Оценить дом - это и наука, и искусство. Характеристики дома, такие как площадь в квадратных футах, расположение или количество ванных комнат, имеют разные веса в зависимости от их влияния на цены продажи жилья в каждой конкретной местности в течение определенного периода времени, что приводит к набору правил оценки или моделей, которые применяется для создания Zestimate каждого дома. В частности, некоторые из структурированных данных, которые используются при оценке, включают физические атрибуты: местоположение, размер участка, площадь в квадратных футах, количество спален и ванных комнат и многие другие детали. Налоговые оценки: информация о налоге на имущество, фактические уплаченные налоги на имущество, исключения из налоговых оценок и другая информация, указанная в записях налоговых оценщиков. Предыдущие и текущие сделки: фактические цены продажи самого дома с течением времени и сопоставимые недавние продажи близлежащих домов.

Помимо структурированных данных, существует множество других факторов, которые составляют так называемую ограниченную привлекательность или впечатление покупателя о доме. При оценке важно учитывать эти факторы, чтобы они соответствовали человеческим эмоциям и социальным нормам. Когда агенты оценивают недвижимость, первое, что они обычно делают, - изучают дом с высоты птичьего полета в Google. Они отмечают, идет ли он назад на оживленную улицу, близость к коммерческой недвижимости или автострадам, размер других домов поблизости, растительность и ландшафт, его ориентацию на солнце и, если они доступны, просматривают любые фотографии экстерьера, а также уличная сцена. Дом с гранитными столешницами и приборами из нержавеющей стали по сравнению с аналогичным домом с кухней Formica определенно имеет более высокую ценность. Точно так же дом, который был отремонтирован, должен быть оценен больше, чем его ближайший аналогичный сосед, который устарел на десять или два года. Такие компании, как Zillow, уже некоторое время используют такие данные, извлеченные из домашних фотографий и спутниковых снимков окрестностей. Вооружившись большим объемом данных, собранных за определенный период времени, Zillow утверждает, что его Zestimate на 15 процентов точнее, когда он включает машинное обучение для имитации человеческого суждения. До недавнего времени такие компании, как Zillow, обладали преимуществом пула данных, собираемых за многие годы из домов по всей территории США, на основе которых они настраивали свои модели машинного обучения. С доступностью API-интерфейсов компьютерного зрения для обнаружения объектов от Microsoft, Google, Amazon и Foxy теперь любая компания, предоставляющая услуги в сфере недвижимости, начиная с нуля, может использовать неструктурированные данные для оценки. Мы попробовали API обнаружения объектов Amazon, Google и Microsoft на наборе домашних фотографий. Мы хотели выяснить точность этих API-интерфейсов со встроенными универсальными моделями обнаружения объектов и можно ли их использовать для увеличения оценок дома. Подробную информацию об объектах, обнаруженных с помощью каждого из этих API-интерфейсов со встроенной моделью на различных домашних фотографиях, см. В конце статьи.

Наблюдения

  • Amazon предоставляет наиболее точные результаты, за ними следуют Google и Microsoft.
  • Microsoft обнаруживает только один объект и имеет низкую точность по сравнению с двумя другими.
  • Amazon возвращает несколько этикеток, относящихся к конкретным объектам, а также к их предкам.
  • Для некоторых фотографий Google вернул специальные ярлыки, такие как «hacienda» для «Spanish Estate», показывая, что там может быть более широкий выбор фотографий из разных стран.
  • Foxy AI использует подход для классификации объектов по известным категориям, связанным с недвижимостью, таким как гардероб, прачечная и т. Д. Неясно, имеет ли их модель более высокую точность, чем общие объектные модели трех других компаний.
  • Ни в одном из результатов нет прилагательных, таких как «Деревянный пол» или «Гранитная столешница» и т. Д. С моделями по умолчанию, которые могут ограничивать их использование при оценке.

