지 않는다. 본 명세서의 실시예들은 점진적으로 설명되고, 실시예들의 동일하거나 유사한 부분들은 서로 참조될 수 있고, 각각의 실시예에서, 다른 실시예들과 상이한 부분이 주로 설명된다. 특히, 하드웨어 및 프로그램에 기초한 실시예들은 기본적으로 방법 실시예들과 유사하므로, 비교적 간단한 방식으로 설명된다. 관련 부분들에 대한 방법 실시예들의 설명들이 참조될 수 있다.
본 명세서의 특정 실시예들이 전술되었다. 다른 실시예들은 첨부된 청구 범위의 범위 내에 있다. 일부 경우에, 청구 범위에 기록된 동작들 또는 단계들은 실시예들에서의 순서와 다른 순서로 수행될 수 있으며, 원하는 결과를 여전히 달성할 수 있다. 또한, 첨부 도면들에 설명된 프로세스는 원하는 결과를 달성하기 위해 도시된 특정 시퀀스 또는 연속 시퀀스로만 방법이 수행될 수 있음을 반드시 요구하지 않는다. 일부 구현 방식에서, 다중작업 및 병렬 처리가 또한 실현 가능하거나 유리할 수 있다. 본 명세서의 첨부 도면들에서 대시 선은 다른 방법 또는 장치 실시예들에서 추가적인 처리 단계들 또는 모듈식 유닛들을 나타낼 수 있다.
본 명세서의 하나 이상의 실시예에 의해 제공되는 차량 보험 이미지 처리 방법, 장치, 서버 및 시스템은, 선택된 이미지 분류 알고리즘을 사용함으로써 차량 보험 이미지를 자동으로 처리하여 각각의 차량 보험 이미지의 카테고리를 인식할 수 있다. 본 명세서의 실시예들의 해결책들에 의해, 차량 보험 이미지들의 분류 정확성 및 차량 보험 이미지들의 라벨링 효율이 크게 향상될 수 있고, 수동 인식 및 처리에 소요되는 시간이 단축될 수 있고, 차량 보험 이미지들의 처리 정확성 및 신뢰성이 향상될 수 있다.
본 명세서의 실시예들의 내용은 차량 보험 이미지 취득 방식, 사용 시나리오들의 분류 및 카테고리 라벨들의 설정, 심층 회선망을 기반으로 하는 이미지 분류 알고리즘, 종래의 이미지 특성들에 기초한 분류 방식, 공유 합성곱 계층을 갖는 회선 신경망 모델과 같은 데이터 모델의 확립, 및 데이터 정의, 취득, 상호작용, 계산, 및 판단을 설명한다. 그러나, 본 명세서의 실시예들은 산업 통신 표준들, 표준 컴퓨터 데이터 처리 및 저장 규칙들을 준수해야 하는 실시예들에 한정되지 않으며; 본 명세서의 하나 이상의 실시예에서 설명된 상황들에 한정되지 않는다. 맞춤형 방식을 사용하거나 설명된 실시예들에 기초하여 약간 수정된 일부 산업 표준들 또는 구현예들은 또한, 동일하거나, 동등하거나, 유사한 구현 효과, 또는 전술한 실시예들의 변환 후의 예측 가능한 효과를 달성할 수 있다. 이러한 수정되거나 변환된 데이터 취득, 저장, 판단 및 처리 방식들을 적용하여 획득된 실시예들은, 여전히 본 명세서의 실시예들의 대안적인 구현예들의 범위 내에 속한다.
본 명세서의 특정 실시예들이 전술되었다. 다른 실시예들은 첨부된 청구 범위의 범위 내에 있다. 일부 경우에, 청구 범위에 기록된 동작들 또는 단계들은 실시예들에서의 순서와 다른 순서로 수행될 수 있으며, 원하는 결과를 여전히 달성할 수 있다. 또한, 첨부 도면들에 설명된 프로세스는 원하는 결과를 달성하기 위해 도시된 특정 시퀀스 또는 연속 시퀀스로만 방법이 수행될 수 있음을 반드시 요구하지 않는다. 일부 구현 방식에서, 다중작업 및 병렬 처리가 또한 실현 가능하거나 유리할 수 있다.
1990년대에는, 기술에 관한 개선이 하드웨어에 관한 개선(예를 들면, 다이오드, 트랜지스터 및 스위치 등의 회로 구조체에 관한 개선) 또는 소프트웨어에 관한 개선(방법 절차에 관한 개선)으로서 분명하게 구별될 수 있다. 그러나, 기술의 발전에 따라, 현재 많은 방법 절차의 개선이 하드웨어 회로 구조체들에 대한 직접적인 개선으로 간주될 수 있다. 대부분의 모든 설계자는 개선된 방법 절차를 하드웨어 회로에 프로그래밍하여 대응하는 하드웨어 회로 구조체들을 획득한다. 따라서, 하드웨어 개체 모듈을 사용하여 방법 절차의 개선이 구현될 수 없다고 가정하는 것은 부적절하다. 예를 들어, 프로그래머블 로직 디바이스(programmable logic device)(PLD)(예를 들어, 필드 프로그래머블 게이트 어레이(field programmable gate array)(FPGA))는 이러한 집적 회로이고, 그 로직 함수들은 사용자에 의해 프로그래밍되는 디바이스들에 의해 결정된다. 설계자들은, 칩 제조업체에게 전용 집적 회로 칩을 설계하고 제조하도록 요구할 필요없이, 자력으로 디지털 시스템을 PLD에 "통합"하도록 프로그램한다. 또한, 현재 프로그래밍은, 집적 회로 칩을 수동으로 제조하는 대신에, 로직 컴파일러 소프트웨어를 사용하여 주로 구현된다. 로직 컴파일러 소프트웨어는 프로그램을 개발하고 작성하기 위해 사용되는 소프트웨어 컴파일러와 유사하며, 원본 코드들은, 컴파일하기 전에 하드웨어 서술 언어(Hardware Description Language)(HDL)로 지칭되는 특정 프로그래밍 언어를 사용하여 작성될 필요가 있다. 많은 유형의 HDL들, 예컨대, ABEL(Advanced Boolean Expression Language), AHDL(Altera Hardware Description Language), 컨플루언스(Confluence), CUPL(Cornell University Programming Language), HDCal, JHDL(Java Hardware Description Language), 라바(Lava), 롤라(Lola), MyHDL, PALASM 및 RHDL(Ruby Hardware Description Language)이 있고, 그 중에서 VHDL(Very-High-Speed Integrated Circuit Hardware Description Language) 및 베릴로그(Verilog)가 현재 가장 일반적으로 사용된다. 본 기술분야의 통상의 기술자는 로직 방법 절차를 구현하기 위한 하드웨어 회로가, 위의 수개의 하드웨어 서술 언어를 사용하여 방법 절차를 약간 논리적으로 프로그래밍하고 이 방법 절차를 집적 회로 내에 프로그래밍함으로써, 용이하게 획득될 수 있다는 것을 또한 알고 있어야 한다.
