TW202011290A - 訓練損傷辨識模型的方法及裝置 - Google Patents

訓練損傷辨識模型的方法及裝置 Download PDF

Info

Publication number
TW202011290A
TW202011290A TW108119300A TW108119300A TW202011290A TW 202011290 A TW202011290 A TW 202011290A TW 108119300 A TW108119300 A TW 108119300A TW 108119300 A TW108119300 A TW 108119300A TW 202011290 A TW202011290 A TW 202011290A
Authority
TW
Taiwan
Prior art keywords
damage
category
prediction result
label
information
Prior art date
Application number
TW108119300A
Other languages
English (en)
Inventor
徐娟
Original Assignee
香港商阿里巴巴集團服務有限公司
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 香港商阿里巴巴集團服務有限公司 filed Critical 香港商阿里巴巴集團服務有限公司
Publication of TW202011290A publication Critical patent/TW202011290A/zh

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Image Analysis (AREA)

Abstract

本說明書實施例提供一種訓練損傷辨識模型的方法，其中損傷辨識模型用於從車輛定損圖片中辨識車輛損傷的損傷類別。上述方法包括，首先獲取多張標註圖片，其中各張標註圖片包括損傷邊框，以及該損傷邊框對應的損傷類別標籤，其中損傷邊框是包圍連續損傷區域的最小矩形框，損傷類別標籤指示出損傷材質和損傷方式的資訊。然後，基於所述多張標註圖片，訓練多分類模型作為所述損傷辨識模型。

