本研究提出了一种多模态推理框架 AutoFraudNet 用于检测保险欺诈，在现实数据集上进行广泛的实验，证明了 AutoFraudNet 在整合各种数据形式以提高性能方面的有效性。

Jan, 2023

计算机视觉应用中，车辆损伤检测是一个有趣的应用领域，尤其是检测租车前后的图像，需要进行车辆损伤检测和图像对齐两个组件，本文提出了一种新的自监督 Patch-to-Patch SimCLR 方法用于图像对齐。

Mar, 2024

本研究通过使用卷积神经网络进行物体检测的最新方法，创建了一个可供公开使用的大型路面损伤数据集，该数据集包含了来自 7 个日本市的 9053 张路面损伤图片，针对这个数据集训练出有较高准确性的路面损伤检测模型，并成功将损伤分为八个类型。

Jan, 2018

利用计算机视觉和机器学习的方法，本研究论文展示了如何创建强大的算法以识别不同的交通违规行为，包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头，本研究应用 YOLOv5 算法的检测模块来识别交通参与者，如汽车、行人和交通标志，以及 strongSORT 算法进行连续帧间追踪。进一步，通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为，同时，识别模块提取车辆 ID 信息（如车牌号），生成违规通知并发送给相关部门。

Nov, 2023

本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

Aug, 2022

本文提出了使用合成数据进行汽车损伤评估的方法，通过训练计算机视觉系统进行图像的部件和损伤分割，并展示了合成数据在部件分割和损伤分割任务中的优势。

Nov, 2023

本研究致力于解决社交媒体和 Web 网站中虚假声称的爆炸性增长所带来的手动事实检查的挑战。该研究新建了数据集并探讨了几种特征对声明、图片及二者之间的关系进行建模。最终评估结果显示与基线相比，取得了显著的进展，并发布了数据集以期推动该领域的进一步研究。

Aug, 2019

传统上，检测欺诈保险索赔依赖于商业规则和专家判断，这使得过程耗时且昂贵。因此，研究人员一直在研究开发高效准确的分析策略来标记可疑索赔。然而，在开发欺诈检测模型时，我们面临几个挑战，如欺诈的罕见性导致高类别不平衡，只有少数索赔得到调查和标记，导致大量未标记数据，以及公开可用数据的缺乏。因此，我们设计了一个模拟机器，用于创建与实际保险欺诈数据集相似的具有网络结构和可用协变量的合成数据。此模拟引擎使研究人员和从业者可以在各种不同的设置中检验多种方法学挑战以及测试他们的保险欺诈检测模型的（开发策略），同时还可以生成大量的合成数据集以评估（高级）机器学习技术的预测性能。

Aug, 2023

医疗保险索赔存在与患者、医生、诊断中心和保险提供商相关的有组织犯罪，形成一种必须不断监测的连锁反应。通过对回归模型的相关性研究，使用卷积神经网络架构来检测欺诈性索赔，并帮助检测不同提供商提出的索赔中的洗钱行为。使用有监督和无监督分类器来检测欺诈性和非欺诈性的索赔。

Aug, 2023

本文提出了一种基于深度学习的两阶段故障诊断框架，第一阶段通过数据扩增增强图像处理性能，第二阶段则使用改进后的深度学习架构进行对象检测，在两个多类别数据集上的实验结果表明，该框架优于其他解决方案。

May, 2021