Uncertainty estimates for semantic segmentation: providing enhanced reliability for automated motor claims handling

要約

画像セグメンテーション用のディープ ニューラル ネットワーク モデルは、保険業界における自動車保険請求処理プロセスを自動化するための強力なツールとなり得ます。
重要な側面は、損害賠償請求者が損害を記録するために撮影した低品質の写真など、悪条件に直面した場合のモデル出力の信頼性です。
車体部品のセマンティック セグメンテーション用にトレーニングされたモデルによって予測されるセグメントの精度を評価するためのメタ分類モデルの使用を検討します。
セグメントの品質と相関するさまざまな特徴セットが比較され、高品質セグメントと低品質セグメントを区別するために 0.915 の AUROC スコアが達成されます。
低品質のセグメントを削除することで、セグメンテーション出力の平均 mIoU が 16 パーセント改善され、誤って予測されたセグメントの数が 77% 減少しました。

要約(オリジナル)

Deep neural network models for image segmentation can be a powerful tool for the automation of motor claims handling processes in the insurance industry. A crucial aspect is the reliability of the model outputs when facing adverse conditions, such as low quality photos taken by claimants to document damages. We explore the use of a meta-classification model to assess the precision of segments predicted by a model trained for the semantic segmentation of car body parts. Different sets of features correlated with the quality of a segment are compared, and an AUROC score of 0.915 is achieved for distinguishing between high- and low-quality segments. By removing low-quality segments, the average mIoU of the segmentation output is improved by 16 percentage points and the number of wrongly predicted segments is reduced by 77%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google