Description

訓練損傷辨識模型的方法及裝置
本說明書一個或多個實施例係有關機器學習領域，尤其是一種利用機器學習訓練用於車輛智慧定損的損傷辨識模型的方法和裝置。
在傳統車險理賠場景中，保險公司需要派出專業的查勘定損人員到事故現場進行現場查勘定損，給出車輛的維修方案和賠償金額，並拍攝現場照片，定損照片留檔以供後端核查人員核損核價。由於需要人工查勘定損，保險公司需要投入大量的人力成本，和專業知識的培訓成本。從普通用戶的體驗來說，理賠流程由於等待人工查勘員現場拍照、定損員在維修地點定損、核損人員在後端核損，理賠週期長達1-3天，用戶的等待時間較長，體驗較差。 針對需求背景中提到的這一人工成本巨大的行業痛點，開始設想將人工智慧和機器學習應用到車輛定損的場景中，希望能夠利用人工智慧領域電腦視覺圖像辨識技術，根據普通用戶拍攝的現場損失圖片，自動辨識圖片中反映的車損狀況，並自動給出維修方案。如此，無需人工查勘定損核損，大大減少了保險公司的成本，提升了普通用戶的車險理賠體驗。 不過，目前的智慧定損方案，損傷辨識的準確度還有待進一步提高。因此，希望能有改進的方案，更加有效地訓練損傷辨識模型，從而更準確地辨識車輛損傷狀況。
本說明書一個或多個實施例描述了訓練損傷辨識模型的方法和裝置，透過標註出損傷對象的材質和損傷方式，來提高損傷辨識模型的準確度和概括性。 根據第一方面，提供了一種訓練損傷辨識模型的方法，所述損傷辨識模型用於從車輛定損圖片中辨識車輛損傷的損傷類別，所述方法包括： 獲取多張標註圖片，各張標註圖片包括，至少一個損傷邊框，以及該損傷邊框對應的損傷類別標籤，所述損傷邊框是包圍連續損傷區域的最小矩形框，所述損傷類別標籤指示出損傷材質和損傷方式的資訊； 至少基於所述多張標註圖片，訓練多分類模型作為所述損傷辨識模型。 在一個實施例中，損傷類別標籤還指示出損傷程度的資訊。 根據一種可能的設計，損傷類別標籤為數字標籤，該數字標籤按照預定的映射表指示出對應的損傷材質和損傷方式的組合，所述映射表包含各種數字標籤與損傷材質和損傷方式的各種組合之間的映射關係。 進一步地，在一種實施例中，上述數字標籤按照預定的映射表指示出對應的損傷材質、損傷方式以及損傷程度的組合，相應地，所述映射表包含各種數字標籤與損傷材質、損傷方式和損傷程度的各種組合之間的映射關係。 根據一種可能的設計，損傷類別標籤包含第一欄位和第二欄位的組合，所述第一欄位指示出損傷材質資訊，第二欄位指示出損傷方式資訊。 進一步地，在一個實施例中，所述損傷類別標籤還包括第三欄位，所述第三欄位指示出損傷程度的資訊。 在一種實施方式中，所述損傷材質包括，噴漆件，塑料件，金屬件，磨砂件，玻璃，燈；所述損傷方式包括，刮擦，變形，裂口，碎裂。 根據一種可能的設計，所述損傷類別標籤與維修方案類別相對應。 根據第二方面，提供一種利用損傷辨識模型辨識車輛損傷的方法，所述損傷辨識模型透過第一方面的方法而訓練，所述方法包括： 獲取待辨識的圖片； 將所述待辨識的圖片輸入所述損傷辨識模型，得到損傷類別預測結果； 根據所述損傷類別預測結果，確定車輛的損傷材質和損傷方式的資訊。 在一個實施例中，還可以根據損傷類別預測結果，確定車輛的損傷程度的資訊。 根據一種可能的設計，損傷辨識模型所基於的損傷類別標籤與維修方案類別相對應；相應地，所述方法還包括：根據所述損傷類別預測結果，確定車輛的維修方案。 根據第三方面，提供一種訓練損傷辨識模型的訓練裝置，所述損傷辨識模型用於從車輛定損圖片中辨識車輛損傷的損傷類別，所述訓練裝置包括： 獲取單元，配置為獲取多張標註圖片，各張標註圖片包括，至少一個損傷邊框，以及該損傷邊框對應的損傷類別標籤，所述損傷邊框是包圍連續損傷區域的最小矩形框，所述損傷類別標籤指示出損傷材質和損傷方式的資訊； 訓練單元，配置為至少基於所述多張標註圖片，訓練多分類模型作為所述損傷辨識模型。 根據第四方面，提供一種利用損傷辨識模型辨識車輛損傷的辨識裝置，所述損傷辨識模型透過第三方面的訓練裝置而訓練，所述辨識裝置包括： 圖片獲取單元，配置為獲取待辨識的圖片； 預測單元，配置為將所述待辨識的圖片輸入所述損傷辨識模型，得到損傷類別預測結果； 確定單元，配置為根據所述損傷類別預測結果，確定車輛的損傷材質和損傷方式的資訊。 根據第五方面，提供了一種計算設備，包括儲存器和處理器，其特徵在於，所述儲存器中儲存有可執行代碼，所述處理器執行所述可執行代碼時，實現第一方面和第二方面的方法。 透過本說明書實施例提供的方法和裝置，在模型訓練過程中，訓練樣本的標註標籤集中於受損的材質和損傷方式，而不限於車輛部件，單獨針對損傷進行辨識和模型訓練。這樣所需的訓練樣本數量大幅減少，且對於損傷辨識更有針對性。如此訓練的損傷辨識模型可以對損傷狀況有更細微精準的判斷，且具有獨立於部件之外的損傷對象的概括辨識能力。
下面結合圖式，對本說明書提供的方案進行描述。 為了對車輛定損圖片中的損傷狀況進行辨識，業界普遍採用的方法是，透過與巨量歷史資料庫進行比對得到相似的圖片，來決定圖片上的損傷部件及其程度。然而，這樣的方式損傷辨識準確率不夠理想。 根據一種實施方式，對含有車損資訊的圖片進行人工標註，形成標註圖片，然後利用這些標註圖片作為訓練樣本，訓練損傷辨識模型。圖1為本說明書揭露的一個實施例的實施場景示意圖。如圖1所示，利用人工標註的圖片形成訓練樣本集，然後計算平臺用訓練樣本集訓練損傷辨識模型。在訓練得到損傷辨識模型之後，對於用戶拍攝的現場損失圖片，就可以將現場圖片發送到計算平臺，利用該損傷辨識模型，自動辨識圖片中的車損狀況。 在以上有監督的機器學習過程中，需要基於大量的人工標註圖片進行模型訓練。圖片的標註方式決定了獲取到怎樣的訓練樣本，進一步決定了模型的訓練效果。因此，需要考慮訓練樣本的標註方式的問題。 在一種實施方式中，對於車輛損傷辨識而言，可以將定損圖片標註為“部件+損傷類別”的方式，例如，保險桿變形，前車門刮擦，等等。如果車輛包含m種部件，具有n種損傷方式，那麼損傷類別的標註大致會有m*n種類別標籤，這就需要針對各種不同部件，以及不同損傷方式的大量的訓練樣本。一般來說，車輛部件的辨識和損傷的辨識所基於的圖片會有不同，例如車輛全域圖更有利於進行車輛部件的辨識，卻難以看清損傷細節，而細節圖更有利於進行損傷的辨識，但有時候卻難以分辨車輛部件。這也為圖片標註帶來一定困難。 根據另一種實施方式，提出更加普適，更有概括性的標註方式和訓練方式。在該方式中，訓練樣本的標註標籤集中於受損的材質和損傷方式，而不限於車輛部件，如此訓練的損傷辨識模型可以對損傷狀況有更細微精準的判斷，且具有獨立於部件之外的損傷對象的概括辨識能力。下面描述該方案構思的具體實現方式。 圖2示出根據一個實施例的訓練損傷辨識模型的方法流程圖，要訓練的損傷辨識模型用於，從車輛定損圖片中辨識車輛損傷的損傷類別。可以理解，該方法可以由任何具有計算、處理能力的設備、裝置、平臺、設備叢集來執行，例如圖1所示的計算平臺。如圖2所示，所述方法包括：步驟21，獲取多張標註圖片，各張標註圖片包括，至少一個損傷邊框，以及該損傷邊框對應的損傷類別標籤，所述損傷邊框是包圍連續損傷區域的最小矩形框，所述損傷類別標籤指示出損傷材質和損傷方式的資訊；步驟22，至少基於所述多張標註圖片，訓練多分類模型作為所述損傷辨識模型。下面描述以上步驟的具體執行過程。 首先，在步驟21，獲取多張標註圖片。由於模型的訓練需要大量的標註圖片，一般地，存在人工標註平臺，將圖片分發給標註人員，按照預定要求進行標註。在步驟21，可以從這樣的人工標註平臺獲取標註圖片。 特別地，根據本說明書的實施例，在對損傷對象進行標註時，要求標註人員按照以下方式進行標註：即對每張含有損傷對象的圖片，用損傷邊框標註出損傷對象所在的區域，並為損傷對象標註出損傷類別標籤，該標籤指示出損傷材質和損傷方式的資訊。 如此，獲得的各張標註圖片包括，至少一個損傷邊框，以及該損傷邊框對應的損傷類別標籤，其中，損傷邊框是包圍連續損傷區域的最小矩形框，用於框選出損傷對象所在區域，而損傷類別標籤則指示出損傷材質和損傷方式的資訊。 