論文の概要: Real Estate Attribute Prediction from Multiple Visual Modalities with Missing Data

• arxiv url: http://arxiv.org/abs/2211.09018v1
• Date: Wed, 16 Nov 2022 16:24:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 13:53:17.130197
• Title: Real Estate Attribute Prediction from Multiple Visual Modalities with Missing Data
• Title（参考訳）: 欠落データを用いた複数視覚モダリティからの不動産属性予測
• Authors: Eric Stumpe, Miroslav Despotovic, Zedong Zhang, Matthias Zeppelzauer
• Abstract要約: 本研究では、視覚データ、特に屋内と屋外の写真の2つの視覚的モダリティから高レベルな不動産属性を予測する可能性について検討する。 我々は,異なるマルチモーダル融合戦略を用いて3つのモデルを設計し,それらを3つの異なるユースケースで評価する。 トレーニングデータをさらに不完全なサンプルで強化することで、予測精度が向上することが判明した。
• 参考スコア（独自算出の注目度）: 1.9351648236398693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The assessment and valuation of real estate requires large datasets with real estate information. Unfortunately, real estate databases are usually sparse in practice, i.e., not for each property every important attribute is available. In this paper, we study the potential of predicting high-level real estate attributes from visual data, specifically from two visual modalities, namely indoor (interior) and outdoor (facade) photos. We design three models using different multimodal fusion strategies and evaluate them for three different use cases. Thereby, a particular challenge is to handle missing modalities. We evaluate different fusion strategies, present baselines for the different prediction tasks, and find that enriching the training data with additional incomplete samples can lead to an improvement in prediction accuracy. Furthermore, the fusion of information from indoor and outdoor photos results in a performance boost of up to 5% in Macro F1-score.
• Abstract（参考訳）: 不動産の評価と評価には、不動産情報を含む大規模なデータセットが必要である。 残念なことに、不動産データベースは一般的には疎結合であり、各プロパティに対して重要な属性が利用可能ではない。 本稿では,室内(対話)と屋外(ファサード)の2つの視覚モダリティから,視覚データから高レベルの不動産属性を予測する可能性について検討する。 異なるマルチモーダル融合戦略を用いて3つのモデルを設計し、3つの異なるユースケースに対して評価する。 これにより、欠けているモダリティを扱うことが特に困難となる。 我々は,異なる融合戦略,異なる予測タスクのベースラインの評価を行い,さらに不完全なサンプルでトレーニングデータを充実させることにより,予測精度が向上することを見出した。 さらに、屋内写真と屋外写真からの情報の融合により、マクロf1-scoreの性能が最大5%向上する。

関連論文リスト

• Anno-incomplete Multi-dataset Detection [67.69438032767613]
  我々は「不完全なマルチデータセット検出」という新しい問題を提案する。 複数の注釈付きデータセットで全ての対象カテゴリを正確に検出できるエンドツーエンドのマルチタスク学習アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2024-08-29T03:58:21Z)
• Robust Prediction Model for Multidimensional and Unbalanced Datasets [1.4610685586329806]
  本稿では,ロバスト予測モデルを用いて属性の集合を求める。 健康分野、教育分野、ビジネス分野、不正検出分野の5つの異なるデータセットでテストされている。
  論文  参考訳（メタデータ） (2024-06-05T06:28:39Z)
• Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
  事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。 このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-26T17:59:46Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Perceptual Score: What Data Modalities Does Your Model Perceive? [73.75255606437808]
  モデルが入力特徴の異なる部分集合に依存する度合いを評価する指標である知覚スコアを導入する。 近年,視覚的質問応答に対するマルチモーダルモデルでは,前者よりも視覚的データを知覚しにくい傾向がみられた。 知覚スコアを使用することで、スコアをデータサブセットのコントリビューションに分解することで、モデルのバイアスを分析することもできる。
  論文  参考訳（メタデータ） (2021-10-27T12:19:56Z)
• CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
  本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。 多様なデータソースから表現と不確実性を学ぶことができる。 動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:13:47Z)
• A Comparison of Multi-View Learning Strategies for Satellite Image-Based Real Estate Appraisal [0.0]
  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。
  論文  参考訳（メタデータ） (2021-05-11T12:41:22Z)
• The Multimodal Sentiment Analysis in Car Reviews (MuSe-CaR) Dataset: Collection, Insights and Improvements [14.707930573950787]
  この種のマルチモーダルデータセットの1つである MuSe-CaR について述べる。 このデータは、最近第1回マルチモーダルセンチメント分析チャレンジのテストベッドとして公開された。
  論文  参考訳（メタデータ） (2021-01-15T10:40:37Z)
• Polymer Informatics with Multi-Task Learning [0.06524460254566902]
  固有相関を効果的に活用するマルチタスク学習手法の有用性を示す。 13,000ドルを超えるポリマーの36種類の異なる性質に関するデータは、統合され、ディープラーニングマルチタスクアーキテクチャに供給される。 マルチタスクのアプローチは正確で、効率的で、スケーラブルで、同じまたは異なるプロパティ上のより多くのデータが利用可能になると、学習を転送できる。
  論文  参考訳（メタデータ） (2020-10-28T18:28:12Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)

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。