[论文解读] 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 28

一句话总结

本文提出了一种基于视觉证据的实时反欺诈系统，用于汽车保险理赔，结合微调后的 YOLO 检测器进行损伤定位，以及基于 VGG-16 的全局、局部和直方图特征融合，实现鲁棒匹配。该系统在真实世界条件下实现 46.73% 的排名-1 准确率。

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.

研究动机与目标

• 利用移动设备拍摄的视觉证据应对日益严重的重复保险理赔挑战。
• 开发一种可扩展的实时系统，在理赔结算前检测欺诈性索赔。
• 创建首个公开可用的汽车损伤图像数据集，并附带人工标注的损伤区域。
• 通过融合深度网络提取的局部、全局和直方图特征，提升特征的鲁棒性。
• 在光照和视角多变的真实世界条件下，实现跨车辆欺诈检测。

提出的方法

• 收集了 1790 张互联网来源和 92 张本地停车场拍摄的汽车损伤图像，每张图像均附有手动标注的损伤边界框。
• 对 YOLO 进行微调以实现实时损伤检测，通过数据增强、Dropout 和局部响应归一化提升泛化能力。
• 利用 VGG-16 网络从完整车辆图像中提取全局特征，从检测到的损伤区域提取局部特征。
• 将局部、全局和颜色直方图特征（8–32 个分箱）融合为最终描述符，以增强判别能力。
• 使用余弦距离在查询索赔与历史索赔数据库之间进行相似性匹配。
• 在两种协议下评估性能：主体重叠（在相同车辆上进行训练和测试）和主体分离（使用不同车辆）。

实验结果

研究问题

• RQ1 仅使用移动设备拍摄的图像，能否实现端到端的实时系统，检测重复保险理赔？
• RQ2 局部、全局和直方图特征的融合对欺诈检测准确率有何影响？
• RQ3 损伤检测准确率在多大程度上影响整体欺诈检测性能？
• RQ4 光照、视角和图像质量的变化如何影响系统的鲁棒性？
• RQ5 为增强欺诈检测中的特征表示，最优的直方图分箱大小是多少？

主要发现

• 当使用 32 分箱的颜色直方图特征时，系统实现 46.73% 的排名-1 准确率，且在 32 分箱时达到峰值性能 46.73%。
• 引入检测到的损伤区域的局部特征后，排名-1 准确率提升至 56.52%，而仅使用全局特征时准确率为 19.6%。
• 使用真实标注的损伤区域而非 YOLO 检测结果，性能仅出现轻微下降，表明检测器具有较强的鲁棒性。
• 主体重叠检测协议优于主体分离协议，因其使模型接触到更多相关数据，从而实现更高的精确率和召回率。
• 当直方图分箱数超过 32 个时，性能出现轻微下降，表明收益递减，且可能存在过拟合导致的噪声。
• 基于 YOLO 的检测器在 IoU 阈值为 0.5 时，实现 89.72% 的召回率和 14.62% 的精确率，展现出强大的实时检测能力。