Улучшение обнаружения

  • Изображения не всегда могут быть четкими и резкими. Будет интересно посмотреть, насколько точно обнаруживаются объекты на загроможденных, не в фокусе или при слабом освещении.
  • API Amazon могут возвращать ограничивающую рамку для общих меток объектов, таких как люди, автомобили, мебель, одежда или домашние животные. Ограничивающие рамки можно использовать для определения точного местоположения объектов на изображении, подсчета экземпляров обнаруженных объектов или для измерения размера объекта с использованием размеров ограничивающей рамки. Было бы интересно посмотреть, сможем ли мы обнаружить дополнительные характеристики объекта, добавив увеличенную часть изображения отдельного объекта. Полезные прилагательные для фотографий недвижимости: светлый и просторный, мрамор, гранитная столешница, мебель из тика, новый холодильник, деревянный пол, шкафы из пылающей березы, антикварная мебель, кожаный диван, высокий потолок, длинный, крутой подъезд, ухоженный сад, гардеробная, длинный коридор, чистый ковролин.
  • Amazon API позволяет использовать родительские метки для создания групп связанных меток, а затем запрашивать похожие метки на одном или нескольких изображениях. Это можно использовать для сравнения фотографий спален нескольких домов и запроса объектов в этой комнате для сравнения.
  • Microsoft предоставляет идею анализа с ограниченным объемом, когда вы можете указать имя модели, чтобы получить информацию, относящуюся к этой модели. В настоящее время поддерживаются только модели знаменитостей и достопримечательностей. Но все компании могут в конечном итоге добавить недвижимость в качестве одной из категорий или доменов, что может значительно повысить точность обнаружения.
  • Домашние стили, интерьеры меняются в зависимости от местоположения и культуры. Учет таких аспектов при обнаружении объектов может повысить точность обнаружения. Целевая модель машинного обучения, обученная только на фотографиях интерьера и экстерьера домов, по сравнению с общей моделью для обнаружения любых объектов, может работать хорошо. Есть такие компании, как Foxy AI, которые придерживаются такого подхода. Foxy предоставляет конечные точки API специально для обнаружения объектов на домашних фотографиях, а также предоставляет прогнозы цен на основе входных параметров.
  • AutoML Vision от Google позволяет разработчикам с ограниченным опытом машинного обучения обучать высококачественные пользовательские модели. После загрузки и маркировки изображений AutoML Vision обучает модель, которую можно масштабировать по мере необходимости для адаптации к требованиям. Такие нестандартные, готовые к производству модели лучше подходят для нашего случая использования.
  • Очень сложно создать общий продукт ИИ, действительно полезный для индивидуального сценария. Разработка пользовательской модели на основе данных, полученных от реальных пользователей, всегда предпочтительнее, чем установка квадратного штифта в круглое отверстие.
  • Научить компьютер ценить ограниченную привлекательность и ощущение дома у покупателя - это поистине искусственный интеллект. Использование универсальных API обнаружения объектов со встроенными моделями может стать хорошим началом для компаний, у которых нет данных. По мере того, как они собирают данные с течением времени, пользовательская модель, созданная с использованием местных фотографий дома, может хорошо работать для извлечения дополнительных функций дома. Они вместе со структурированными переменными, такими как площадь в квадратных футах, могут помочь в получении более точных оценок. В любом случае, мы далеки от того, чтобы исключить посещение опытного агента по недвижимости для истинной оценки недвижимости.

Результаты обнаружения объектов на домашних фотографиях

Microsoft

"categories":[
{"name":"outdoor_pool","score":0.95703125}
], 
"requestId":"7462e05d-5cc3–4273-a6d6-e78edc916d34", 
"metadata":{"width":2048,"height":1365,"format":"Jpeg"}

Google

estate : 0.9384693503379822 
property : 0.9383976459503174 
mansion : 0.9083089828491211 
villa : 0.8863233923912048 
real estate : 0.8205443620681763 
home : 0.8012939095497131 
hacienda : 0.7106115221977234 
building : 0.7076689004898071 
sky : 0.6754202842712402 
swimming pool : 0.6674705147743225

Амазонка

Building : 97.64356231689453 
Mansion : 93.88848876953125 
House : 93.88848876953125 
Housing : 93.88848876953125 
Path : 93.61183166503906 
Walkway : 93.61183166503906 
Resort : 93.21076202392578 
Hotel : 93.21076202392578 
Flagstone : 91.89410400390625 
Villa : 86.66985321044922 
Water : 69.26892852783203 
Pool : 69.26892852783203 
Architecture : 61.82177734375 
Sidewalk : 57.70322799682617 
Pavement : 57.70322799682617

Анализ

  • Microsoft правильно определила пул с квалификатором «открытый». Но никаких других предметов он не вернул.
  • Google идентифицировал конкретную архитектуру здания, определив его как «Hacienda», что означает «испанское поместье». Он также явно идентифицировал «небо», которое не было обнаружено двумя другими.
  • Amazon обнаружила такие детали, как «Flagstone». Похоже, что у Amazon довольно высокий показатель достоверности для каждого объекта, начиная с 97%.