컨트롤러는 임의의 적합한 방식으로 구현될 수 있다. 예를 들어, 컨트롤러는 마이크로프로세서 또는 프로세서, 및 (마이크로)프로세서, 로직 게이트, 스위치, 주문형 집적 회로(Application Specific Integrated Circuit)(ASIC), 프로그래머블 로직 컨트롤러 및 임베디드 마이크로컨트롤러에 의해 실행 가능한 컴퓨터 판독 가능한 프로그램 코드(예를 들어, 소프트웨어 또는 펌웨어)를 저장한 컴퓨터 판독 가능한 매체의 형태일 수 있다. 컨트롤러의 예들은 이하의 마이크로컨트롤러: ARC 625D, Atmel AT91SAM, 마이크로칩 PIC18F26K20 및 실리콘 랩 C8051F320을 포함하지만, 이에 한정되는 것은 아니다. 메모리 컨트롤러는 또한, 메모리의 제어 로직의 일부로서 구현될 수 있다. 본 기술분야의 통상의 기술자는, 순수 컴퓨터 판독 가능한 프로그램 코드들을 사용하여 컨트롤러가 구현될 수 있고, 추가로, 컨트롤러로 하여금 동일한 기능을 로직 게이트, 스위치, 주문형 집적 회로, 프로그래머블 로직 컨트롤러, 및 임베디드 마이크로컨트롤러의 형태로 구현할 수 있도록, 방법 단계들이 논리적으로 프로그램될 수 있다는 것을 또한 알고 있다. 따라서, 이러한 유형의 컨트롤러는 하드웨어 컴포넌트로 간주될 수 있고, 다양한 기능들을 구현하기 위해 본원에 포함된 장치들은 하드웨어 컴포넌트 내부의 구조체로서 간주될 수도 있다. 또는, 다양한 기능들을 구현하기 위해 사용되는 장치들은, 심지어 방법을 구현하기 위한 소프트웨어 모듈들 및 하드웨어 컴포넌트 내부의 구조체들 둘 다로서 간주될 수 있다.
위의 실시예들에 예시된 시스템, 장치, 모듈 또는 유닛은, 구체적으로, 컴퓨터 칩 또는 개체에 의해 구현되거나, 특정 기능을 갖는 제품에 의해 구현될 수 있다. 전형적인 구현 장치는 컴퓨터이다. 구체적으로, 컴퓨터는 예를 들어, 개인용 컴퓨터, 랩톱 컴퓨터, 차량 장착식 인간-기계 상호 작용 장치, 셀룰러 폰, 카메라 폰, 스마트 폰, 개인용 디지털 보조기, 미디어 플레이어, 네비게이션 장치, 이메일 장치, 게임 콘솔, 태블릿 컴퓨터, 웨어러블 장치, 또는 이들 장치 중 임의의 조합일 수 있다.
본 명세서의 하나 이상의 실시예는 실시예들 또는 흐름도들에 설명된 방법의 동작 단계들을 제공하지만, 방법은 종래의 또는 비-창조적 수단에 의해 더 많거나 더 적은 단계를 포함할 수 있다. 실시예들에 열거된 단계들의 시퀀스는 단계 실행 시퀀스들 중 하나일 뿐이고, 유일한 실행 시퀀스를 나타내지 않는다. 실제 디바이스 또는 단말기 제품이 단계들을 실행할 때, 단계들은 실시예들 또는 첨부 도면들에 도시된 방법 시퀀스에 따라, 순차적으로 또는 병렬로(예를 들어, 병렬 프로세서에 의해, 또는 다중-쓰레드 환경이나, 심지어 분산 데이터 처리 환경에서) 실행될 수 있다. 용어 "포함하다(include, comprise)" 또는 그것의 다른 변형은 비-배타적인 포함을 망라하는 것으로 의도되므로, 일련의 요소들을 포함하는 프로세스, 방법, 물품 또는 장치는 이들 요소를 포함할 뿐만 아니라, 분명하게 열거되지 않은 다른 요소들도 포함하거나, 프로세스, 방법, 물품 또는 장치의 고유 요소들을 더 포함한다. 더 이상의 제한이 없는 경우, 요소들을 포함하는 프로세스, 방법, 물품 또는 장치가 다른 동일하거나 동등한 요소들을 더 갖는 것을 배제하지 않는다.
용이한 설명을 위해, 본 장치가, 전술될 때, 각각의 설명을 위한 기능들의 관점에서 다양한 유닛들로 분할된다. 분명히, 본 출원이 구현될 때, 모듈들의 기능들은 동일한 또는 다수의 소프트웨어 및/또는 하드웨어로 구현될 수 있거나, 동일한 기능을 구현하기 위한 모듈들은 다수의 서브-모듈 또는 서브-유닛들의 조합을 사용하여 구현될 수 있다. 전술한 장치 실시예들은 단지 예시적인 것이다. 예를 들어, 유닛들은 단지 그것들의 논리적 기능들에 따라 분류되고, 실제 구현 동안 다른 방식들로 분류될 수 있다. 예를 들어, 다수의 유닛 또는 컴포넌트가 다른 시스템에 결합되거나 통합될 수 있거나, 일부 특징이 생략되거나 구현되지 않을 수 있다. 또한, 도시되거나 논의된 상호 결합 또는 직접 결합 또는 통신 연결은, 전기적이거나 기계적인 형태, 혹은 다른 형태들의 일부 인터페이스, 디바이스들 또는 유닛들을 통한 간접 결합 또는 통신 연결일 수 있다.
본 기술분야의 통상의 기술자는, 순수 컴퓨터 판독 가능한 프로그램 코드들을 사용하여 컨트롤러가 구현될 수 있고, 추가로, 컨트롤러로 하여금 동일한 기능을 로직 게이트, 스위치, 주문형 집적 회로, 프로그래머블 로직 컨트롤러, 및 임베디드 마이크로컨트롤러의 형태로 구현할 수 있게 하기 위해 방법 단계들이 논리적으로 프로그램될 수 있다는 것을 또한 알고 있다. 따라서, 이러한 유형의 컨트롤러는 하드웨어 컴포넌트로서 간주될 수 있고, 다양한 기능들을 구현하기 위해 본원에 포함된 장치는 하드웨어 컴포넌트 내부의 구조체들로서 간주될 수도 있다. 또는, 다양한 기능들을 구현하기 위해 사용되는 장치들은, 심지어 방법을 구현하기 위한 소프트웨어 모듈 및 하드웨어 컴포넌트 내부의 구조체들 둘 다로서 간주될 수 있다.
본 발명은 본 발명의 실시예들에 따른 방법, 장치(시스템) 및 컴퓨터 프로그램 제품에 따른 흐름도 및/또는 블록도를 참조하여 설명된다. 컴퓨터 프로그램 명령어는 흐름도 및/또는 블록도 내의 각각의 프로세스 및/또는 블록과, 흐름도 및/또는 블록도 내의 프로세스들 및/또는 블록들의 조합을 구현하는 데 사용될 수 있다는 것을 이해하여야 한다. 이들 컴퓨터 프로그램 명령어는 범용 컴퓨터, 특수 목적 컴퓨터, 임베디드 프로세서 또는 임의의 다른 프로그래머블 데이터 처리 장치의 프로세서에 제공되어 머신을 생성하므로, 컴퓨터 또는 임의의 다른 프로그래머블 데이터 처리 장치의 프로세서에 의해 실행되는 명령어들이 흐름도 내의 하나 이상의 프로세스 및/또는 블록도 내의 하나 이상의 블록에 지정된 기능을 구현하기 위한 장치를 생성한다.
이들 컴퓨터 프로그램 명령어는 또한, 컴퓨터 또는 다른 프로그래머블 데이터 처리 장치를 특정 방식으로 작동하도록 지시할 수 있는 컴퓨터 판독 가능한 메모리에 저장될 수 있어, 컴퓨터 판독 가능한 메모리에 저장된 명령어들이 명령 장치를 포함하는 아티팩트(artifact)를 생성한다. 명령 장치는 흐름도 내의 하나 이상의 프로세스 및/또는 블록도 내의 하나 이상의 블록에 지정된 기능을 구현한다.
이들 컴퓨터 프로그램 명령어는 또한, 컴퓨터 또는 다른 프로그래머블 데이터 처리 장치에 로딩될 수 있어, 일련의 동작 단계들이 컴퓨터 또는 다른 프로그래머블 장치 상에서 수행됨으로써 컴퓨터-구현된 처리를 생성한다. 따라서, 컴퓨터 또는 다른 프로그래머블 장치상에서 실행되는 명령어들은 흐름도 내의 하나 이상의 프로세스 및/또는 블록도 내의 하나 이상의 블록에 지정된 기능을 구현하기 위한 단계들을 제공한다.
전형적인 구성에서, 계산 장치는 하나 이상의 중앙 처리 장치(CPU), I/O 인터페이스, 네트워크 인터페이스 및 메모리를 포함한다.
메모리는, 휘발성 메모리, 랜덤 액세스 메모리(Random Access Memory)(RAM) 및/또는 비휘발성 메모리, 예를 들면, 판독 전용 메모리(Read-Only Memory)(ROM) 또는 플래시 RAM과 같은, 컴퓨터 판독 가능한 매체를 포함할 수 있다. 메모리는 컴퓨터 판독 가능한 매체의 예이다.
