Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Image Classification of Real Estate Images with Transfer Learning
KTH, School of Electrical Engineering and Computer Science (EECS).
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Bildklassificering av fastighetsbilder med transfer learning (Swedish)
Abstract [en]

Each minute, over 2 000 searches are made on Sweden’s largest real estate website. The site has over 20 000 apartments for sale in the Stockholm region alone. This makes the search-function a vital tool for the users to find their dream apartment, and thus the quality of the search-function is of significance. As of today, it’s only possible to filter and sort by meta-data such as number of rooms, living area, price, and location, but not on more complex attributes, such as balcony or fireplace.

To prevent the need for manual categorization of objects on the market, one option could be to use images of the apartments as data-points in deep neural networks to automatically add rich attributes. This thesis aims to investigate if a high rate of success when classifying apartment images can be achieved using deep neural networks, specifically looking at the categories and attributes balcony, fireplace, as well as type of room.

Different types of architectures was compared amongst each other and feature extraction was compared against fine-tuning, in order to exhaustively investigate the thesis.

The investigation showed that the balcony model could determine if a balcony exists in an image, with a certainty of 98.1%. For fireplaces, the maximum certainty reached was 85.5%, which is significantly lower. The type-of-room classification reached a certainty of 97,9%.

This all proves the possibility of using deep neural networks in order to classify and attribute real estate images.

Abstract [sv]

Varje minut görs 2000 sökningar på Sveriges största webbplats för bostadsannonser som har 20 000 bostadsrätter till salu bara i Stockholm. Detta ställer höga krav på sökfunktionen för att ge användarna en chans att hitta sin drömbostad. Idag finns det möjlighet att filtrera på attribut såsom antal rum, boarea, pris och område men inte på attribut som balkong och eldstad.

För att inte behöva kategorisera objekt manuellt för attribut såsom balkong och eldstad finns det möjlighet att använda sig av mäklarbilder samt djupa neurala nätverk för att klassificera objekten automatiskt. Denna uppsats syftar till att utreda om det med hög sannolikhet går att klassificera mäklarbilder efter attributen balkong, eldstad samt typ av rum, med hjälp av djupa neurala nätverk.

För att undersöka detta på ett utförligt sätt jämfördes olika arkitekturer med varandra samt feature extraction mot fine-tuning. Testerna visade att balkongmodellen med 98,1% sannolikhet kan avgöra om det finns en balkong på någon av bilderna eller inte. För eldstäder nåddes ett maximum på 85,5% vilket är väsentligt sämre än för balkonger. Under sista klassificeringen, den för rum, nåddes ett resultat på 97,9%.Sammanfattningsvis påvisar detta att det är fullt möjligt att använda djupa neurala nätverk för att klassificera mäklarbilder.

Place, publisher, year, edition, pages
2019. , p. 43
Series
TRITA-EECS-EX ; 2019:357
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-259759OAI: oai:DiVA.org:kth-259759DiVA, id: diva2:1353427
Supervisors
Examiners
Available from: 2019-09-24 Created: 2019-09-23 Last updated: 2019-09-24Bibliographically approved

Open Access in DiVA

fulltext(3495 kB)8 downloads
File information
File name FULLTEXT01.pdfFile size 3495 kBChecksum SHA-512
222b6df3d343f2e7cdc57630b9a57f40da06411f3d85299f402aeb100b6a74a9d82a9813e7a841da945b3d63a4300056140337314ec1fae1ae840c399ea823a2
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 8 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 26 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf