The embodiment of this specification discloses a method and apparatus for training a convolutional neural network for processing vehicle insurance images, and a vehicle insurance image processing method and apparatus. The vehicle insurance image processing method includes: acquiring N vehicle insurance images, N being a natural number greater than or equal to 2; and inputting the vehicle insurance image into the actual vehicle insurance image according to this specification. The convolution neural network trained by the example training method obtains N eigenvectors corresponding to the vehicle insurance image, calculates the distance between any two eigenvectors in the eigenvectors, and determines that there is a difference between the two vehicle insurance images corresponding to the distance in the case that the distance is greater than the first predetermined threshold. Often.
【技术实现步骤摘要】
车险图像处理方法和装置
本专利技术涉及图像处理领域,具体地,涉及一种训练用于处理车险图像的卷积神经网络的方法和装置、以及车险图像处理方法和装置。
技术介绍
随着汽车逐渐成为普遍的代步工具,车险市场也得到了快速发展。车险业务呈明显增多的趋势。如何快速准确地进行车险定损,是车险业务中非常重要的一环。在进行车险定损核损时,需要一组在车险现场拍摄的照片,这组照片可以由业务员去现场拍摄采集,或者也可以由出险者自行拍照并发送给业务员。在一些情况中,车险照片中可能人为混入了非车险现场拍摄的照片,可能相似但不是同一辆车,或者在不同地点拍摄,或者不同时间补拍。有些拍摄设备会在图片中存储拍照时间,拍照设备,拍摄位置等元数据信息,可以用来判断照片是否是在同一车险现场拍摄。但是并不是所有照片都包含上述时间地点等元数据,并且这种时间地点等元数据也非常容易被修改。而人工检测图片需要大量的人力,并且不能保证检测的质量。因此,需要一种更有效的处理车险照片的方案。
技术实现思路
本说明书实施例旨在提供一种更有效的处理车险照片的方案,以解决现有技术中的不足。为实现上述目的,本说明书一个方面提供一种训练用于处理车险图像的卷积神经网络的方法,包括:获取至少一个正样本对,每个所述正样本对包括其各自的第一图像和第二图像,所述第一图像和所述第二图像对应于相同的车险现场;利用所述至少一个正样本对训练所述卷积神经网络,使得分别对应于各个所述正样本对的至少一个第一距离之和减小,其中,所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。本说明 ...
【技术保护点】
1.一种训练用于处理车险图像的卷积神经网络的方法,包括:获取至少一个正样本对,每个所述正样本对包括其各自的第一图像和第二图像,所述第一图像和所述第二图像对应于相同的车险现场;以及利用所述至少一个正样本对训练所述卷积神经网络,使得分别对应于各个所述正样本对的至少一个第一距离之和减小,其中,所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。
【技术特征摘要】
1.一种训练用于处理车险图像的卷积神经网络的方法,包括:获取至少一个正样本对,每个所述正样本对包括其各自的第一图像和第二图像,所述第一图像和所述第二图像对应于相同的车险现场;以及利用所述至少一个正样本对训练所述卷积神经网络,使得分别对应于各个所述正样本对的至少一个第一距离之和减小,其中,所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。2.一种训练用于处理车险图像的卷积神经网络的方法,包括:获取至少一个负样本对,每个所述负样本对包括其各自的第三图像和第四图像,所述第三图像和所述第四图像分别对应于不同的车险现场;以及利用所述至少一个负样本对训练所述卷积神经网络,使得分别对应于各个所述负样本对的至少一个第二距离之和增大,其中,所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。3.一种训练用于处理车险图像的卷积神经网络的方法,包括:获取至少一个正样本对和至少一个负样本对,其中,每个所述正样本对包括其各自的第一图像和第二图像,所述第一图像和所述第二图像对应于相同的车险现场,每个所述负样本对包括其各自的第三图像和第四图像,所述第三图像和所述第四图像分别对应于不同的车险现场;以及利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络,使得以对应于各个所述正样本的至少一个第一距离之和减去对应于各个所述负样本的至少一个第二距离之和所获得的值减小,其中,所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离,以及其中,所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。4.根据权利要求1-3中任一项所述的训练用于处理车险图像的卷积神经网络的方法,其中所述距离为欧式距离。5.一种训练用于处理车险图像的卷积神经网络的装置,包括:获取单元,配置为,获取至少一个正样本对,每个所述正样本对包括其各自的第一图像和第二图像,所述第一图像和所述第二图像对应于相同的车险现场;以及训练单元,配置为,利用所述至少一个正样本对训练所述卷积神经网络,使得分别对应于各个所述正样本对的至少一个第一距离之和减小,其中,所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。6.一种训练用于处理车险图像的卷积神经网络的装置,包括:获取单元,配置为,获取至少一个负样本对,每个所述负样本对包括其各自的第三图像和第四图像,所述第三图像和所述第四图像分别对应于不同的车险现场;以及训练单元,配置为,利用所述至少一个负样本对训练所述卷积神经网络,使得分别对应于各个所述负样本对的至少一个第二距离之和增大,其中,所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。7.一种训练用于处理车险图像的卷积神经网络的装置,包括:获取单元,配置为,获取至少一个正样本对和至少一个负样本对,其中,每个所述正样本对包括其各自的第一图像和第二图像,所述第一图像和所述第二图像对应于相同的车险现场,...
【专利技术属性】
技术研发人员:章海涛,刘永超,
申请(专利权)人:阿里巴巴集团控股有限公司,
类型:发明
国别省市:开曼群岛,KY
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。