컴퓨터 판독 가능한 매체는 영구적 및 비영구적 매체뿐만 아니라 이동식 및 비이동식 매체를 포함하고, 임의의 방법 또는 기술에 의해 정보 저장소를 구현할 수 있다. 정보는 컴퓨터 판독 가능한 명령어, 데이터 구조, 및 프로그램 또는 다른 데이터의 모듈일 수 있다. 컴퓨터의 저장 매체의 예는, 상변화 메모리(phase change memory)(PRAM), 정적 랜덤 액세스 메모리(static random access memory)(SRAM), 동적 랜덤 액세스 메모리(dynamic random access memory)(DRAM), 다른 유형의 RAM, ROM, 전기적으로 소거 가능한 프로그래머블 판독 전용 메모리(electrically erasable programmable read-only memory)(EEPROM), 플래시 메모리 또는 다른 메모리 기술들, 콤팩트 디스크 판독 전용 메모리(compact disc read-only memory)(CD-ROM), 디지털 다용도 디스크(Digital Versatile Disk)(DVD) 또는 다른 광학 저장장치들, 카세트 테이프, 자기 테이프/자기 디스크 저장장치 또는 다른 자기 저장 장치들, 또는 임의의 다른 비-전송(non-transmission) 매체를 포함하지만, 이에 한정되지 않으며, 컴퓨터 장치에 의해 액세스 가능한 정보를 저장하는 데 사용될 수 있다. 본 명세서에서의 정의에 따르면, 컴퓨터 판독 가능한 매체는 변조된 데이터 신호 및 반송파 등의 일시적인 매체를 포함하지 않는다.
본 기술분야의 통상의 기술자는 본 출원의 하나 이상의 실시예가 방법, 시스템 또는 컴퓨터 프로그램 제품으로서 제공될 수 있음을 이해할 것이다. 따라서, 본 출원은 완전한 하드웨어 실시예, 완전한 소프트웨어 실시예, 또는 소프트웨어와 하드웨어를 결합한 실시예로서 구현될 수 있다. 또한, 본 출원의 하나 이상의 실시예는, 컴퓨터 사용 가능한 프로그램 코드들을 포함하는 하나 이상의 컴퓨터 사용 가능한 저장 매체(자기 디스크 메모리, CD-ROM, 광 메모리 등을 포함하지만, 이에 한정되지 않음)상에 구현된 컴퓨터 프로그램 제품의 형태일 수 있다.
본 출원의 하나 이상의 실시예는 컴퓨터에 의해 실행되는 컴퓨터 실행 가능한 명령어, 예를 들어 프로그램 모듈의 일반적인 맥락에서 설명될 수 있다. 일반적으로, 프로그램 모듈은 특정 작업을 실행하거나 특정한 추상 데이터형을 구현하기 위한 루틴, 프로그램, 객체, 어셈블리, 데이터 구조 등을 포함한다. 본 출원의 하나 이상의 실시예는 분산 컴퓨팅 환경에 구현될 수도 있고, 분산 컴퓨터 환경에서 작업은 통신 네트워크를 통해 연결된 원격 처리 장치들에 의해 실행된다. 분산 컴퓨터 환경에서, 프로그램 모듈은 저장 장치를 포함하는 로컬 및 원격 컴퓨터 저장 매체에 위치될 수 있다.
본 명세서의 실시예들은 점진적으로 설명되고, 실시예들의 동일하거나 유사한 부분들은 서로 참조될 수 있고, 각각의 실시예는 다른 실시예들과 상이한 부분을 강조한다. 특히, 시스템 실시예들은 기본적으로 방법 실시예들과 유사하므로, 간단히 설명된다. 관련 부분들에 대한 방법 실시예들의 설명이 참조된다. 본 명세서의 설명에서, 참조 용어 "일 실시예", "일부 실시예", "예", "특정 예, "일부 예" 등은, 실시예 또는 예를 참조하여 설명된 특정 특성들, 구조들, 재료들 또는 특징들이 본 명세서의 적어도 하나의 실시예 또는 예는 포함된다는 것을 의미한다. 본 명세서에서, 위의 용어의 개략적인 설명은 동일한 실시예 또는 예에 관한 것일 필요는 없다. 또한, 설명된 특정 특성들, 구조들, 재료들 또는 특징들은 임의의 하나 이상의 실시예 또는 예에서 적절한 방식으로 결합될 수 있다. 또한, 본 기술분야의 통상의 기술자는, 상이한 실시예들 또는 예들과, 본 명세서에 설명된 상이한 실시예들 또는 예들의 특징들을 서로 모순되지 않게 통합하고 조합할 수 있다.
전술한 것은 본 명세서의 하나 이상의 실시예를 설명할 뿐이고, 본 출원의 하나 이상의 실시예를 한정하려고 의도된 것은 아니다. 본 기술분야의 통상의 기술자는 본 명세서의 하나 이상의 실시예에 대한 다양한 수정 및 변경을 가할 수 있다. 본 출원의 사상 및 원리 내에서 이루어진 임의의 수정, 균등한 대체, 개선 등은 모두 첨부된 청구 범위의 범위 내에 속한다.