具體地，損傷材質可以包括，例如，噴漆件，塑料件，金屬件，磨砂件，玻璃，燈，等等；損傷方式可以包括，刮擦，變形，裂口，碎裂，等等。相應地，損傷類別標籤可以指示出，例如，噴漆件刮擦，金屬件變形，玻璃碎裂，等損傷材質和損傷方式的組合。 進一步地，在一個實施例中，損傷類別標籤還指示出損傷程度的資訊，損傷程度例如包括，輕微、嚴重、重度等等。如此，損傷類別標籤指示出損傷材質、損傷方式和損傷程度三者的資訊。例如，在具體例子中，損傷類別標籤可以指示出，金屬件嚴重變形，玻璃輕微刮擦，玻璃重刮擦，等等。 在一個實施例中，損傷類別標籤採用數字標籤的形式。為此，預先定義一個映射表，包含各種數字標籤與損傷材質和損傷方式的各種組合之間的映射關係。標註人員在標註時，當確定出損傷對象的材質和損傷方式之後，查詢該映射表，確定該損傷材質和損傷方式的組合所對應的數字，用該數字作為損傷類別標籤。 在損傷類別標籤還指示損傷程度資訊的情況下，上述映射表可以包含各種數字標籤與損傷材質、損傷方式和損傷程度的各種組合之間的映射關係。 表1示出一個映射表的示例。
Figure 02_image001
從以上表1可以看到，將數字標籤與其指示的損傷資訊建立關聯，其中損傷資訊包含損傷材質、損傷方式和損傷程度。某些損傷對象的損傷資訊也可以僅包含損傷材質和損傷方式而不含損傷程度，例如玻璃碎裂。 如此，透過數字將損傷資訊標註為不同的損傷類別。 圖3示出根據一個實施例的標註圖片。該標註圖片包含一個損傷邊框，該損傷邊框用包圍連續損傷區域的最小矩形框，框選出損傷對象所在區域。該標註圖片還包括，對該損傷邊框中損傷對象的損傷類別進行標註的標籤，例如右上角的數字04。透過表1所示的映射表可知，該損傷類別標籤示出，損傷對象對應的損傷資訊為，噴漆件輕微刮擦。 在另一實施例中，損傷類別標籤也可以包含多個欄位，不同欄位示出不同資訊。例如，在一個具體實施例中，損傷類別標籤包含第一欄位和第二欄位的組合，第一欄位指示出損傷材質資訊，第二欄位指示出損傷方式資訊。例如，第一欄位用A,B,C…等字母分別表示噴漆件，塑料件，金屬件，磨砂件，玻璃，燈等材質，第二欄位用1,2,3…等數字表示刮擦，變形，裂口，碎裂等損傷方式，從而第一欄位字母和第二欄位數字的組合，可以表示出不同材質不同損傷方式的組合。 進一步地，在一個具體例子中，損傷類別標籤還包括第三欄位，所述第三欄位指示出損傷程度的資訊，例如輕微，嚴重，重度等。 在一個實施例中，各個欄位的取值與表示的損傷資訊的對應關係也透過映射表記錄。表2示出記錄不同欄位與損傷資訊的對應關係的映射表。
Figure 02_image003
從以上表2可以看到，可以透過映射表記錄不同欄位的取值與對應損傷資訊的對應關係，例如包括，第一欄位取值與材質的對應關係，第二欄位取值與損傷方式的對應關係，以及第三欄位取值與損傷程度的對應關係。如此，可以透過欄位的組合指示出完整的損傷資訊，例如B1ss示出塑料件輕微刮擦，A2xx示出噴漆件嚴重變形，等等。當然，也允許某些損傷對象的損傷資訊可以僅包含損傷材質和損傷方式而不含損傷程度，此時第三欄位可以缺省。 如此，透過損傷類別標籤指示出損傷資訊，損傷資訊至少包含損傷材質的資訊和損傷方式的資訊。 在一個實施例中，損傷類別標籤與維修方案類別相對應。也就是說，考慮維修方案的類別來預先定義損傷類別標籤，標註時從預先定義的損傷類別標籤中進行選擇。例如，表1示出的映射表中，每種數字標籤可以對應一種維修方案，例如，數字標籤03對應於損傷資訊“玻璃碎裂”，該損傷資訊可以對應於維修方案“更換玻璃件”；數字標籤04對應於“噴漆件輕微刮擦”，該損傷資訊可以對應於維修方案“噴漆處理”，等等。如此，更加有利於後續的定損環節。 在以上獲得了具有邊框和損傷類別標籤的標註圖片的基礎上，在步驟22，至少基於這樣的多張標註圖片，訓練多分類模型作為損傷辨識模型。 