ImmBild - Lagebewertung durch Bildanalyse

Die Lage ist der wichtigste Parameter für die Bestimmung des Wertes einer Immobilie. Im Projekt ImmBild wird der Wert einer Immobilie mit Hilfe von Computer Vision aus dem Satellitenbild berechnet.

Ausgangssituation und Projektziel

Im Projekt ImmBild wird erstmals immobilienwirtschaftliches Wissen mit automatisierter Bildererkennung in einem innovativen Forschungsansatz vereint. Im Fokus dieses Projekts steht die Entwicklung von bildbasierten Methoden, die durch Eingabe eines Satellitenbildes und vorgegebenen Koordinaten eine automatisierte Abschätzung der Qualität der lokalen Wohnlage ableiten können. Die aus Bildern extrahierten Informationen stellen eine neue Informationsquelle für existierende Lagebewertungsmodelle dar, die bisher nicht berücksichtigt werden konnte. Die entwickelten Methoden und Lagemodelle erhöhen die Transparenz am Immobilienmarkt für alle Marktteilnehmer und können unter Anderem in den Bereichen Bewertung und Mietzinsableitung eingesetzt werden.

Methoden und Forschungsschwerpunkte

In der immobilienwirtschaftlichen Forschung wendet man das Konzept der hedonischen Preise an, um den Wert bzw. einzelne Eigenschaften von Immobilien zu quantifizieren. Hier wird der Preis bzw. die Miete mit Hilfe von Regressionsanalysen sowie unterschiedlicher Lagevariablen wie beispielsweise der Entfernung zu Schulen, Nahversorger, etc. unter Zuhilfenahme soziodemografischer Daten erklärt. Auf diesen Zusammenhängen aufbauend sollen automatische Klassifikations- und Bewertungsmethoden entwickelt werden, welche die regionalen Eigenschaften der umgebenden Infrastrukturnutzung aus Bilddaten ableiten, wie etwa Verhältnis Gebäude zu Grundstück, Grünflächen, Straßen, Erholungsflächen, Abstand zu Nachbarhäusern.

In der automatisierten Bilderkennung aus Luftbildern – insbesondere im Bereich der Satellitenbildanalyse – stehen große Datenmengen zur Verfügung, welche sich gut für maschinelles Lernen eignen. Im Projekt setzen wir primär neuronale Netze sowie Deep Learning ein, um unterschiedliche Umwelttypen wie Straße, Wasser, Bäume und Häuser zu segmentieren und zu klassifizieren. Aufbauend auf den Ergebnissen dieser Bildanalyse werden abstrakte lagespezifische Kriterien mit Hilfe von Regressionsmethoden automatisiert abgeleitet.

Publikationen

Koch, D., Despotovic, M., Thaler, S., & Zeppelzauer, M. (2021). Where do University Graduates live? – A Computer Vision Approach using Satellite Images. Applied Intelligence, 51, 8088–8105. https://doi.org/https://doi.org/10.1007/s10489-021-02268-8
Koch, D., Despotovic, M., Döller, M., Leiber, S., & Zeppelzauer, M. (2020). Computer Vision in Building Research: An Application for Prediction of Condition and Costs of a Property. Building Research & Information, Submitted.
Koch, D., Despotovic, M., Sascha, L., Sakeena, M., Döller, M., & Zeppelzauer, M. (2020). Real Estate Image Analysis - A Literature Review. Journal of Real Estate Literature, 27(2), 269–300. https://doi.org/10/gnt2wg
Koch, D., Despotovic, M., Döller, M., Leiber, S., & Zeppelzauer, M. (2020). Computer Vision in Building Research: An Application for Prediction of Condition and Costs of a Property. Building Research & Information, Submitted.
Despotovic, M., Koch, D., Leiber, S., Döller, M., Sakeena, M., & Zeppelzauer, M. (2019). Prediction and analysis of heating energy demand for detached houses by computer vision. Energy & Buildings, 193, 29–35. https://doi.org/10/fsxn
Koch, D., Despotovic, M., Sakeena, M., Döller, M., & Zeppelzauer, M. (2018). Visual Estimation of Building Condition with Patch-level ConvNets. Proceedings of the 2018 ACM Workshop on Multimedia for Real Estate Tech - RETech"18, 12–17. https://doi.org/10/ghpp2m
Zeppelzauer, M. (2018). Visual Estimation of Building Condition with Patch-level ConvNets. http://dl.acm.org/citation.cfm?doid=3210499.3210526
Zeppelzauer, M. (2018). Automatic Prediction of Building Age from Photographs. http://dl.acm.org/citation.cfm?doid=3206025.3206060
Zeppelzauer, M., Despotovic, M., Sakeena, M., Koch, D., & Döller, M. (2018). Automatic Prediction of Building Age from Photographs. Proceedings of the ACM International Conference on Multimedia Retrieval (ICMR "18), 126–134. https://doi.org/10/ghpp2k
Despotovic, M., Sakeena, M., Koch, D., Döller, M., & Zeppelzauer, M. (2017). Predicting Heating Energy Demand by Computer Vision. Computer Science - Research and Development, 33, 231–232. https://doi.org/10/gh3772
Muhr, V., Despotovic, M., Koch, D., Döller, Mario, & Zeppelzauer, M. (2017). Towards Automated Real Estate Assessment from Satellite Images with CNNs. In Proceedings of the 10th Forum Media Technology (FMT), 2009, 14–23.

Presseberichte

Studienprojekt: Hausbesichtigung per Satellit
11.10.2017

Medium: Die Presse

Sie wollen mehr wissen? Fragen Sie nach!

Forschungsgruppenleiter
Forschungsgruppe Media Computing
Institut für Creative\Media/Technologies
Department Medien und Digitale Technologien
Arbeitsplatz: A - Campus-Platz 1
M: +43/676/847 228 652
Externe MitarbeiterInnen
David Koch, FH Kufstein
Mario Döller, FH Kufstein
PartnerInnen
  • FH Kufstein
Finanzierung
FFG COIN Aufbau
Laufzeit
01.01.2017 – 31.12.2020
Projektstatus
abgeschlossen
Beteiligte Institute, Gruppen und Zentren
Forschungsgruppe Media Computing
Institut für Creative\Media/Technologies