Claims (14)
- 차량 보험 이미지 처리 방법으로서,
차량 보험 이미지를 취득하는 단계;
사전 설정된 이미지 분류 알고리즘을 사용함으로써 상기 차량 보험 이미지를 처리하여 상기 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하는 단계; 및
분류에 기초하여, 상기 카테고리 라벨에 따라, 상기 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 단계를 포함하는, 차량 보험 이미지 처리 방법. - 제1항에 있어서,
상기 사전 설정된 이미지 분류 알고리즘을 사용하는 단계는,
공유 합성곱 계층(shared convolution layer)을 갖는 다중-작업 심층 회선 신경망 분류 모델을 사용하는 것을 포함하는, 차량 보험 이미지 처리 방법. - 제1항 또는 제2항에 있어서,
분류에 기초하여, 상기 저장하는 단계는,
관계형 데이터베이스를 사용하여 상기 차량 보험 이미지의 분류 결과를 저장하는 것을 포함하는, 차량 보험 이미지 처리 방법. - 제3항에 있어서,
상기 차량 보험 이미지 내의 텍스트 정보를 인식하기 위해, 선택된 광학 문자 인식 알고리즘을 사용함으로써 상기 차량 보험 이미지를 검출하는 단계; 및
상기 텍스트 정보 및 상기 차량 보험 이미지를 연관된 방식으로 저장하는 단계를 더 포함하는, 차량 보험 이미지 처리 방법. - 제4항에 있어서,
상기 차량 보험 이미지 내의 텍스트 정보가 인식된 후에, 상기 방법은,
상기 텍스트 정보에서 사전 설정된 유형의 키 정보(key information)가 완전한지를 검출하고, 상기 키 정보의 검출 결과를 기록하는 단계를 더 포함하는, 차량 보험 이미지 처리 방법. - 차량 보험 이미지 처리 장치로서,
차량 보험 이미지를 취득하도록 구성되는 이미지 취득 모듈(image acquisition module);
사전 설정된 이미지 분류 알고리즘을 사용함으로써 상기 차량 보험 이미지를 처리하여 상기 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하도록 구성되는 이미지 처리 모듈(image processing module); 및
분류에 기초하여, 상기 카테고리 라벨에 따라, 상기 차량 보험 이미지를 대응하는 사용 시나리오에 저장하도록 구성되는 분류-기반 저장 모듈(classification-based storage module)을 포함하는, 차량 보험 이미지 처리 장치. - 제6항에 있어서, 상기 이미지 처리 모듈은,
상기 이미지 분류 알고리즘으로서, 공유 합성곱 계층을 갖는 다중-작업 심층 회선 신경망 분류 모델을 사용하도록 구성되는 다중-작업 분류 모델 모듈(multi-task classification model module)을 포함하는, 차량 보험 이미지 처리 장치. - 제6항 또는 제7항에 있어서,
상기 분류-기반 저장 모듈은 관계형 데이터베이스를 이용하여 상기 차량 보험 이미지의 분류 결과를 저장하는, 차량 보험 이미지 처리 장치. - 제8항에 있어서,
선택된 광학 문자 인식 알고리즘을 사용함으로써 상기 차량 보험 이미지를 검출하여 상기 차량 보험 이미지 내의 텍스트 정보를 인식하도록 구성되는 텍스트 인식 모듈(text recognition module); 및
상기 텍스트 정보 및 상기 차량 보험 이미지를 연관된 방식으로 저장하도록 구성되는 텍스트 정보 저장 모듈(text information storage module)을 더 포함하는, 차량 보험 이미지 처리 장치. - 제9항에 있어서,
상기 텍스트 정보에서 사전 설정된 유형의 키 정보가 완전한지를 검출하고, 상기 키 정보의 검출 결과를 기록하도록 구성되는 텍스트 정보 검출 모듈(text information detection module)을 더 포함하는, 차량 보험 이미지 처리 장치. - 프로세서 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하기 위한 메모리를 포함하는 차량 보험 이미지 처리 장치로서, 상기 프로세서는, 상기 명령어들을 실행할 때,
차량 보험 이미지를 취득하고;
사전 설정된 이미지 분류 알고리즘을 사용함으로써 상기 차량 보험 이미지를 처리하여 상기 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하고;
분류에 기초하여, 상기 카테고리 라벨에 따라, 상기 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 동작들을 구현하는, 차량 보험 이미지 처리 장치. - 제11항에 있어서,
상기 프로세서가 상기 명령어들을 실행할 때, 상기 이미지 분류 알고리즘을 사용하는 것은,
공유 합성곱 계층을 갖는 다중-작업 심층 회선 신경망 분류 모델을 사용하는 것을 포함하는, 차량 보험 이미지 처리 장치. - 적어도 하나의 프로세서 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하기 위한 메모리를 포함하는 서버로서, 상기 프로세서는, 상기 명령어들을 실행할 때,
차량 보험 이미지를 취득하고;
사전 설정된 이미지 분류 알고리즘을 사용함으로써 상기 차량 보험 이미지를 처리하여 상기 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하고;
분류에 기초하여, 상기 카테고리 라벨에 따라, 상기 차량 보험 이미지를 대응하는 사용 시나리오에 저장하는 동작들을 구현하는, 서버. - 수집된-이미지 저장 유닛(collected-image storage unit), 알고리즘 서버 및 차량 보험 이미지 데이터베이스를 포함하는 차량 보험 이미지 시스템으로서, 상기 알고리즘 서버는 적어도 하나의 프로세서 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하기 위한 메모리를 포함하고, 상기 프로세서는, 상기 명령어들을 실행할 때,
상기 수집된-이미지 저장 유닛으로부터 차량 보험 이미지를 취득하고;
사전 설정된 이미지 분류 알고리즘을 사용함으로써 상기 차량 보험 이미지를 처리하여 상기 차량 보험 이미지의 적어도 하나의 카테고리 라벨을 결정하고;
상기 카테고리 라벨에 따라, 상기 차량 보험 이미지를, 상기 차량 보험 이미지 데이터베이스 내의 대응하는 사용 시나리오의 저장 구역(storage zone)에 저장하는 동작들을 구현하는, 차량 보험 이미지 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710640784.8A CN107610091A (zh) | 2017-07-31 | 2017-07-31 | 车险图像处理方法、装置、服务器及系统 |
| CN201710640784.8 | 2017-07-31 | ||
| PCT/CN2018/097336 WO2019024771A1 (zh) | 2017-07-31 | 2018-07-27 | 车险图像处理方法、装置、服务器及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200014725A true KR20200014725A (ko) | 2020-02-11 |
| KR102373251B1 KR102373251B1 (ko) | 2022-03-14 |
Family
ID=61064061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020197027479A KR102373251B1 (ko) | 2017-07-31 | 2018-07-27 | 차량 보험 이미지 처리 방법, 장치, 서버 및 시스템 |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US10846556B2 (ko) |
| EP (1) | EP3621029A4 (ko) |
| JP (1) | JP7118082B2 (ko) |
| KR (1) | KR102373251B1 (ko) |
| CN (1) | CN107610091A (ko) |
| MY (1) | MY202176A (ko) |
| PH (1) | PH12019502055A1 (ko) |
| SG (1) | SG11201908245QA (ko) |
| TW (1) | TWI709919B (ko) |
| WO (1) | WO2019024771A1 (ko) |