具體地，獲取到的標註圖片即可作為訓練樣本，用於進行模型訓練。在訓練過程中，可以從標註圖片中提取圖片的特徵向量，輸入模型中進行處理，然後透過標籤比對進行模型參數優化，得到訓練的損傷辨識模型。可以理解，由於標註圖片的標籤為具有多種可能取值的損傷類別標籤，因此，損傷辨識模型採用的是多分類模型。 根據一種實施方式，損傷辨識模型可以是基於卷積神經網路CNN的模型。更具體地，損傷辨識模型可以採用Faster-RCNN，Yolo，RCNN，lighthead-RCNN等目標檢測模型。在適用於用戶終端的情況下，損傷辨識模型也可以採用mobilenet和ssd等輕量級的適用於行動終端的目標檢測模型。 透過以上可以看到，在模型訓練過程中，訓練樣本的標註標籤集中於受損的材質和損傷方式，而不限於車輛部件，將m*n維的部件損傷程度的辨識問題轉化為m維部件辨識的問題和n維損傷辨識的問題，單獨針對損傷進行辨識和模型訓練。這樣所需的訓練樣本數量大幅減少，且對於損傷辨識更有針對性。並且，如此訓練的損傷辨識模型可以對損傷狀況有更細微精準的判斷，且具有獨立於部件之外的損傷對象的概括辨識能力。下面描述利用該損傷辨識模型進行損傷辨識的過程和效果。 圖4示出根據一個實施例的利用損傷辨識模型辨識車輛損傷的方法。可以理解，所述損傷辨識模型是透過圖2所述的方法訓練得到的損傷辨識模型。如圖4所示，該辨識方法包括以下步驟。 在步驟41，獲取待辨識的圖片。可以理解，該圖片可以是普通用戶拍攝的車損現場的圖片，是有待進行損傷辨識的圖片。 在步驟42，將所述待辨識的圖片輸入所述損傷辨識模型，得到損傷類別預測結果。一般地，損傷類別預測結果的形式，與訓練樣本的標註形式相對應。例如，如果訓練樣本按照表1的映射表標註為數字標籤，那麼損傷類別預測結果也可以是一個數字類別結果，例如03。 然後，在步驟43，根據上述損傷類別預測結果，確定車輛的損傷材質和損傷方式的資訊。如前所述，由於模型訓練時，損傷類別標籤中指示出損傷材質和損傷方式的資訊，而損傷類別預測結果與損傷類別標籤相對應，因此，可以根據損傷類別預測結果，確定出所預測的車輛的損傷材質資訊和損傷方式資訊。例如，如果訓練樣本按照表1的映射表標註為數字標籤，而輸出的損傷類別預測結果是例如03，那麼透過查詢同樣的映射表可以確定，上述圖片中車輛損傷狀況的預測結果為：玻璃碎裂。 在一個實施例中，模型訓練階段所基於的損傷類別標籤還示出損傷程度的資訊。那麼相應地，在使用模型進行預測時，還可以根據損傷類別預測結果，確定車輛的損傷程度的資訊。例如，如果輸出的損傷類別預測結果是04，那麼可以確定，上述圖片中車輛損傷狀況的預測結果為：噴漆件輕微刮擦，其中包含損傷材質，損傷程度和損傷方式的資訊。 在一個實施例中，損傷類別標籤與維修方案類別相對應。例如，表1中的數字標籤03對應於維修方案“更換玻璃件”，數字標籤04對應於維修方案“噴漆處理”，等等。在這樣的情況下，可以根據損傷類別預測結果，直接確定出維修方案。例如，如果損傷類別預測結果為03，則可以直接確定出維修方案為“更換玻璃件”，如果損傷類別預測結果為04，則可以直接確定出維修方案為“噴漆處理”。如此，非常有利於維修方案的確定和車輛的定損。 可以看到，透過以上方式訓練得到的損傷辨識模型，具有很好的概括能力。例如，當辨識出損傷結果為“噴漆件刮擦”，該結果可以廣泛地適用於各種噴漆部件，而不必對部件進行區別，例如車前門，車後門，引擎蓋等等。並且，這樣的損傷類別標註和損傷類別預測可以與維修方案直接對應，使得維修方案的確定和車輛定損過程更加直接和便利。 根據另一方面的實施例，還提供一種訓練損傷辨識模型的訓練裝置，所述損傷辨識模型用於從車輛定損圖片中辨識車輛損傷的損傷類別。該訓練裝置例如可以透過圖1所示的計算平臺實現。圖5示出根據一個實施例的訓練裝置的示意圖方塊圖。