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
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
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
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
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
本研究提出了一种简单而有效的基于属性注意力模型,利用图片特征进行更好的项目推荐,结果显示比所有最先进的基于图片的模型都要优秀。
May, 2022
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
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
本文介绍了一种基于卷积神经网络的回归框架,可用于训练社交属性分配的预测模型,该模型可以对人群的行为进行量化,应用于描述人脸的视觉属性和情感计算领域。
Oct, 2016
本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性,使用卫星图像中嵌入的邻域信息实现所需的空间平滑,并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上,使用深度神经 网络的特征,相较于空间自回归基线,数据估计精度提高了 57%。