[发明专利]用于车辆的定损方法、装置、电子设备和计算机存储介质

权利要求书

1.一种用于车辆的定损方法，包括：

通过预先构建的第一卷积神经网络从输入图像中提取用于表征所述车辆的部件的第一特征并且通过预先构建的第二卷积神经网络从所述输入图像中提取用于表征所述车辆的损伤类型的第二特征；

通过预先构建的第三卷积神经网络合并所述第一特征与所述第二特征，以生成第三特征，所述第三特征表征所述部件与所述损伤类型的对应关系；

通过预先构建的第四卷积神经网络将所述第三特征变换为特征向量；以及

通过预先构建的第五卷积神经网络、基于所述特征向量，确定所述车辆的损伤识别结果，

其中生成所述第三特征包括：

将所述第一特征与所述第二特征串联，以形成维度为H×W×(Cp+Cd)的第三特征，其中H、W分别为特征张量的高和宽，Cp为车辆部件种类数，Cd为损伤类型数，

其中所述第一卷积神经网络、所述第二卷积神经网络、所述第三卷积神经网络、所述第四卷积神经网络、所述第五卷积神经网络构成作为端到端系统的神经网络，并且所述第一卷积神经网络和所述第二卷积神经网络被分别训练以确定模型参数，所述第三卷积神经网络、所述第四卷积神经网络和所述第五卷积神经网络的模型参数是在所述第一卷积神经网络和所述第二卷积神经网络的模型参数被固定时通过训练确定的，并且

其中所述神经网络的模型参数是在所述第一卷积神经网络、所述第二卷积神经网络、所述第三卷积神经网络、所述第四卷积神经网络、所述第五卷积神经网络的模型参数被确定之后，被微调确定的。

2.根据权利要求1所述的方法，其中所述第一卷积神经网络被训练为具有输入图像与表征部件的第一特征之间的映射关系。

3.根据权利要求2所述的方法，其中所述第二卷积神经网络被训练为具有输入图像与表征损伤类型的第二特征之间的映射关系。

4.根据权利要求3所述的方法，其中所述第三卷积神经网络被训练为具有表征部件的第一特征、表征损伤类型的第二特征之组合与经合并的第三特征之间的映射关系。

5.根据权利要求4所述的方法，其中所述第四卷积神经网络被训练为具有经合并的第三特征与经变换的特征向量之间的映射关系。

6.根据权利要求5所述的方法，其中所述第五卷积神经网络被训练为具有经变换的特征向量与损伤识别结果之间的映射关系。

7.根据权利要求5所述的方法，其中所述第四卷积神经网络包括卷积层、非线性层和全联接层中的至少一层。

8.一种用于车辆的定损装置，包括：

特征提取模块，被配置为通过预先构建的第一卷积神经网络从输入图像中提取用于表征所述车辆的部件的第一特征并且通过预先构建的第二卷积神经网络从所述输入图像中提取用于表征所述车辆的损伤类型的第二特征；

特征合并模块，被配置为通过预先构建的第三卷积神经网络合并所述第一特征与所述第二特征，以生成第三特征，所述第三特征表征所述部件与所述损伤类型的对应关系；

特征变换模块，被配置为通过预先构建的第四卷积神经网络将所述第三特征变换为特征向量；以及

损伤识别模块，被配置为通过预先构建的第五卷积神经网络、基于所述特征向量，确定所述车辆的损伤识别结果，

其中所述特征合并模块进一步被配置为将所述第一特征与所述第二特征串联，以形成维度为H×W×(Cp+Cd)的第三特征，其中H、W分别为特征张量的高和宽，Cp为车辆部件种类数，Cd为损伤类型数，

其中所述第一卷积神经网络、所述第二卷积神经网络、所述第三卷积神经网络、所述第四卷积神经网络、所述第五卷积神经网络构成作为端到端系统的神经网络，并且所述第一卷积神经网络和所述第二卷积神经网络被分别训练以确定模型参数，所述第三卷积神经网络、所述第四卷积神经网络和所述第五卷积神经网络的模型参数是在所述第一卷积神经网络和所述第二卷积神经网络的模型参数被固定时通过训练确定的，并且

其中所述神经网络的模型参数是在所述第一卷积神经网络、所述第二卷积神经网络、所述第三卷积神经网络、所述第四卷积神经网络、所述第五卷积神经网络的模型参数被确定之后，被微调确定的。