Developing Advanced Deep Learning Models to Enhance Performance for Image Classification and Object Detection Tasks

Research on automatic vehicle damage assessment has the potential to deliver significant social and economic benefits. The proposed solutions are analyzed and studied for application in intelligent recommendation and decision-support systems, such as detecting objects of interest including vehicle damages and traffic accidents. Construction of a benchmark dataset for automatic vehicle damage detection in car insurance applications, with AI-based classification models. The VehiDE dataset for vehicle damage assessment is examined and analyzed. This dataset consists of 13,945 high-resolution images of damaged vehicles, with more than 32,000 carefully annotated instances across eight different damage categories. It supports four primary tasks: classification, object detection, instance segmentation, and salient object detection. The research team has investigated and analyzed applicable solutions for detecting and recognizing types of vehicle damage based on the YOLOv5 object detection strategy. This is an advanced and highly accurate approach. The solution is designed to effectively recognize vehicle-related objects, enabling the extraction of generalizable features from diverse and potentially noisy datasets. At its core, the feature extraction blocks are built and evaluated using CNN architectures such as VGG, ResNet, and Darknet. The intermediate (neck) block is constructed using architectures like FPN, PANet, and Bi-FPN, while the head block can be implemented using methods such as SSD, Faster R-CNN, or YOLO. The study contributes new insights into exploring suitable techniques for object detection, and the results demonstrate its capability in addressing irregular types of vehicle damage in insurance applications. -- Nghiên cứu bài toán nhận dạng dang đánh giá thiệt hại xe tự động nhằm có tiềm năng mang lại lợi ích lớn về mặt xã hội và kinh tế. Những đề xuất giải pháp được phân tích, nghiên cứu ứng dụng trong các hệ thống khuyến nghị và ra quyết định hỗ trợ thông minh như phát hiện các đối tượng quan tâm như các hỏng hóc trên xe cộ, tai nạn giao thông. Nghiên cứu, phân tích bộ dữ liệu VehiDE về đánh giá thiệt hại xe. Đây là bộ dữ liệu bao gồm 13.945 hình ảnh độ phân giải cao về xe bị hỏng, với hơn 32.000 trường hợp được gán nhãn và chú thích kỹ với tám loại tổn hại khác nhau. Bộ dữ liệu hỗ trợ bốn nhiệm vụ chính: phân loại, phát hiện đối tượng, phân đoạn theo thực thể, và phát hiện đối tượng nổi bật. Nhóm thực hiện đề tài đã nghiên cứu, phân tích các giải pháp có thể ứng dụng trong phát hiện và nhận dạng các loại tổn hại xe dựa trên chiến lược phương pháp Object Detection YoLov5. Đây là một cách tiếp cận có độ chính xác cao và tiên tiến. Giải pháp được thiết kế phù hợp để nhận dạng các đối tượng xe oto. Nó cho cho phép trích xuất các đặc trưng tổng quát từ bộ dữ liệu đa dạng và có thể có nhiều nhiễu. Phần lõi của giải pháp, các khối trích xuất đặc trưng được xây dựng và thử nghiệm trên các mô hình CNN như VGG, ResNet, Darknet, v.v.; khối trung gian (Neck block) được xây dựng bằng cách sử dụng kiến trúc FPN, PANet, Bi-FPN; và khối đầu (head block) có thể được triển khai bằng các phương pháp như SSD, Faster-RCNN, hoặc YoLo. Nghiên cứu mới trong việc khám phá các kỹ thuật phù hợp cho việc phát hiện đối tượng, kết quả cũng chứng minh được khả năng của nó trong việc giải quyết các loại hư hỏng bất thường trong bảo hiểm xe.