May, 2023

使用航空或卫星图像估算泰国资产价值

PDF
TL;DR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。
real estateland price predictionsimilarity-based asset valuation modeldeep learningthailand
发现论文，激发创造
  • 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

  • 使用自监督视觉 Transformer 进行房地产物业估值

    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

  • 融合 POI 和面域嵌入改善房地产评估

    本研究主要关注两个关键挑战：一是探索被低估的兴趣点对房地产价值的影响，强调了数据驱动的特征选择方法的必要性；二是整合基于道路网络的面积嵌入以增强房地产评估的空间理解。我们提出了一种改进的兴趣点特征提取方法，并讨论了每个兴趣点对于房价评估的影响。然后，我们提出了 AMMASI 模型，它是对现有 ASI 模型的改进，利用地理邻居房屋和相似特征房屋上的遮蔽多头注意力。我们的模型优于当前的基准线，同时也为未来房地产评估方法的优化提供了有希望的途径。

    Nov, 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

  • 基于卫星图像的房地产评估的多视角学习策略比较

    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

  • 利用卫星图像和深度学习评估非洲基础设施质量

    本文提出了通过使用遥感数据和卷积神经网络预测非洲的基础设施质量，成功地推动可持续发展目标的落实。在使用 Landsat 8 遥感数据时，我们的模型表现出要比使用 OpenStreetMap 或夜晚光线强度分析的模型更为卓越的预测结果，可以准确地预测电力、排污、自来水和道路建设的基础设施质量。此外，该模型还可以在精细调整后在未知国家和限制样本的地区内进行预测。

    Jun, 2018

  • 利用街景图像、航空图像和地表温度数据估算建筑能效

    通过对广泛可用的遥感数据进行多源融合和深度学习建模，可以较快地并且准确地评估建筑的能源效率，本研究通过对英国近 40,000 座建筑的数据分析和建模，证明了通过街景、航拍图像、建筑平面和卫星表面温度等信息，深度学习建模的方法可以取得令人满意的预测结果，并为未来的进一步工作提供了可能性。

    Jun, 2022

  • 利用公共 Landsat 7 卫星图像和机器学习进行贫困预测

    使用 Landsat 7 卫星采集的多光谱卫星图像，训练 CNN 模型可以准确地测量发展中国家地方经济生计，即使图像分辨率较低，仍能超越以往的基准结果。

    Nov, 2017

  • 使用概率分解进行细粒度财产价值评估

    本研究提出了一种从遥感图像中估计像素级物业价值分布的方法，并在实际数据集上进行了评估，结果显示该方法可以显著提高物业价值的精细估计水平。

    May, 2023

  • 利用卫星影像精准测量道路质量的等级分配

    利用卫星图像、卷积神经网络等技术，开发了一种监测道路基础设施的模型，并取得了较为优异的分类效果，该方法可在交通运输等众多领域具有广泛应用前景。

    Dec, 2018