AAAIMay, 2021

基于卫星图像的房地产评估的多视角学习策略比较

PDF
TL;DR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。
real estatemulti-view learningneural networkssatellite imagespredictive performance
发现论文，激发创造
  • 多视角融合学习在作物分类中的比较评价

    通过对多个数据集进行比较，本研究评估了多种融合策略对农作物分类的影响，发现多视角融合方法能够超越单个视角和先前的融合方法，在选择融合方法时提出了初步的标准。

    Aug, 2023

  • 多视角学习调查

    本文提出了多种有效的多视角学习方法，并将它们分为三类：共同训练，多核学习和子空间学习，并利用共识原则或互补原则来确保多视角学习的成功。

    Apr, 2013

  • 全球遥感数据下作物分类的最佳多视角学习模型的研究

    通过多视图学习方法，研究了作物分类问题，探讨了不同融合策略和编码器结构对全球范围农田和作物类型分类任务的影响，并提供了一个技术框架，用于帮助研究者探索作物分类或相关任务。

    Mar, 2024

  • 使用多种视觉模态预测房地产属性（包含缺失数据）

    研究通过视觉数据，特别是室内和室外照片，预测高级房地产属性的潜力，并设计了三个模型进行评估和不同融合策略的处理。

    Nov, 2022

  • 遥感应用中深度多视角融合的常见实践和分类方法

    本研究旨在回顾地球观测的多视角融合模型的文献，并整合总结相关术语和方法，其中涉及了利用神经网络模型的有监督学习。通过该研究，希望此文献能够促进未来研究并推动该领域的统一进步。

    Dec, 2022

  • 基于图像的房地产鉴定

    使用循环神经网络和最先进的视觉特征来预测房地产价格，结果表明我们的模型在平均绝对误差（MAE）和平均绝对百分比误差（MAPE）方面均优于其他现有算法。

    Nov, 2016

  • 利用空中和地面双视图图像的证据融合进行可信遥感场景分类

    本研究使用证据深度学习模型对多角度遥感数据进行了分类，该模型可有效地计算每个角度数据的可信度，并据此进行决策级融合，从而提高分类结果的准确性。实验结果表明，该方法在公开数据集上取得了最佳效果。

    Jan, 2023

  • MugRep：面向房地产估价的多任务分层图表示学习框架

    该研究提出了一种基于多任务层次图表示学习（MugRep）的房地产精确估价框架，通过获取和集成多源城市数据，构建一个丰富的特征集，包括地理分布、人类流动分布和居民人口统计分布，并提出了一种异步时空依赖性的房地产交易图和相关事件图卷积模块，以及一种分层异质社区图卷积模块，以捕捉住宅社区之间的多样化关系，并引入了一种城市区域划分的多任务学习模块，用于为房地产生成具有不同分布的价值意见。

    Jul, 2021

  • 使用 Viewmaker 网络进行多光谱自监督学习

    本篇论文探讨了如何运用对比学习的方法，使用 Viewmaker 网络产生视角从而处理多种遥感数据集，同时发现该方法在每个多光谱成像问题上表现优于基于裁剪和反射的方法，结果表明领域无关的方法可以扩展应用到实际的科学领域。

    Feb, 2023

  • 多视角表示学习调查

    本文介绍了多视图表示学习中的两个类别：多视图表示对齐和多视图表示融合，并从多个角度回顾了代表性的方法和理论，进而调查了多视图表示学习的发展。最终，探讨了多视图表示学习的几个重要应用，并旨在为研究人员提供深入的理论基础和最新的发展。

    Oct, 2016