基于视觉和文本特征的房价估计
本研究使用深度卷积神经网络对一大量室内外照片进行分析,以评价房屋的外观对市场价值的影响,并基于照片和房屋特征开发出自动估价方法,结果表明本方法优于 Zillow 对房屋价格的估计。
Jul, 2017
使用深度神经网络从街景图像和卫星图像中自动提取视觉特征以估计伦敦房屋价格,实验表明学习街区的城市质量可以提高房屋价格预测,即使推广到未被看见的伦敦自治市镇。
Jul, 2018
本文提出一种利用自监督视觉转换器的新方法来进行房地产估值,该算法利用了机器学习、计算机视觉和房地产数据训练模型来预测一个给定物业的价值。通过使用房屋内部、外部和街景等定性图像以及卧室数、浴室数、平方英尺、土地面积、物业年龄、犯罪率和邻近便利设施等定量特征来评估我们的算法,我们发现该技术能够准确地预测物业的价值,并比传统评估方法表现更好。
Jan, 2023
该研究介绍了一种创新的方法,将图像数据集成到传统计量模型中,通过深度学习将图像中包含的信息作为协变量,用于预测房地产销售价格,通过图像编码和分割的方式提高了预测准确性。
Mar, 2024
本文提出了一种基于视觉空间进行图像和视频描述检索的深度神经网络模型,通过多尺度句向量化和多层感知器等方法,将文本输入转化为视觉特征表示,实现了优于文本嵌入的多模态检索效果。
Sep, 2017
本文介绍了关于多视图学习方法在房地产评估方面的应用,同时针对多核学习、多视图串联和多视图神经网络三种方法进行实证研究,并得出多视图神经网络预测性能最好,但是也存在不透明的 “黑匣子” 模型的缺点,因此建议使用混合多视图神经网络或 Boosting 策略作为替代方案。
May, 2021
本文介绍了一种利用神经网络模型 Text2Vis 在视觉特征空间中实现基于短文本描述信息的图像搜索方法,并通过针对文本和视觉损失函数的优化来提高搜索效率和精确度,并在 MS-COCO 数据集上进行了初步结果呈现。
Jun, 2016
我们的研究在阿姆斯特丹市通过对地面和空中影像的数据和模型进行测试,以识别住房质量。结果显示,相较于仅使用空中影像,Google StreetView(GSV)能够预测出最准确的建筑质量分数,提高了约 30%。然而,通过仔细筛选和使用正确的预训练模型,将 Flickr 图像特征与空中图像特征相结合,能将性能差距从 30% 降低至 15%。这表明在可居住性因素预测方面,存在可行的替代方法,这是令人鼓舞的,因为 GSV 图像难以获取并且并非总是可用。
Mar, 2024