如圖5所示，該訓練裝置500包括： 獲取單元51，配置為獲取多張標註圖片，各張標註圖片包括，至少一個損傷邊框，以及該損傷邊框對應的損傷類別標籤，所述損傷邊框是包圍連續損傷區域的最小矩形框，所述損傷類別標籤指示出損傷材質和損傷方式的資訊； 訓練單元52，配置為至少基於所述多張標註圖片，訓練多分類模型作為所述損傷辨識模型。 根據一種實施方式，損傷類別標籤還指示出損傷程度的資訊。 在一種可能的設計中，損傷類別標籤為數字標籤。該數字標籤按照預定的映射表指示出對應的損傷材質和損傷方式的組合，所述映射表包含各種數字標籤與損傷材質和損傷方式的各種組合之間的映射關係。 進一步地，在一個實施例中，數字標籤按照預定的映射表指示出對應的損傷材質、損傷方式以及損傷程度的組合；相應地，所述映射表包含各種數字標籤與損傷材質、損傷方式和損傷程度的各種組合之間的映射關係。 在一種可能的設計中，所述損傷類別標籤包含第一欄位和第二欄位的組合，所述第一欄位指示出損傷材質資訊，第二欄位指示出損傷方式資訊。 進一步地，在一個實施例中，所述損傷類別標籤還包括第三欄位，所述第三欄位指示出損傷程度的資訊。 根據一種實施方式，所述損傷材質包括，噴漆件，塑料件，金屬件，磨砂件，玻璃，燈；所述損傷方式包括，刮擦，變形，裂口，碎裂。 在一個實施例中，所述損傷類別標籤可以與維修方案類別相對應。 根據又一方面的實施例，還提供一種利用損傷辨識模型辨識車輛損傷的辨識裝置，其中所述損傷辨識模型透過圖2的方法或圖5的裝置而訓練獲得。圖6示出根據一個實施例的辨識裝置的示意性方塊圖。如圖6所示，該辨識裝置600包括： 圖片獲取單元61，配置為獲取待辨識的圖片； 預測單元62，配置為將所述待辨識的圖片輸入所述損傷辨識模型，得到損傷類別預測結果； 確定單元63，配置為根據所述損傷類別預測結果，確定車輛的損傷材質和損傷方式的資訊。 在一個實施例中，所述確定單元63還配置為，根據所述損傷類別預測結果，確定車輛的損傷程度的資訊。 根據一種可能的設計，損傷辨識模型所基於的損傷類別標籤與維修方案類別相對應；在這樣的情況下，確定單元63還配置為：根據所述損傷類別預測結果，確定車輛的維修方案。 根據另一方面的實施例，還提供一種電腦可讀儲存媒介，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行結合圖2和圖4所描述的方法。 根據再一方面的實施例，還提供一種計算設備，包括儲存器和處理器，所述儲存器中儲存有可執行代碼，所述處理器執行所述可執行代碼時，實現結合圖2和圖4所述的方法。 本領域技術人員應該可以意識到，在上述一個或多個示例中，本發明所描述的功能可以用硬體、軟體、韌體或它們的任意組合來實現。當使用軟體實現時，可以將這些功能儲存在電腦可讀媒介中或者作為電腦可讀媒介上的一個或多個指令或代碼進行傳輸。 以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，並不用於限定本發明的保護範圍，凡在本發明的技術方案的基礎之上，所做的任何修改、等同替換、改進等，均應包括在本發明的保護範圍之內。
21:步驟 22:步驟 41:步驟 42:步驟 43:步驟 500:訓練裝置 51:獲取單元 52:訓練單元 600:辨識裝置 61:圖片獲取單元 62:預測單元 63:確定單元 04:數字標籤
為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的圖式作簡單地介紹，顯而易見地，下面描述中的圖式僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出進步性勞動的前提下，還可以根據這些圖式獲得其它的圖式。 圖1示出本說明書揭露的一個實施例的實施場景示意圖； 圖2示出根據一個實施例的訓練損傷辨識模型的方法流程圖； 圖3示出根據一個實施例的標註圖片； 圖4示出根據一個實施例的利用損傷辨識模型辨識車輛損傷的方法； 圖5示出根據一個實施例的訓練裝置的示意圖方塊圖； 圖6示出根據一個實施例的辨識裝置的示意性方塊圖。