Microsoft

"categories":[
{"name":"abstract_","score":0.01171875},{"name":"others_","score":0.01171875}
], 
"requestId":"a7add036–54d5–4421-ab4c-889535161445", 
"metadata":{"width":1905,"height":2000,"format":"Jpeg"}

Google

interior design : 0.7810790538787842 
home : 0.6999193429946899 
window : 0.6992332339286804 
outdoor structure : 0.5407284498214722 
furniture : 0.5291412472724915

Амазонка

Flooring : 99.99893951416016 
Floor : 99.8294448852539 
Indoors : 94.28851318359375 
Interior Design : 94.28851318359375 
Plant : 89.50586700439453 
Living Room : 85.67030334472656 
Room : 85.67030334472656 
Furniture : 83.99723052978516 
Couch : 83.99723052978516 
Hardwood : 82.8748550415039 
Wood : 82.8748550415039 
Jar : 78.75053405761719 
Pottery : 78.75053405761719 
Vase : 78.75053405761719 
Blossom : 77.35748291015625 
Flower Arrangement : 77.35748291015625 
Flower : 77.35748291015625 
Potted Plant : 76.62191009521484 
Flower Bouquet : 72.43888854980469 
Flagstone : 58.75558090209961 
Door : 58.61599349975586 
Corridor : 55.91652297973633

Анализ

  • Microsoft не смогла обнаружить никаких объектов с настройками по умолчанию. В нем также есть общие термины, такие как «абстракция» (возможно, он распознал изображение как картину) с очень низкой степенью достоверности.
  • Google обнаружил некоторые общие термины, такие как «Окно» и «Мебель».
  • Amazon обнаружил множество деталей, включая «Растение в горшке», «Букет цветов» и т. Д.

Microsoft

"categories":[
{"name":"abstract_","score":0.01953125},{"name":"others_","score":0.00390625},{"name":"outdoor_","score":0.00390625}
], 
"requestId":"0f4b81a5-b38f-47b0–93fa-61d93186a5bb", 
"metadata":{"width":2048,"height":912,"format":"Jpeg"}

Google

property : 0.8942150473594666 
countertop : 0.8445141911506653 
kitchen : 0.8333971500396729 
estate : 0.7475240230560303 
interior design : 0.7038251161575317 
real estate : 0.7007927894592285 
cuisine classique : 0.6698155999183655 
ceiling : 0.5234758257865906

Амазонка

Indoors : 99.1664047241211 
Room : 99.1664047241211 
Kitchen : 94.69178009033203 
Interior Design : 93.49835205078125 
Flooring : 89.98771667480469 
Wood : 85.61946868896484 
Lamp : 83.11481475830078 
Chandelier : 83.11481475830078 
Kitchen Island : 81.20708465576172 
Hardwood : 77.21861267089844 
Furniture : 59.81884002685547 
Floor : 58.4579963684082

Анализ

  • Microsoft не смогла обнаружить никаких объектов с настройками по умолчанию.
  • Google обнаружил, что это кухня, но не обнаружил многих деталей на кухне.
  • Amazon обнаружил множество деталей, включая «Chandelier», «Лиственная древесина» и т. Д.

