[論文レビュー] An Anti-fraud System for Car Insurance Claim Based on Visual Evidence

Pei Li, Bingyu Shen+1 more|arXiv (Cornell University)|Apr 30, 2018

Advanced Neural Network Applications参考文献 11被引用数 28

ひとこと要約

本稿では、モバイルデバイスから取得した視覚的情報を用いて、リアルタイムで不正保険請求を検出するためのシステムを提案する。損傷領域の局所化に微調整されたYOLO検出器を組み合わせ、VGG-16を用いたグローバル特徴、ローカル特徴、ヒストグラム特徴の統合により、頑健な一致を実現している。本システムは、実世界の条件下で46.73%のランク1正答率を達成した。

ABSTRACT

Automatically scene understanding using machine learning algorithms has been widely applied to different industries to reduce the cost of manual labor. Nowadays, insurance companies launch express vehicle insurance claim and settlement by allowing customers uploading pictures taken by mobile devices. This kind of insurance claim is treated as small claim and can be processed either manually or automatically in a quick fashion. However, due to the increasing amount of claims every day, system or people are likely to be fooled by repeated claims for identical case leading to big lost to insurance companies.Thus, an anti-fraud checking before processing the claim is necessary. We create the first data set of car damage images collected from internet and local parking lots. In addition, we proposed an approach to generate robust deep features by locating the damages accurately and efficiently in the images. The state-of-the-art real-time object detector YOLO \cite{redmon2016you}is modified to train and discover damage region as an important part of the pipeline. Both local and global deep features are extracted using VGG model\cite{Simonyan14c}, which are fused later for more robust system performance. Experiments show our approach is effective in preventing fraud claims as well as meet the requirement to speed up the insurance claim prepossessing.

研究の動機と目的

• モバイルデバイスから取得した視覚的情報を用いて、繰り返しの保険請求という増加する課題に取り組む。
• 支払い前段階で不正請求をリアルタイムで検出可能なスケーラブルなシステムを構築する。
• 損傷領域の手動アノテーションを備えた、初めての公開可能な自動車損傷画像データセットを構築する。
• 深層ネットワークから抽出したローカル、グローバル、ヒストグラム特徴の統合により、特徴の頑健性を向上させる。
• 照明や視点の変動がある実世界の条件下でも、異なる車両間での不正請求検出を可能にする。

提案手法

• インターネットから取得した1790枚と、駐車場で撮影した92枚の新規自動車損傷画像データセットを収集し、損傷領域のバウンディングボックスを手動でアノテートした。
• データオーグメンテーション、ドロップアウト、局所的応答正規化を用いて一般化性能を向上させ、リアルタイム損傷検出を実現するため、YOLOを微調整した。
• VGG-16ネットワークを用いて、車両全体の画像からグローバル特徴、検出された損傷領域からローカル特徴を抽出した。
• ローカル特徴、グローバル特徴、色ヒストグラム特徴（8〜32ビン）を統合し、最終的な記述子を生成することで、識別力の向上を図った。
• プローブとなる請求と過去の請求データベースとの類似性を、コサイン距離を用いて照合した。
• 2つの評価プロトコル（被験者重複あり：同じ車両で訓練およびテスト、被験者非重複あり：別々の車両）の下で性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 モバイルで撮影された画像のみを用いて、リアルタイムでエンドツーエンドのシステムが繰り返しの保険請求を検出可能か？
• RQ2 ローカル、グローバル、ヒストグラム特徴の統合が、不正検出精度にどのように影響するか？
• RQ3 損傷検出の正確さが、全体の不正検出性能に及ぼす影響の程度はどの程度か？
• RQ4 照明、視点、画像品質の変動が、システムの頑健性にどのように影響するか？
• RQ5 不正検出における特徴表現の向上を図るための最適なヒストグラムビンサイズは何か？

主な発見

• 32ビンの色ヒストグラム特徴を用いた場合、システムは46.73%のランク1正答率を達成し、32ビンでピーク性能を示した。
• 検出された損傷領域からのローカル特徴を組み込むことで、ランク1正答率は19.6%のグローバル特徴のみのケースから56.52%に向上した。
• YOLOによる検出ではなく、真値の損傷アノテーションを用いた場合でも、性能の低下はわずかにとどまり、検出器の頑健性を示した。
• 被験者重複プロトコルは、被験者非重複プロトコルを上回り、より高い適合率と再現率を示した。これは、モデルがより関連性の高いデータにさらされたためである。
• 32ビンを超えてヒストグラムビンサイズを増加させると、わずかな性能低下が見られた。これは、限界効果の減少と過学習によるノイズの増加を示唆している。
• YOLOベースの検出器は、IoU閾値0.5で89.72%の再現率と14.62%の適合率を達成し、強力なリアルタイム検出能力を示した。