使用街景和卫星图像估算房价

Jul, 2018

Take a Look Around: Using Street View and Satellite Images to Estimate House Prices

Stephen Law, Brooks Paige, Chris Russell

TL;DR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。

Abstract

When an individual purchases a home, they simultaneously purchase its structural features, its accessibility to work, and the neighborhood amenities. Some amenities, such as air quality, are measurable while others, such as the prestige or the visual impression of a neighborhood, are difficult to quantify. Despite the well-known impacts intangible housing fe

house prices urban quality deep neural network street image satellite image

发现论文，激发创造

基于视觉的房地产价格估算

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

基于视觉和文本特征的房价估计

本文提出了一种自动房价估值系统，通过从房屋照片中提取视觉特征并将其与文本信息相结合，使用全连接多层神经网络模型估算房屋价格。我们创建了一个庞大的房屋数据集，并证明添加视觉特征可以显著提高模型表现。

Sep, 2016

阿姆斯特丹住房质量的跨模态学习

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

尺度下的细粒度估计近邻社区福祉：基于高分辨率正射影像和混合学习

通过高分辨率航拍图像，利用监督卷积神经网络和基于视觉词袋的半监督聚类方法，从公开可获取的城市图像准确估计美国各地区的人口密度、家庭收入中位数和教育水平，并开拓用于地理概括和无需标记数据的细粒度信息估计的新的半监督方法。

Sep, 2023

利用图像作为协变量：用深度学习测量路边吸引力

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

自我监督学习揭示了城市住房的变化 —— 从街景图像视角

利用基于深度学习的计算机视觉方法，该研究使用 2008 年至 2021 年间的 1500 万街道图像来测量伦敦的变化，成功地识别了住房供应的变化，为城市规划和政策决策提供及时信息，以建设更宜居、公平和可持续发展的城市。

Sep, 2023

基于自然语言处理的方法：通过理解街景图像中的深层语义特征进行人类感知的映射

利用预训练自然语言模型的新框架，结合街景图像和机器学习，深入理解人类感知和场景感受之间的关系，并发现利用深层语义特征对于人类感知研究的重要性和解释力的提升。