Microsoft

"categories":[
{"name":"abstract_","score":0.02734375},{"name":"building_pillar","score":0.3515625}
], "requestId":"5e1faa3e-ac73–4a65-aaaf-84ec3d8547cd", 
"metadata":{"width":2048,"height":944,"format":"Jpeg"}

Google

property : 0.8988840579986572 
room : 0.8776835799217224 
interior design : 0.7127363085746765 
real estate : 0.6541785597801208 
living room : 0.6493942141532898 
estate : 0.6164873838424683 
floor : 0.5910876989364624 
ceiling : 0.5784943699836731 
flooring : 0.5770671367645264 
house : 0.5629818439483643

Амазонка

Flooring : 99.9969482421875 
Floor : 99.98954010009766 
Wood : 98.96363830566406 
Interior Design : 97.80683135986328 
Indoors : 97.80683135986328 
Hardwood : 92.8141098022461 
Room : 82.762939453125 
Living Room : 80.249267578125 
Plywood : 72.39012145996094 
Furniture : 69.56649780273438 
Bedroom : 68.93217468261719 
Bed : 61.190338134765625 
Rug : 60.942543029785156

Анализ

  • Microsoft не смогла обнаружить никаких объектов с настройками по умолчанию.
  • Google неправильно определил комнату как «Гостиную».
  • Amazon определила комнату как «Гостиная» и «Спальня». Также он правильно определил «Кровать» и «Фанера».

Microsoft

"categories":[
{"name":"indoor_room","score":0.93359375}
], 
"requestId":"59e8b484–652a-4d78–90f6-d9fb4274c33f", 
"metadata":{"width":2000,"height":2000,"format":"Jpeg"}

Google

room : 0.916010856628418 
bathroom : 0.8526955842971802 
interior design : 0.8033964037895203 
floor : 0.8008365035057068 
wall : 0.7690424919128418 
flooring : 0.7259812951087952 
home : 0.725638210773468 
ceiling : 0.701020359992981 
estate : 0.6925469040870667 
real estate : 0.657813549041748

Амазонка

Flooring : 99.98371887207031 
Floor : 99.88095092773438 
Furniture : 98.47281646728516 
Couch : 88.17687225341797 
Indoors : 87.85083770751953 
Interior Design : 87.85083770751953 
Living Room : 78.22207641601562 
Room : 78.22207641601562 
Wood : 71.65221405029297 
Tub : 68.77200317382812 
Hardwood : 62.696842193603516 
Flagstone : 58.15713119506836

Анализ

  • Microsoft не смогла обнаружить никаких объектов с настройками по умолчанию.
  • Google правильно определил сиденье как «Ванная».
  • Amazon определила «ванну» и «диван», но не как «ванную комнату».

Microsoft

"categories":[
{"name":"outdoor_","score":0.01171875},{"name":"outdoor_street","score":0.55078125}
], 
"requestId":"88a759da-2b1c-43f9–9fec-c8cb07cb9fde", 
"metadata":{"width":1769,"height":2000,"format":"Jpeg"}

Google

property : 0.9011626243591309 
walkway : 0.7674194574356079 
home : 0.7527650594711304 
real estate : 0.7386894822120667 
arecales : 0.7260463237762451 
palm tree : 0.6820899248123169 
estate : 0.6767517924308777 
outdoor structure : 0.6750420928001404 
villa : 0.6429499387741089 
house : 0.6065300107002258

Амазонка

Flagstone : 99.65138244628906 
Tree : 95.78475952148438 
Plant : 95.78475952148438 
Patio : 91.34025573730469 
Walkway : 90.66641235351562 
Path : 90.66641235351562 
Arecaceae : 88.72791290283203 
Palm Tree : 88.72791290283203 
Outdoors : 79.1570816040039 Sidewalk : 78.15443420410156 
Pavement : 78.15443420410156 
Human : 77.41170501708984 
Person : 77.41170501708984 
Building : 76.29102325439453 
Banister : 74.00752258300781 
Handrail : 74.00752258300781 
Summer : 70.18952178955078 
Hotel : 63.83850860595703 
Arbour : 59.08328628540039 
Garden : 59.08328628540039 
Home Decor : 57.40121078491211 
Pot : 56.944217681884766

Анализ

  • Microsoft могла определить его только как «Открытый».
  • Google обнаружил некоторые общие термины, такие как «пальма» и «вилла».
  • Amazon обнаружила множество деталей, включая «Пальму», «Патио» и т. Д. Она также обнаружила «Человека» и «Человека» на картинке, которых там нет.

Благодарим Пабло Тиля из Хаверфордского колледжа за помощь в извлечении данных с помощью всех API.

Первоначально опубликовано на 47billion.com 4 февраля 2019 г.