Claims (23)

  1. 一種電腦執行的車輛損傷辨識方法，包括： 獲取待辨識的圖片； 將所述待辨識的圖片輸入損傷辨識模型，從所述損傷辨識模型的輸出得到損傷預測結果，所述損傷預測結果包括，損傷邊框預測結果和損傷類別預測結果，所述損傷類別預測結果指示出損傷材質和損傷方式的資訊； 根據所述損傷預測結果，確定車輛的損傷狀況，所述損傷狀況至少包括損傷材質和損傷方式。
  2. 根據請求項1所述的方法，其中所述損傷辨識模型透過以下方式訓練： 獲取多張標註圖片，各張標註圖片包括，至少一個損傷邊框，以及該損傷邊框對應的損傷類別標籤，所述損傷邊框是包圍連續損傷區域的最小矩形框，所述損傷類別標籤指示出損傷材質和損傷方式的資訊； 至少基於所述多張標註圖片，訓練多分類模型作為所述損傷辨識模型。
  3. 根據請求項2所述的方法，其中所述損傷類別標籤還指示出損傷程度的資訊。
  4. 根據請求項2所述的方法，其中所述損傷類別標籤為數字標籤，該數字標籤按照預定的映射表指示出對應的損傷材質和損傷方式的組合，所述映射表包含各種數字標籤與損傷材質和損傷方式的各種組合之間的映射關係。
  5. 根據請求項4所述的方法，其中所述數字標籤按照預定的映射表指示出對應的損傷材質、損傷方式以及損傷程度的組合，所述映射表包含各種數字標籤與損傷材質、損傷方式和損傷程度的各種組合之間的映射關係。
  6. 根據請求項2所述的方法，其中所述損傷類別標籤包含第一欄位和第二欄位的組合，所述第一欄位指示出損傷材質資訊，第二欄位指示出損傷方式資訊。
  7. 根據請求項6所述的方法，其中所述損傷類別標籤還包括第三欄位，所述第三欄位指示出損傷程度的資訊。
  8. 根據請求項1所述的方法，其中， 所述損傷材質包括，噴漆件，塑料件，金屬件，磨砂件，玻璃，燈； 所述損傷方式包括，刮擦，變形，裂口，碎裂。
  9. 根據請求項1所述的方法，其中所述損傷類別標籤與維修方案類別相對應。
  10. 根據請求項1所述的方法，其中，所述損傷類別預測結果還指示出車輛的損傷程度的資訊， 其中根據所述損傷預測結果，確定車輛的損傷狀況包括，根據所述類別預測結果，確定車輛的損傷程度。
  11. 根據請求項1所述的方法，其中所述損傷辨識模型所基於的損傷類別標籤與維修方案類別相對應；所述方法還包括： 根據所述損傷類別預測結果，確定車輛的維修方案。
  12. 一種辨識車輛損傷的裝置，包括： 圖片獲取單元，配置為獲取待辨識的圖片； 預測單元，配置為將所述待辨識的圖片輸入損傷辨識模型，從所述損傷辨識模型的輸出得到損傷預測結果，所述損傷預測結果包括，損傷邊框預測結果和損傷類別預測結果，所述損傷類別預測結果指示出損傷材質和損傷方式的資訊； 確定單元，配置為根據所述損傷預測結果，確定車輛的損傷狀況。
  13. 根據請求項12所述的裝置，其中所述損傷辨識模型透過訓練裝置而訓練，所述訓練裝置包括： 獲取單元，配置為獲取多張標註圖片，各張標註圖片包括，至少一個損傷邊框，以及該損傷邊框對應的損傷類別標籤，所述損傷邊框是包圍連續損傷區域的最小矩形框，所述損傷類別標籤指示出損傷材質和損傷方式的資訊； 訓練單元，配置為至少基於所述多張標註圖片，訓練多分類模型作為所述損傷辨識模型。
  14. 根據請求項13所述的裝置，其中所述損傷類別標籤還指示出損傷程度的資訊。
  15. 根據請求項13所述的裝置，其中所述損傷類別標籤為數字標籤，該數字標籤按照預定的映射表指示出對應的損傷材質和損傷方式的組合，所述映射表包含各種數字標籤與損傷材質和損傷方式的各種組合之間的映射關係。
  16. 根據請求項15所述的裝置，其中所述數字標籤按照預定的映射表指示出對應的損傷材質、損傷方式以及損傷程度的組合，所述映射表包含各種數字標籤與損傷材質、損傷方式和損傷程度的各種組合之間的映射關係。
  17. 根據請求項13所述的裝置，其中所述損傷類別標籤包含第一欄位和第二欄位的組合，所述第一欄位指示出損傷材質資訊，第二欄位指示出損傷方式資訊。
  18. 根據請求項17所述的裝置，其中所述損傷類別標籤還包括第三欄位，所述第三欄位指示出損傷程度的資訊。
  19. 根據請求項12所述的裝置，其中， 所述損傷材質包括，噴漆件，塑料件，金屬件，磨砂件，玻璃，燈； 所述損傷方式包括，刮擦，變形，裂口，碎裂。
  20. 根據請求項13所述的裝置，其中所述損傷類別標籤與維修方案類別相對應。
  21. 根據請求項12所述的裝置，所述確定單元還配置為，根據所述損傷類別預測結果，確定車輛的損傷程度。
  22. 根據請求項12所述的裝置，其中所述損傷辨識模型所基於的損傷類別標籤與維修方案類別相對應；所述確定單元還配置為： 根據所述損傷類別預測結果，確定車輛的維修方案。
  23. 一種計算設備，包括儲存器和處理器，其特徵在於，所述儲存器中儲存有可執行代碼，所述處理器執行所述可執行代碼時，實現請求項1至11中任一項所述的方法。
TW108119300A 2018-08-31 2019-06-04 訓練損傷辨識模型的方法及裝置 TW202011290A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811012749.2 2018-08-31
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
TW202011290A true TW202011290A (zh) 2020-03-16

