Mar, 2023

利用图卷积网络提取出租公寓平面图的房地产价值

PDF
TL;DR本文提出了使用图卷积网络 (GCN) 估算房屋平面图地产价值的模型，并通过租金精度的比较验证了该模型的准确性，还分析了 GCN 学习得到的房屋平面图特征以及影响房屋平面图价值的空间配置规则。
access graphsfloor planreal estate valuegraph convolutional networkrent estimation
发现论文，激发创造
  • 端到端图约束矢量平面图生成与全景细化

    本文提出了一种基于向量序列而非图片格式生成楼层平面图的方法，并详细介绍了一个基于图卷积网络这一新颖框架的二阶段流程，最终在实际数据集上取得了最佳的表现。

    Jul, 2022

  • 使用图卷积网络提取建筑物轮廓

    本文提出一种利用图卷积网络解决卫星图像中建筑物轮廓提取精确性问题的端到端框架，相对于现有方法有更好的表现。

    May, 2023

  • Graph2Plan: 从布局图中学习生成平面图

    引入了一种使用深度神经网络和用户参与的生成模型的学习框架，用于自动楼层平面图的生成。

    Apr, 2020

  • 基于图神经网络的可扩展房产估值模型

    通过有效的图依赖表示来丰富现有的基于深度学习的自动估值模型，并开发了两种新颖的图神经网络模型，有效地识别具有相似特征的相邻房屋序列，通过不同的消息传递算法实现。实验证明，使用定制的图神经网络显著提高了房价预测的准确性，特别是在利用变压器卷积消息传递层时。

    May, 2024

  • 交通需求预测的耦合逐层图卷积

    本文提出了一种新颖的图卷积神经网络模型来进行交通需求预测，该模型在不同层次使用不同的邻接矩阵，并通过层间耦合机制实现邻接矩阵的自学习以及模型参数规模的降低，并使用一个单元网络来将隐藏空间状态与门控循环单元集成起来进行最终预测结果。在实验中，本模型在纽约市自行车和出租车数据集上的效果均优于现有的基准模型。

    Dec, 2020

  • FloorNet: 三维扫描的平面图重建统一框架

    本研究旨在通过智能手机，利用深度神经网络技术重建室内地图，提出了线上勘测算法 FloorNet 核心思路，即将 RGBD 流图像数据分别经过三个大的神经网络模块来提取特征并同时考虑 3D 与 2D 空间信息，这种方法能够有效提高室内平面图的重建准确性。

    Mar, 2018

  • 基于深度图卷积网络的配电系统故障定位

    本文提出了一种新颖的图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法集成了不同母线上的多个测量值，并考虑了系统拓扑结构。在 IEEE 123 母线基准系统上，GCN 模型的有效性得到了证实。模拟结果表明，该模型的故障定位精度远高于其他广泛使用的机器学习方案。此外，该方法对于测量噪声和数据丢失错误具有鲁棒性。提出了数据增强过程来增加模型在各种噪声和数据丢失错误水平下的鲁棒性。进一步的实验表明，该模型能够适应配电网络的拓扑变化，并能在有限数量的测量母线下良好运行。

    Dec, 2018

  • 学习图神经网络的自适应邻域

    建立了一种可端到端学习的可微图生成器，用于动态构建拓扑结构和节点选择，应用于图卷积网络的轨迹预测、点云分类和节点分类等任务，提高了准确性。

    Jul, 2023

  • 大规模可学习的图卷积网络

    通过使用可学习的图卷积层 (LGCL) 和子图训练方法，本论文解决了卷积神经网络在处理通用图像数据时的困难，提高了基于节点分类任务的准确率和效率。

    Aug, 2018

  • 重温卷积神经网络：用于城市范围内的人群流量分析

    本文提出了一种名为 DeepLGR 的新型框架，以有效应对城市范围内人流量分析面临的挑战。该框架包含局部特征提取模块、全局上下文模块和基于张量分解的区域特定预测器，具有较高的效率、稳定性和泛化性能，能够有效学习全局空间关系和区域潜在功能。

    Feb, 2020