Families Citing this family (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10783585B1 (en) | 2012-08-16 | 2020-09-22 | Allstate Insurance Company | Agent-facilitated claims damage estimation |
| US8712893B1 (en) | 2012-08-16 | 2014-04-29 | Allstate Insurance Company | Enhanced claims damage estimation using aggregate display |
| US8510196B1 (en) | 2012-08-16 | 2013-08-13 | Allstate Insurance Company | Feedback loop in mobile damage assessment and claims processing |
| US11532048B2 (en) | 2012-08-16 | 2022-12-20 | Allstate Insurance Company | User interactions in mobile damage assessment and claims processing |
| US11455691B2 (en) | 2012-08-16 | 2022-09-27 | Allstate Insurance Company | Processing insured items holistically with mobile damage assessment and claims processing |
| US10580075B1 (en) * | 2012-08-16 | 2020-03-03 | Allstate Insurance Company | Application facilitated claims damage estimation |
| US10430885B1 (en) | 2012-08-16 | 2019-10-01 | Allstate Insurance Company | Processing insured items holistically with mobile damage assessment and claims processing |
| CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及系统 |
| CN109033940B (zh) * | 2018-06-04 | 2019-07-05 | 上海依图网络科技有限公司 | 一种图像识别方法、装置、计算设备及存储介质 |
| CN108846766A (zh) * | 2018-06-25 | 2018-11-20 | 江苏汉德天坤数字技术有限公司 | 基于深度学习的车险自助理赔成功率预测方法 |
| CN108885699B (zh) * | 2018-07-11 | 2020-06-26 | 深圳前海达闼云端智能科技有限公司 | 字符识别方法、装置、存储介质及电子设备 |
| CN110569692B (zh) * | 2018-08-16 | 2023-05-12 | 创新先进技术有限公司 | 多车识别方法、装置及设备 |
| CN110569864A (zh) * | 2018-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 基于gan网络的车损图像生成方法和装置 |
| CN109272504B (zh) * | 2018-10-17 | 2022-04-29 | 广汽丰田汽车有限公司 | 车辆凹凸缺陷的检测、追溯方法、装置及系统 |
| CN109543773A (zh) * | 2018-12-12 | 2019-03-29 | 泰康保险集团股份有限公司 | 图像处理方法、装置、介质及电子设备 |
| CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
| CN109903172A (zh) * | 2019-01-31 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 理赔信息提取方法和装置、电子设备 |
| CN109948804B (zh) * | 2019-03-15 | 2021-11-02 | 北京清瞳时代科技有限公司 | 跨平台拖拽式深度学习建模与训练方法及装置 |
| CN111353520A (zh) * | 2019-07-03 | 2020-06-30 | 孙彤 | 一种朱墨时序鉴定的方法 |
| CN110674332B (zh) * | 2019-08-01 | 2022-11-15 | 南昌市微轲联信息技术有限公司 | 基于ocr与文本挖掘的机动车数字电子档案分类方法 |
| CN110659721B (zh) * | 2019-08-02 | 2022-07-22 | 杭州未名信科科技有限公司 | 一种目标检测网络的构建方法和系统 |
| CN110705405B (zh) * | 2019-09-20 | 2021-04-20 | 创新先进技术有限公司 | 目标标注的方法及装置 |
| CN111160342A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 车辆反光标识的验证方法、装置、计算机设备和存储介质 |
| CN111160289A (zh) * | 2019-12-31 | 2020-05-15 | 欧普照明股份有限公司 | 针对目标用户的意外事故的检测方法、装置及电子设备 |
| CN111193868B (zh) * | 2020-01-09 | 2021-03-16 | 中保车服科技服务股份有限公司 | 车险查勘的拍照方法、装置、计算机设备和可读存储介质 |
| CN111401438B (zh) * | 2020-03-13 | 2023-08-25 | 德联易控科技(北京)有限公司 | 图像分拣方法、装置及系统 |
| CN111507850A (zh) * | 2020-03-25 | 2020-08-07 | 上海商汤智能科技有限公司 | 核保方法及相关装置、设备 |
| CN111400529B (zh) * | 2020-04-14 | 2024-03-08 | 蚂蚁财富(上海)金融信息服务有限公司 | 数据处理方法以及装置 |
| CN111723768B (zh) | 2020-06-30 | 2023-08-11 | 北京百度网讯科技有限公司 | 车辆重识别的方法、装置、设备和存储介质 |
| CN113095211B (zh) * | 2021-04-08 | 2023-08-25 | 第六镜科技(成都)有限公司 | 一种图像处理方法、系统及电子设备 |
| CN113918718A (zh) * | 2021-10-28 | 2022-01-11 | 平安银行股份有限公司 | 基于人工智能的车险用户分类方法、装置、设备及介质 |
| CN114550156A (zh) * | 2022-02-18 | 2022-05-27 | 支付宝(杭州)信息技术有限公司 | 图像处理方法及装置 |
| CN115810134B (zh) * | 2023-02-14 | 2023-07-21 | 之江实验室 | 一种车险反欺诈的图像采集质检方法、系统和装置 |
| CN117094781B (zh) * | 2023-08-25 | 2024-02-09 | 国任财产保险股份有限公司 | 一种智能车险理赔处理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050099370A (ko) * | 2004-04-09 | 2005-10-13 | 엘지전자 주식회사 | 이동 통신 단말기의 멀티미디어 메시지를 이용한 보험처리판단 시스템 및 방법 |
| JP2014116025A (ja) * | 2009-02-10 | 2014-06-26 | Kofax Inc | 文書の有効性を決定するためのシステム、方法およびコンピュータプログラム製品 |
| WO2016025608A1 (en) * | 2014-08-13 | 2016-02-18 | Andrew Mcmahon | Method and system for generating and aggregating models based on disparate data from insurance, financial services, and public industries |
| KR101599628B1 (ko) * | 2014-08-29 | 2016-03-04 | 정유철 | 교통사고영상 제보시스템 |
Family Cites Families (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7912246B1 (en) * | 2002-10-28 | 2011-03-22 | Videomining Corporation | Method and system for determining the age category of people based on facial images |