Family

ID=68772391

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108119300A TW202011290A (zh) 2018-08-31 2019-06-04 訓練損傷辨識模型的方法及裝置

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)

Families Citing this family (14)

* 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
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
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
US12002192B2 (en) * 2021-11-16 2024-06-04 Solera Holdings, Llc Transfer of damage markers from images to 3D vehicle models for damage assessment
CN114972229A (zh) * 2022-05-17 2022-08-30 平安科技（深圳）有限公司 基于材质类型的定损检测方法、装置、电子设备、介质
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

Family Cites Families (101)

* 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
WO2006124666A2 (en) 2005-05-13 2006-11-23 Tivaro, Inc. A 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
EP2120446A4 (en) 2007-03-06 2012-11-14 Sumitomo Electric Industries PICTURE PROCESSING METHOD AND PICTURE EXAMINATION METHOD
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
US8363720B2 (en) * 2009-01-26 2013-01-29 Panasonic Corporation Moving image processing device, moving image processing method and imaging apparatus
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
US20140229207A1 (en) 2011-09-29 2014-08-14 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
US9165188B2 (en) 2012-01-12 2015-10-20 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
US20140309872A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Customization of vehicle user interfaces based on user intelligence
US8705836B2 (en) 2012-08-06 2014-04-22 A2iA S.A. Systems and methods for recognizing information in objects using a mobile device
US8712893B1 (en) * 2012-08-16 2014-04-29 Allstate Insurance Company Enhanced claims damage estimation using aggregate display
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
US10475014B1 (en) 2013-03-15 2019-11-12 Amazon Technologies, Inc. Payment device security
US9147127B2 (en) 2013-03-15 2015-09-29 Facebook, Inc. Verification of user photo IDs
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
EP3686754A1 (en) * 2013-07-30 2020-07-29 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
CA2883010A1 (en) 2014-02-25 2015-08-25 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
WO2017043314A1 (ja) 2015-09-09 2017-03-16 日本電気株式会社 ガイダンス取得装置、ガイダンス取得方法及びプログラム
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
US10692050B2 (en) * 2016-04-06 2020-06-23 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
US11144889B2 (en) * 2016-04-06 2021-10-12 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
US20200005151A1 (en) 2016-12-30 2020-01-02 Nokia Technologies Oy Artificial neural network
CN106952250B (zh) * 2017-02-28 2021-05-07 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
CN107092922B (zh) * 2017-03-13 2018-08-31 平安科技（深圳）有限公司 车损识别方法及服务器
WO2018165753A1 (en) 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN107403424B (zh) 2017-04-11 2020-09-18 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置及电子设备
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
CN111797689B (zh) 2017-04-28 2024-04-16 创新先进技术有限公司 车辆定损图像获取方法、装置、服务器和客户端
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
CN107194398B (zh) * 2017-05-10 2018-09-25 平安科技（深圳）有限公司 车损部位的识别方法及系统
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
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
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
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
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
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
US11030735B2 (en) 2018-08-09 2021-06-08 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

Also Published As

Publication number Publication date
US11748399B2 (en) 2023-09-05
CN110570316A (zh) 2019-12-13
US11080839B2 (en) 2021-08-03
US20200090320A1 (en) 2020-03-19
US20210342999A1 (en) 2021-11-04
EP3844668A1 (en) 2021-07-07
SG11202012505SA (en) 2021-03-30

Similar Documents

Publication Publication Date Title
TW202011290A (zh) 訓練損傷辨識模型的方法及裝置
TWI726364B (zh) 電腦執行的車輛定損方法及裝置
US10853699B2 (en) Method and apparatus for vehicle damage identification
WO2021051885A1 (zh) 目标标注的方法及装置
TWI729405B (zh) 優化損傷檢測結果的方法及裝置
TWI716012B (zh) 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置
US20210174493A1 (en) Damage identification result optimization method and apparatus
WO2020238256A1 (zh) 基于弱分割的损伤检测方法及装置
WO2020228370A1 (zh) 计算机执行的从图片中识别损伤的方法及装置
US20200050856A1 (en) Systems and methods for depicting vehicle information in augmented reality
WO2020107951A1 (zh) 一种基于图像的商品结算方法、装置、介质及电子设备
WO2020047316A1 (en) System and method for training a damage identification model
CN108304815B (zh) 一种数据获取方法、装置、服务器及存储介质
CN112927776A (zh) 一种面向医学检验报告的人工智能自动解读系统
CN110738576B (zh) 为受损车辆生成定损文件的方法及装置
CN114972880A (zh) 一种标签识别方法、装置、电子设备及存储介质
WO2020253353A1 (zh) 预设用户的资源获取资质生成方法及相关设备
CN110807082B (zh) 质量抽检项目确定方法、系统、电子设备及可读存储介质
CN115631169A (zh) 产品检测方法、装置、电子设备及存储介质
CN115203472A (zh) 一种基于数据标注的数据管理方法和系统
CN113807416A (zh) 一种模型训练方法、装置、电子设备以及存储介质
CN117076713B (zh) 一种视频指纹提取和检索方法
CN115203461A (zh) 一种logo标签的确定方法、装置、电子设备和存储介质
JP2023094055A (ja) 工事費用査定装置、工事費用査定方法及び工事費用査定プログラム
CN116012656A (zh) 样本图像的生成方法和图像处理模型的训练方法、装置