贷后管理方法技术

本申请公开了一种贷后管理方法

【技术实现步骤摘要】
贷后管理方法、装置、存储介质及电子设备


[0001]本申请涉及人工智能领域，具体而言，涉及一种贷后管理方法
、
装置
、
存储介质及电子设备
。

技术介绍

[0002]相关技术中，金融机构加快了在数字化转型道路上的创新探索，持续加大对产品开发
、
场景建设等重点领域的科技投入
。
遥感技术在军事国防
、
智能交通
、
地质灾害检测
、
环境监测
、
精准农业
、
城市规划等领域拥有广阔应用前景
。
将卫星遥感数据技术创新的融入风险管理工作，可有效提高金融机构的贷后管理效率
。
例如，基于长光卫星的卫星遥感数据技术，对通过高空卫星
、
航拍数据传感器等科技手段采集到遥感图像中的地面物体目标进行检测
。
[0003]相关技术中的遥感图像目标检测技术，是先基于特定任务收集大量业务遥感图像，比如要做建筑物检测任务就去收集大量的建筑物遥感图像，要做农业大棚检测任务就去收集大量农业大棚遥感图像等等，再逐一对遥感图像中特定目标物体进行人工标注定位
、
类别信息
。
然后，利用准备好的数据集训练一个基于卷积神经网络的目标检测模型，实现对遥感图像中特定感兴趣物体的位置
、
类别信息进行预测
。
[0004]然而，相关技术中的遥感图像目标检测技术需要针对特定任务收集大量的训练数据集，并进行人工标注，因此项目实施耗费较高人力
、
时间成本
。
此外，基于特定任务数据集训练专属模型，是一种有监督学习范式，检测模型分类头决定模型能够分辨的物体类别范围，即只能辨别任务数据集限定范围内的物体类别，无法直接迁移到任意新的目标物体检测，场景泛化性较低
。
另外，基于卷积神经网络目标检测模型只利用了视觉单模态特征，其模型预测性能好坏往往直接取决于训练数据集好坏，即训练数据是否完整涵盖了实际业务线上数据
。
一旦训练数据未能完整涵盖真实业务数据，或训练数据分布与真实业务数据分布间存在偏差
(distribution shifting)
，会导致目标检测模型上线后预测精度不如预期
。
[0005]针对相关技术中通过人工方式对抵押物进行评估，评估结果不准确导致贷后管理策略与客户不匹配的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0006]本申请的主要目的在于提供一种贷后管理方法
、
装置
、
存储介质及电子设备，以解决相关技术中通过人工方式对抵押物进行评估，评估结果不准确导致贷后管理策略与客户不匹配的问题
。
[0007]为了实现上述目的，根据本申请的一个方面，提供了一种贷后管理方法
。
该方法包括：确定客户进行贷款的抵押物的类型，基于类型确定目标模型，其中，目标模型由训练样本集合训练得到，训练样本集合由预训练模型的训练样本中提取得到，训练样本集合包含多个训练样本，每个训练样本包括历史待检测图像和历史物体图像，历史物体图像为与抵押物的类型相同的物体的图像，预训练模型为基于多种类型的训练样本训练得到的，预训
练模型用于从待检测图像中识别多种预设类型的物体；获取客户的待检测图像，并将待检测图像输入目标模型，得到目标物体图像；从目标物体图像中提取出目标物体的当前状态特征，基于当前状态特征对客户进行贷后评估，得到评估结果，其中，当前状态特征至少包括以下之一：目标物体的数量和体积；根据评估结果确定对客户的贷后管理策略，其中，贷后管理策略用于调整客户的还款期限和还款额度
。
[0008]可选地，目标模型由以下方式得到：从区域卷积神经网络中提取出第一神经网络结构，其中，第一神经网络结构用于从待检测图像中提取候选框；基于预训练模型的用于文本特征提取的神经网络结构确定第二神经网络结构，其中，第二神经网络结构用于对候选框中的图像提取图像特征，并对图像特征进行分类；从预训练模型对应的神经网络结构中提取第三神经网络结构，其中，第三神经网络结构在预训练模型中用于从图像中提取图像特征；将第一神经网络结构
、
第二神经网络结构和第三神经网络结构进行组合，得到目标神经网络结构，以目标神经网络结构为隐藏层，结合输入层和输出层构建目标模型
。
[0009]可选地，在从区域卷积神经网络中提取出第一神经网络结构之后，该方法还包括：确定第一神经网络结构的第一初始权重和第一偏差参数；通过第一神经网络结构提取训练样本的预测候选框，获取预训练模型中的训练样本的真实候选框；基于预测候选框和真实候选框计算交并比损失，通过反向传播算法计算交并比损失的梯度，并基于梯度更新第一初始权重和第一偏差参数，得到更新后的第一神经网络结构
。
[0010]可选地，在确定第二神经网络结构之后，该方法还包括：确定第二神经网络结构的第二初始权重和第二偏差参数；获取预测候选框，将预测候选框输入第二神经网络结构，得到第一图像特征；确定预训练模型的所有训练样本的多种类型，并提取每种类型的文本特征；计算每种类型的文本特征与第一图像特征的相似度，得到一组相似度，并将一组相似度中最大相似度对应的类型确定为训练样本的预测图像类型；获取预训练模型中的训练样本的真实图像类型，基于预测图像类型和真实图像类型计算交叉熵损失；通过反向传播算法计算交叉熵损失的梯度，并基于梯度更新第二初始权重和第二偏差参数，得到更新后的第二神经网络结构
