Jan, 2023

使用自监督视觉 Transformer 进行房地产物业估值

PDF
TL;DR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。
artificial intelligenceproperty valuationself-supervised vision transformerscomputer visionreal estate data
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

  • 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

  • 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

  • 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

  • 使用航空或卫星图像估算泰国资产价值

    研究提出了一种基于相似度的资产估值模型，利用预先训练的 EfficientNet 神经网络结合深度学习和基于树的模型来评估地块相似性，从而提高泰国国内房地产估价方法的准确性和可靠性。

    May, 2023

  • 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

  • 使用街景和卫星图像估算房价

    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

  • 基于自监督预训练 Vision Transformer 的单目机器人导航

    使用自监督方法预训练的 Vision Transformer，成功地在使用 70 个训练图像的 Duckietown 环境中训练了一个粗略的图像分割模型，其推理分辨率可以调整以平衡预测粒度和实时感知约束，并用作简单而强大的视觉伺服代理的骨干，用于差分驱动移动机器人的车道跟踪和障碍物回避两个任务。

    Mar, 2022

  • 训练视觉 Transformer 进行图像检索

    本文提出一种基于变换器的图像检索方法，通过采用视觉变换器生成图像描述符并使用度量学习目标进行训练，结合对比损失和微分熵正则化，相比于卷积方法，提高了图像检索性能，特别是对于短向量表示和低分辨率图像。

    Feb, 2021