論文の概要: A Comparison of Multi-View Learning Strategies for Satellite Image-Based
Real Estate Appraisal
- arxiv url: http://arxiv.org/abs/2105.04984v1
- Date: Tue, 11 May 2021 12:41:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 13:56:34.585572
- Title: A Comparison of Multi-View Learning Strategies for Satellite Image-Based
Real Estate Appraisal
- Title（参考訳）: 衛星画像に基づく不動産評価のためのマルチビュー学習手法の比較
- Authors: Jan-Peter Kucklick and Oliver M\"uller
- Abstract要約: 住宅ローンのプロセスでは、銀行や銀行は不動産価格の迅速かつ正確な見積もりに頼り、最大貸付額を決定する。
本研究では,多視点学習,多視点結合,多視点ニューラルネットワークを不動産データとncアッシュビルの衛星画像を用いてテストした。
その結果,多視点学習はMAEの13%まで予測性能を向上させることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the house credit process, banks and lenders rely on a fast and accurate
estimation of a real estate price to determine the maximum loan value. Real
estate appraisal is often based on relational data, capturing the hard facts of
the property. Yet, models benefit strongly from including image data, capturing
additional soft factors. The combination of the different data types requires a
multi-view learning method. Therefore, the question arises which strengths and
weaknesses different multi-view learning strategies have. In our study, we test
multi-kernel learning, multi-view concatenation and multi-view neural networks
on real estate data and satellite images from Asheville, NC. Our results
suggest that multi-view learning increases the predictive performance up to 13%
in MAE. Multi-view neural networks perform best, however result in
intransparent black-box models. For users seeking interpretability, hybrid
multi-view neural networks or a boosting strategy are a suitable alternative.
- Abstract（参考訳）: 住宅信用プロセスにおいて、銀行や銀行は最大ローン価値を決定するために、不動産価格の迅速かつ正確な見積もりに依存している。
不動産評価は、しばしば関係データに基づいており、資産の厳しい事実を捉えている。
しかし、モデルは画像データを含めることで大きな恩恵を受け、追加のソフトファクターをキャプチャする。
異なるデータ型の組み合わせは、マルチビュー学習方法を必要とする。
したがって、様々な多視点学習戦略が持つ強みと弱みが問う。
本研究では,カリフォルニア州アシュビルの不動産データと衛星画像に基づいて,マルチカーネル学習,マルチビュー結合,マルチビューニューラルネットワークをテストする。
その結果,マルチビュー学習は予測性能を13%まで向上させることがわかった。
マルチビューニューラルネットワークは最善を尽くすが、不透明なブラックボックスモデルをもたらす。
解釈可能性を求めるユーザーにとっては、ハイブリッドマルチビューニューラルネットワークやブースティング戦略が適している。
関連論文リスト
- Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。
具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。
そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
論文 参考訳（メタデータ） (2024-08-08T17:20:08Z) - Which Backbone to Use: A Resource-efficient Domain Specific Comparison for Computer Vision [4.600687314645625]
ImageNetのような大規模なデータセットで事前トレーニングされたアーキテクチャバックボーンは、一般的に機能抽出器として使用される。
本研究は、一貫したトレーニング設定下で、複数の軽量で事前訓練されたCNNバックボーンを体系的に評価する。
本研究は,異なるバックボーンの性能トレードオフと有効性について,実用的な知見を提供する。
論文 参考訳（メタデータ） (2024-06-09T02:01:25Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Identifiability Results for Multimodal Contrastive Learning [72.15237484019174]
本研究では,以前研究したマルチビュー設定よりも,より一般的な設定で共有要因を復元可能であることを示す。
本研究は,マルチモーダル表現学習の理論的基盤を提供し,マルチモーダルコントラスト学習を実践的に効果的に設定する方法を説明する。
論文 参考訳（メタデータ） (2023-03-16T09:14:26Z) - Multi-Spectral Image Classification with Ultra-Lean Complex-Valued
Models [28.798100220715686]
マルチスペクトル画像は、材料によって示される異なるスペクトルシグネチャによってリモートセンシングに有用である。
複素値コドメイン対称モデルを用いて実値MSI画像の分類を行う。
我々の研究は、実数値MSIデータにおける複素数値深層学習の価値を初めて示すものである。
論文 参考訳（メタデータ） (2022-11-21T19:01:53Z) - Agricultural Plantation Classification using Transfer Learning Approach
based on CNN [0.0]
深層学習により高スペクトル画像認識の効率は著しく向上した。
CNNとMulti-Layer Perceptron(MLP)は画像の分類に優れたプロセスであることが示されている。
本稿では,移動学習の手法を用いて,学習時間を短縮し,ラベル付き大規模データセットへの依存を減らすことを提案する。
論文 参考訳（メタデータ） (2022-06-19T14:43:31Z) - Terrain Classification using Transfer Learning on Hyperspectral Images:
A Comparative study [0.13999481573773068]
畳み込みニューラルネットワーク(CNN)とMulti-Layer Perceptron(MLP)は画像分類の有効な方法であることが証明されている。
しかし、彼らは長いトレーニング時間と大量のラベル付きデータの要求の問題に悩まされている。
本稿では,移動学習法を用いてトレーニング時間を短縮し,大規模ラベル付きデータセットへの依存を減らすことを提案する。
論文 参考訳（メタデータ） (2022-06-19T14:36:33Z) - A Comprehensive Study of Image Classification Model Sensitivity to
Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
このデータセットをRIVAL10と呼びます。
本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。
本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
論文 参考訳（メタデータ） (2022-01-26T06:31:28Z) - An Empirical Analysis of Image-Based Learning Techniques for Malware
Classification [4.111899441919165]
本稿では,ディープラーニング技術と画像に基づく特徴を用いたマルウェア分類について検討する。
私たちは、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、長期短期メモリ(LSTM)、ゲートリカレントユニット(GRU)など、幅広いディープラーニング技術を採用しています。
論文 参考訳（メタデータ） (2021-03-24T16:10:05Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。