Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá giá bất động sản dựa trên hình ảnh
Tóm tắt
Kể từ khi xuất hiện các công ty cơ sở dữ liệu bất động sản trực tuyến như Zillow, Trulia và Redfin, vấn đề ước lượng giá trị thị trường tự động cho các ngôi nhà đã nhận được sự chú ý đáng kể. Nhiều trang web bất động sản cung cấp các ước lượng như vậy bằng cách sử dụng một công thức độc quyền. Mặc dù các ước lượng này thường gần với giá bán thực tế, nhưng trong một số trường hợp, chúng lại rất không chính xác. Một trong những yếu tố chính ảnh hưởng đến giá trị của một ngôi nhà là sự xuất hiện nội thất và ngoại thất của nó, điều này không được xem xét trong việc tính toán các ước lượng giá trị tự động. Trong bài báo này, chúng tôi đánh giá tác động của các đặc điểm hình ảnh của một ngôi nhà đến giá trị thị trường của nó. Sử dụng mạng nơ-ron tích chập sâu trên một tập dữ liệu lớn về ảnh nội thất và ngoại thất của nhà, chúng tôi phát triển một phương pháp ước lượng mức độ sang trọng của các ảnh bất động sản. Chúng tôi cũng phát triển một khung mới cho việc đánh giá giá trị tự động bằng cách sử dụng các bức ảnh trên, bên cạnh các đặc điểm của nhà bao gồm kích thước, giá niêm yết và số lượng phòng ngủ. Cuối cùng, bằng cách áp dụng phương pháp ước lượng giá của chúng tôi vào một tập dữ liệu mới về ảnh bất động sản và siêu dữ liệu, chúng tôi cho thấy phương pháp này vượt trội hơn so với các ước lượng của Zillow.
Từ khóa
#Nghiên cứu giá bất động sản #ước lượng giá trị thị trường #mạng nơ-ron tích chập #hình ảnh bất động sản #đánh giá giá trị tự độngTài liệu tham khảo
Bell, S., Bala, K.: Learning visual similarity for product design with convolutional neural networks. ACM Trans. Gr. (TOG) 34(4), 98 (2015)
Long, J., Shelhamer, E., Darrell, T.: Fully convolutional networks for semantic segmentation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3431–3440 (2015)
Malpezzi, S.: Hedonic pricing models: a selective and applied review. In: Housing Economics and Public Policy, pp. 67–89 (2003). https://doi.org/10.1002/9780470690680.ch5
Pagourtzi, E., et al.: Real estate appraisal: a review of valuation methods. J. Prop. Invest. Financ. 21(4), 383–401 (2003)
Benjamin, J., Randall, G., Sirmans, C.F.: Mass appraisal: an introduction to multiple regression analysis for real estate valuation. J. Real Estate Pract. Educ. 7(1), 65–77 (2004)
Van Der Maaten, L., Weinberger, K.: Stochastic triplet embedding. In: International Workshop on Machine Learning for Signal Processing (MLSP), 2012 IEEE, pp. 1–6. IEEE (2012)
Hollas, D.R., Rutherford, R.C., Thomson, T.A.: Zillow’s estimates of single-family housing values. Apprais. J. 78(1), 26–32 (2010)
McGreal, S., Adair, A., McBurney, D., Patterson, D.: Neural networks: the prediction of residential values. J. Prop. Val. Invest. 16(1), 57–70 (1998)
Bagnoli, C., Smith, H.: The theory of fuzz logic and its application to real estate valuation. J. Real Estate Res. 16(2), 169–200 (1998)
Byrne, P.: Fuzzy analysis: a vague way of dealing with uncertainty in real estate analysis? J. Prop. Val. Invest. 13(3), 22–41 (1995)
Wilber, M.J., Kwak, I.S., Belongie, S.J.: Cost-effective hits for relative similarity comparisons. In: 2nd AAAI Conference on Human Computation and Crowdsourcing (2014)
Ordonez, V., Jagadeesh, V., Di, W., Bhardwaj, A., Piramuthu, R.: Furniture-geek: understanding fine-grained furniture attributes from freely associated text and tags. In: IEEE Winter Conference on Applications of Computer Vision (WACV), 2014, pp. 317–324. IEEE (2014)
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., Rabinovich, A.: Going deeper with convolutions. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1–9 (2015)
Chechik, G., Sharma, V., Shalit, U., Bengio, S.: Large scale online learning of image similarity through ranking. J. Mach. Learn. Res. 11, 1109–1135 (2010)
Kusan, H., Aytekin, O., Ozdemir, I.: The use of fuzzy logic in predicting house selling price. Expert Syst. Appl. 37(3), 1808–1813 (2010)
Bell, S., Upchurch, P., Snavely, N., Bala, K.: Material recognition in the wild with the materials in context database. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3479–3487 (2015)
Oliva, A., Torralba, A.: Modeling the shape of the scene: a holistic representation of the spatial envelope. Int. J. Comput. Vis. 42(3), 145–175 (2001)
Karayev, S., Trentacoste, M., Han, H., Agarwala, A., Darrell, T., Hertzmann, A., Winnemoeller, H.: Recognizing image style. arXiv preprint arXiv:1311.3715 (2013)