| US7924323B2 (en) * | 2003-12-24 | 2011-04-12 | Walker Digital, Llc | Method and apparatus for automatically capturing and managing images |
| US7809587B2 (en) * | 2004-05-07 | 2010-10-05 | International Business Machines Corporation | Rapid business support of insured property using image analysis |
| KR100931420B1 (ko) * | 2005-02-23 | 2009-12-11 | 게이트키퍼 아이엔씨. | 진입 통제 포인트 장치, 시스템 및 방법 |
| WO2006129554A1 (en) * | 2005-05-30 | 2006-12-07 | Fujifilm Corporation | Album creating apparatus, album creating method and program |
| US7921099B2 (en) * | 2006-05-10 | 2011-04-05 | Inquira, Inc. | Guided navigation system |
| JP4931115B2 (ja) * | 2006-06-29 | 2012-05-16 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、業務システム、制御方法、プログラム |
| US8856639B1 (en) * | 2007-07-24 | 2014-10-07 | United Services Automobile Association (Usaa) | Systems and methods for online document sign-up |
| US10102583B2 (en) * | 2008-01-18 | 2018-10-16 | Mitek Systems, Inc. | System and methods for obtaining insurance offers using mobile image capture |
| 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 |
| WO2009114553A2 (en) * | 2008-03-11 | 2009-09-17 | Arenas Claims Consulting, Inc. | Computer systems and methods for assisting accident victims with insurance claims |
| JP4743312B2 (ja) * | 2009-07-29 | 2011-08-10 | 株式会社デンソー | 画像識別装置 |
| EP2761595A2 (en) * | 2011-09-29 | 2014-08-06 | Tata Consultancy Services Limited | Damage assessment of an object |
| US8775219B2 (en) * | 2012-07-13 | 2014-07-08 | Northrop Grumman Systems Corporation | Spectral image classification of rooftop condition for use in property insurance |
| US8712893B1 (en) * | 2012-08-16 | 2014-04-29 | Allstate Insurance Company | Enhanced claims damage estimation using aggregate display |
| US9158744B2 (en) * | 2013-01-04 | 2015-10-13 | Cognizant Technology Solutions India Pvt. Ltd. | System and method for automatically extracting multi-format data from documents and converting into XML |
| US9082015B2 (en) * | 2013-03-15 | 2015-07-14 | State Farm Mutual Automobile Insurance Company | Automatic building assessment |
| US10319035B2 (en) * | 2013-10-11 | 2019-06-11 | Ccc Information Services | Image capturing and automatic labeling system |
| WO2015180101A1 (en) * | 2014-05-29 | 2015-12-03 | Beijing Kuangshi Technology Co., Ltd. | Compact face representation |
| US9659384B2 (en) * | 2014-10-03 | 2017-05-23 | EyeEm Mobile GmbH. | Systems, methods, and computer program products for searching and sorting images by aesthetic quality |
| US10387773B2 (en) * | 2014-10-27 | 2019-08-20 | Ebay Inc. | Hierarchical deep convolutional neural network for image classification |
| US9665802B2 (en) * | 2014-11-13 | 2017-05-30 | Nec Corporation | Object-centric fine-grained image classification |
| US9524450B2 (en) * | 2015-03-04 | 2016-12-20 | Accenture Global Services Limited | Digital image processing using convolutional neural networks |
| TWI607323B (zh) * | 2015-06-05 | 2017-12-01 | 永奕科技股份有限公司 | 車輛資料整合之方法及系統 |
| US9734436B2 (en) * | 2015-06-05 | 2017-08-15 | At&T Intellectual Property I, L.P. | Hash codes for images |
| GB201517462D0 (en) * | 2015-10-02 | 2015-11-18 | Tractable Ltd | Semi-automatic labelling of datasets |
| JP2017116998A (ja) * | 2015-12-21 | 2017-06-29 | セゾン自動車火災保険株式会社 | 情報処理装置、情報処理システム、情報処理方法、情報処理プログラム |
| CN105678622A (zh) * | 2016-01-07 | 2016-06-15 | 平安科技（深圳）有限公司 | 车险理赔照片的分析方法及系统 |
| JP2017129933A (ja) * | 2016-01-18 | 2017-07-27 | 株式会社ブロードリーフ | 画像管理システム、及びこれを用いた車両整備システム |
| US10394835B1 (en) * | 2016-01-22 | 2019-08-27 | C. Joseph Rickrode | Rapid access information database (RAID) system and method for generalized data aggregation for a plethora of data types and users |
| 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 |
| CN106127248A (zh) * | 2016-06-24 | 2016-11-16 | 平安科技（深圳）有限公司 | 基于深度学习的车牌分类方法及系统 |
| CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
| US10902525B2 (en) * | 2016-09-21 | 2021-01-26 | Allstate Insurance Company | Enhanced image capture and analysis of damaged tangible objects |
