Today, in the car insurance industry, a lot of money is wasted
due to claims leakage. Claims leakage / underwriting leakage
is defined as the difference between the actual claim
payment made and the amount that is expected to have been
paid if all industry leading practices were applied. Visual
inspection and validation have been used to reduce such
effects. However, they introduce delays in claim processing.
There have been efforts by a few start-ups to mitigate delays
in claim-processing time. An automated system for car
insurance claim processing is the need of the hour. We
employ Convolutional Neural Network (CNN)-based
methods for classification of car damage types. Specifically,
45
we consider common damage types such as bumper dent,
door dent, glass shatter, head lamp broken, tail lamp broken,
scratch and smash. To the best of our knowledge, there is no
publicly available dataset for car damage classification.
Therefore, we created our own dataset by collecting images
from the web and manually annotating them. The
classification task is challenging due to factors such as large
inter-class similarity and barely visible damage. We
experimented with many techniques such as directly
training a CNN, pre-training a CNN using an auto-encoder
followed by fine-tuning, using transfer learning from large
CNNs trained on ImageNet and building an ensemble
classifier on top of the set of pre-trained classifiers. We
observed that transfer learning combined with ensemble
learning works the best. We also devise a method to localize
a particular damage type.
We achieved accuracy of 89,5 % with a combination of
transfer and ensemble learning. The same technique can be
used for localization of damage. Further, only car-specific
features may not be effective for damage classification. It
thus underlines the superiority of feature representation
learned from the large training sets.
We hosted the trained model on a cloud service that can be
plugged into applications using API and can be used for
automated first level assessment of damages in the car
insurance sector.

Aujourd'hui, dans le secteur de l'assurance automobile, beaucoup d'argent est gaspillé en raison de fuites de sinistres. Les fuites de sinistres / fuites de souscription sont définies comme la différence entre le paiement réel des sinistres effectué et le montant qui devrait avoir été payé si toutes les pratiques de pointe de l'industrie étaient appliquées. L'inspection visuelle et la validation ont été utilisées pour réduire ces effets. Cependant, ils introduisent des retards dans le traitement des demandes. Quelques start-ups ont déployé des efforts pour atténuer les retards dans le traitement des réclamations. Un système automatisé pour le traitement des réclamations d'assurance automobile est le besoin de l'heure. Nous utilisons des méthodes basées sur le réseau neuronal convolutif (CNN) pour la classification des types de dommages aux voitures. Plus précisément, 45 nous considérons les types de dommages courants tels que les bosses de pare-chocs, les bosses de porte, les éclats de verre, les phares cassés, les feux arrière cassés, les rayures et les bris. À notre connaissance, il n'existe aucun ensemble de données accessible au public pour la classification des dommages aux voitures. Par conséquent, nous avons créé notre propre ensemble de données en collectant des images sur le Web et en les annotant manuellement. La tâche de classification est difficile en raison de facteurs tels que la grande similitude interclasse et les dommages à peine visibles. Nous avons expérimenté de nombreuses techniques telles que la formation directe d'un CNN, la pré-formation d'un CNN à l'aide d'un encodeur automatique suivi d'un réglage fin, l'utilisation de l'apprentissage par transfert à partir de grands CNN formés sur ImageNet et la construction d'un classificateur d'ensemble au-dessus de l'ensemble de pré- classificateurs entraînés. Nous avons observé que l'apprentissage par transfert combiné à l'apprentissage d'ensemble fonctionne le mieux. Nous concevons également une méthode pour localiser un type de dommage particulier. Nous avons atteint une précision de 89,5 % avec une combinaison de transfert et d'apprentissage d'ensemble. La même technique peut être utilisée pour la localisation des dommages. De plus, seules les caractéristiques spécifiques à la voiture peuvent ne pas être efficaces pour la classification des dommages. Cela souligne ainsi la supériorité de la représentation des caractéristiques apprise à partir des grands ensembles d'apprentissage. Nous avons hébergé le modèle formé sur un service cloud qui peut être connecté à des applications à l'aide d'une API et peut être utilisé pour une évaluation automatisée de premier niveau des dommages dans le secteur de l'assurance automobile.

Image-based vehicle insurance processing is an important
area with large scope for automation. We have considered
the problem of car damage classification. We explored deep
learning-based techniques for this purpose. Initially, we tried
directly training a CNN. However, due to the small set of
labelled data, it did not work well. Then, we explored the
effect of domain-specific pre-training followed by fine-
tuning. Finally, we experimented with transfer learning and
ensemble learning. Experimental results show that transfer
learning works better than domain specific fine-tuning. We
achieved accuracy of 89,5 % with a combination of transfer
and ensemble learning. We hosted the trained model on a
cloud service that can be plugged into applications using API
and can be used for automated first level assessment of
damage in the car insurance sector.

Le traitement des assurances automobiles basé sur l'image est un domaine important avec une grande marge d'automatisation. Nous avons considéré le problème de la classification des dommages aux voitures. Nous avons exploré des techniques basées sur l'apprentissage profond à cette fin. Au départ, nous avons essayé de former directement un CNN. Cependant, en raison du petit ensemble de données étiquetées, cela n'a pas bien fonctionné. Ensuite, nous avons exploré l'effet de la pré-formation spécifique au domaine suivie d'un ajustement. Enfin, nous avons expérimenté l'apprentissage par transfert et l'apprentissage d'ensemble. Les résultats expérimentaux montrent que l'apprentissage par transfert fonctionne mieux que l'ajustement spécifique à un domaine. Nous avons atteint une précision de 89,5 % avec une combinaison de transfert et d'apprentissage d'ensemble. Nous avons hébergé le modèle formé sur un service cloud qui peut être connecté à des applications à l'aide d'une API et peut être utilisé pour une évaluation automatisée de premier niveau des dommages dans le secteur de l'assurance automobile.

AI solution for car damage classification