。
[0011]可选地，在从预训练模型对应的神经网络结构中提取第三神经网络结构之后，该方法还包括：确定第三神经网络结构的第三初始权重和第三偏差参数；将预测候选框输入第三神经网络结构，得到第二图像特征；基于第一图像特征和第二图像特征计算最小绝对值偏差，并基于最小绝对值偏差和交叉熵损失确定联合损失；通过反向传播算法计算联合损失的梯度，并基于梯度更新第三初始权重和第三偏差参数，得到更新后的第二神经网络结构
。
[0012]可选地，基于当前状态特征对客户进行贷后评估，得到评估结果包括：获取抵押物的历史状态特征，基于历史状态特征和当前状态特征确定抵押物的价值评估值；判断价值评估值是否大于等于价值评估值阈值；在价值评估值大于等于价值评估值阈值的情况下，将评估结果确定为不需要调整还款期限和还款额度；在价值评估值小于价值评估值阈值的情况下，将评估结果确定为需要调整还款期限和还款额度
。
[0013]可选地，基于历史状态特征和当前状态特征确定抵押物的价值评估值包括：确定历史状态特征与当前状态特征的特征比例，其中，特征比例至少包括以下之一：数量比例和体积比例；获取与历史状态特征对应的历史价值评估值，计算历史价值评估值与特征比例
的积，得到抵押物的价值评估值
。
[001本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种贷后管理方法，其特征在于，包括：确定客户进行贷款的抵押物的类型，基于所述类型确定目标模型，其中，所述目标模型由训练样本集合训练得到，所述训练样本集合由预训练模型的训练样本中提取得到，所述训练样本集合包含多个训练样本，每个训练样本包括历史待检测图像和历史物体图像，所述历史物体图像为与所述抵押物的类型相同的物体的图像，所述预训练模型为基于多种类型的训练样本训练得到的，所述预训练模型用于从待检测图像中识别多种预设类型的物体；获取所述客户的待检测图像，并将所述待检测图像输入所述目标模型，得到目标物体图像；从所述目标物体图像中提取出目标物体的当前状态特征，基于所述当前状态特征对所述客户进行贷后评估，得到评估结果，其中，所述当前状态特征至少包括以下之一：所述目标物体的数量和体积；根据所述评估结果确定对所述客户的贷后管理策略，其中，所述贷后管理策略用于调整所述客户的还款期限和还款额度
。2.
根据权利要求1所述的方法，其特征在于，所述目标模型由以下方式得到：从区域卷积神经网络中提取出第一神经网络结构，其中，所述第一神经网络结构用于从待检测图像中提取候选框；基于预训练模型的用于文本特征提取的神经网络结构确定第二神经网络结构，其中，所述第二神经网络结构用于对候选框中的图像提取图像特征，并对所述图像特征进行分类；从所述预训练模型对应的神经网络结构中提取第三神经网络结构，其中，所述第三神经网络结构在所述预训练模型中用于从图像中提取图像特征；将所述第一神经网络结构
、
所述第二神经网络结构和所述第三神经网络结构进行组合，得到目标神经网络结构，以所述目标神经网络结构为隐藏层，结合输入层和输出层构建所述目标模型
。3.
根据权利要求2所述的方法，其特征在于，在从区域卷积神经网络中提取出第一神经网络结构之后，所述方法还包括：确定所述第一神经网络结构的第一初始权重和第一偏差参数；通过所述第一神经网络结构提取训练样本的预测候选框，获取所述预训练模型中的所述训练样本的真实候选框；基于所述预测候选框和所述真实候选框计算交并比损失，通过反向传播算法计算所述交并比损失的梯度，并基于所述梯度更新所述第一初始权重和所述第一偏差参数，得到更新后的第一神经网络结构
。4.
根据权利要求3所述的方法，其特征在于，在确定第二神经网络结构之后，所述方法还包括：确定所述第二神经网络结构的第二初始权重和第二偏差参数；获取所述预测候选框，将所述预测候选框输入所述第二神经网络结构，得到第一图像特征；确定所述预训练模型的所有训练样本的多种类型，并提取每种类型的文本特征；
计算每种类型的文本特征与所述第一图像特征的相似度，得到一组相似度，并将所述一组相似度中最大相似度对应的类型确定为所述训练样本的预测图像类型；获取所述预训练模型中的所述训练样本的真实图像类型，基于所述预测图像类型和所述真实图像类型计算交叉熵损失；通过反向传播算法计算所述交叉熵损失的梯度，并基于所述梯度更新所述第二初始权重和所述第二偏差参数，得到更新后的第二神经网络结构
。5.
...

【专利技术属性】
技术研发人员：李兆佳，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：