Worzala, E., Lenk, M., Silva, A.: An exploration of neural networks and its application to real estate valuation. J. Real Estate Res. 10(2), 185–201 (1995)
LeCun, Y., Bengio, Y., Hinton, G.: Deep learning. Nature 521(7553), 436–444 (2015)
LeCun, Y., Boser, B., Denker, J.S., Henderson, D., Howard, R.E., Hubbard, W., Jackel, L.D.: Backpropagation applied to handwritten zip code recognition. Neural Comput. 1(4), 541–551 (1989)
Krizhevsky, A., Sutskever, I., Hinton, G.E.: Imagenet classification with deep convolutional neural networks. In: Advances in Neural Information Processing Systems, pp. 1097–1105 (2012)
Deng, J., Dong, W., Socher, R., Li, L., Li, K., Fei-Fei, L.: Imagenet: A large-scale hierarchical image database. In: IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2009, pp. 248-255. IEEE (2009)
LeCun, Y.A., Bottou, L., Orr, G.B., Muller, K.: Efficient backprop. In: Neural Networks: Tricks of the Trade, pp. 9–48. Springer, Berlin (2012)
Cordts, M., Omran, M., Ramos, S., Rehfeld, T., Enzweiler, M., Benenson, R., Franke, U., Roth, S., Schiele, B.: The cityscapes dataset for semantic urban scene understanding. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3213–3223 (2016)
Yu, F., Seff, A., Zhang, Y., Song, S., Funkhouser, T., Xiao, J.: Lsun: Construction of a large-scale image dataset using deep learning with humans in the loop. arXiv preprint arXiv:1506.03365 (2015)
Huang, G., Liu, Z., Weinberger, K.Q., van der Maaten, L.: Densely connected convolutional networks. arXiv preprint arXiv:1608.06993 (2016)
He, K., Zhang, X., Ren, S., Sun, J.: Deep residual learning for image recognition. In: Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770–778 (2016)
Srivastava, R.K., Greff, K., Schmidhuber, J.: Training very deep networks. In: Advances in Neural Information Processing Systems, pp. 2377–2385 (2015)
Srivastava, R.K., Greff, K., Schmidhuber, J.: Highway networks. arXiv preprint arXiv:1505.00387 (2015)
Simonyan, K., Zisserman, A.: Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556 (2014)
Zhou, B., Lapedriza, A., Xiao, J., Torralba, A., Oliva, A.: Learning deep features for scene recognition using places database. In: Advances in Neural Information Processing Systems, pp. 487–495 (2014)
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., Berg, A.C.: Imagenet large scale visual recognition challenge. Int. J. Comput. Vis. 115(3), 211–252 (2015)
Lazebnik, S., Schmid, C., Ponce, J.: Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories. In: IEEE Computer Society Conference on Computer vision and pattern recognition, 2006, vol. 2, pp. 2169–2178. IEEE (2006)
Long, J., Shelhamer, E., Darrell, T.: Fully convolutional networks for semantic segmentation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3431–3440 (2015)
Chen, L.C., Papandreou, G., Kokkinos, I., Murphy, K., Yuille, A.L.: Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs. IEEE Trans. Pattern Anal. Mach. Intell. 40(4), 834–848 (2018)
Yu, F., Koltun, V.: Multi-scale context aggregation by dilated convolutions (2015). arXiv preprint arXiv:1511.07122
Zhao, H., Shi, J., Qi, X., Wang, X., Jia, J.: Pyramid scene parsing network. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2881–2890 (2017)
Girshick, R., Donahue, J., Darrell, T., Malik, J.: Rich feature hierarchies for accurate object detection and semantic segmentation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 580–587 (2014)
Ren, S., He, K., Girshick, R., Sun, J.: Faster r-cnn: Towards real-time object detection with region proposal networks. In: Advances in Neural Information Processing Systems, pp. 91–99 (2015)
Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: unified, real-time object detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 779–788 (2016)
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y.: Generative adversarial nets. In: Advances in Neural Information Processing Systems, pp. 2672–2680 (2014)
Radford, A., Metz, L., Chintala, S.: Unsupervised representation learning with deep convolutional generative adversarial networks (2015). arXiv preprint arXiv:1511.06434
Huang, X., Li, Y., Poursaeed, O., Hopcroft, J., Belongie, S.: Stacked generative adversarial networks. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), vol. 2, p. 4 (2017)
Karras, T., Aila, T., Laine, S., Lehtinen, J.: Progressive growing of gans for improved quality, stability, and variation (2017). arXiv preprint arXiv:1710.10196
Poursaeed, O., Katsman, I., Gao, B., Belongie, S.: Generative adversarial perturbations (2017). arXiv preprint arXiv:1712.02328