| US11361380B2 (en) * | 2016-09-21 | 2022-06-14 | Allstate Insurance Company | Enhanced image capture and analysis of damaged tangible objects |
| GB2554361B8 (en) * | 2016-09-21 | 2022-07-06 | Emergent Network Intelligence Ltd | Automatic image based object damage assessment |
| CN106599869B (zh) * | 2016-12-22 | 2019-12-03 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
| CN111914692B (zh) * | 2017-04-28 | 2023-07-14 | 创新先进技术有限公司 | 车辆定损图像获取方法及装置 |
| CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及系统 |
-
2017
- 2017-07-31 CN CN201710640784.8A patent/CN107610091A/zh active Pending
-
2018
- 2018-05-22 TW TW107117353A patent/TWI709919B/zh active
- 2018-07-27 EP EP18840973.4A patent/EP3621029A4/en active Pending
- 2018-07-27 MY MYPI2019005049A patent/MY202176A/en unknown
- 2018-07-27 WO PCT/CN2018/097336 patent/WO2019024771A1/zh unknown
- 2018-07-27 SG SG11201908245Q patent/SG11201908245QA/en unknown
- 2018-07-27 KR KR1020197027479A patent/KR102373251B1/ko active IP Right Grant
- 2018-07-27 JP JP2019550188A patent/JP7118082B2/ja active Active
-
2019
- 2019-09-10 PH PH12019502055A patent/PH12019502055A1/en unknown
- 2019-12-18 US US16/719,329 patent/US10846556B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050099370A (ko) * | 2004-04-09 | 2005-10-13 | 엘지전자 주식회사 | 이동 통신 단말기의 멀티미디어 메시지를 이용한 보험처리판단 시스템 및 방법 |
| JP2014116025A (ja) * | 2009-02-10 | 2014-06-26 | Kofax Inc | 文書の有効性を決定するためのシステム、方法およびコンピュータプログラム製品 |
| WO2016025608A1 (en) * | 2014-08-13 | 2016-02-18 | Andrew Mcmahon | Method and system for generating and aggregating models based on disparate data from insurance, financial services, and public industries |
| KR101599628B1 (ko) * | 2014-08-29 | 2016-03-04 | 정유철 | 교통사고영상 제보시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102373251B1 (ko) | 2022-03-14 |
| SG11201908245QA (en) | 2019-10-30 |
| TWI709919B (zh) | 2020-11-11 |
| US10846556B2 (en) | 2020-11-24 |
| MY202176A (en) | 2024-04-13 |
| US20200125885A1 (en) | 2020-04-23 |
| PH12019502055A1 (en) | 2020-07-13 |
| JP7118082B2 (ja) | 2022-08-15 |
| WO2019024771A1 (zh) | 2019-02-07 |
| TW201911129A (zh) | 2019-03-16 |
| EP3621029A4 (en) | 2021-03-03 |
| EP3621029A1 (en) | 2020-03-11 |
| CN107610091A (zh) | 2018-01-19 |
| JP2020525871A (ja) | 2020-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102373251B1 (ko) | 차량 보험 이미지 처리 방법, 장치, 서버 및 시스템 | |
| US20200364802A1 (en) | Processing method, processing apparatus, user terminal and server for recognition of vehicle damage | |
| US20190213563A1 (en) | Image-based vehicle maintenance plan | |
| US8531478B2 (en) | Method of browsing photos based on people | |
| TW201839704A (zh) | 基於圖像的車輛定損方法、裝置及電子設備 | |
| CN111553298B (zh) | 一种基于区块链的火灾识别方法及系统 | |
| US20220058451A1 (en) | Identifying a type of object in a digital image based on overlapping areas of sub-images | |
| CN114730486B (zh) | 用于生成用于对象检测的训练数据的方法和系统 | |
| US11423262B2 (en) | Automatically filtering out objects based on user preferences | |
| CN108734684A (zh) | 动态照明场景的图像背景减除 | |
| CN114663871A (zh) | 图像识别方法、训练方法、装置、系统及存储介质 | |
| Bergner et al. | Iterative patch selection for high-resolution image recognition | |
| WO2020097461A1 (en) | Convolutional neural networks with reduced attention overlap | |
| CN108257081B (zh) | 用于生成图片的方法和装置 | |
| CN111292331B (zh) | 图像处理的方法与装置 | |
| CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
| Wang et al. | ATG-PVD: ticketing parking violations on a drone | |
| CN113569873B (zh) | 一种图像的处理方法、装置及设备 | |
| KR102047936B1 (ko) | 이미지 분류장치 및 방법 | |
| Grosselfinger et al. | An architecture for automatic multimodal video data anonymization to ensure data protection | |
| CN113096134A (zh) | 基于单阶段网络的实时实例分割方法及其系统和电子设备 | |
| US11151404B2 (en) | Object recognition with dynamic switching of visual recognition processes using an image capturing device | |
| CN112699707A (zh) | 一种视频检测方法、设备及存储介质 | |
| US12020400B2 (en) | Upsampling and refining segmentation masks | |
| US20230132180A1 (en) | Upsampling and refining segmentation masks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| N231 | Notification of change of applicant | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |