ImmoAge - Visuelle Altersbestimmung von Immobilien

Baujahr bzw. Bauperiode und regionale Bauweisen von Einfamilienhäusern sind essentiell für die Bewertung von Immobilien. Mit Hilfe von Bilderkennungsverfahren sollen diese nun automatisiert analysiert und klassifiziert werden.

Logo ImmoAge

Alter und Wert von Immobilien

Baujahr, Alter, Bauperiode und -weise haben nicht nur einen wesentlichen Einfluss auf die Gebäudesubstanz, sondern auch auf den Wert der Immobilie. Während die Lage automatisiert mit Hilfe von hedonischen Modellen über die Adresse der Immobilie bewertet werden kann, ist eine automatisierte Klassifizierung des Gebäudes nach Alter und Bauperiode in Immobilienbewertungen noch ungelöst.

Automatisierte Klassifizierung von Immobilien

Ziel dieses Projektes ist es, das Baujahr, die Bauperiode und regionale Bauweisen von Einfamilienhäusern mit Hilfe von Bilderkennungsverfahren zu analysieren und Gebäude automatisiert zu klassifizieren. Für die Entwicklung von automatischen Bildklassifikationsmethoden sind große Datenmengen notwendig. So können charakteristische visuelle Merkmale für Region, Bauklasse und Bauperiode identifiziert und Klassifikatoren basierend auf diesen Merkmalen trainiert werden. Dem Projekt steht hierfür eine einzigartig große Menge an Immobiliengutachten inklusive Bildern und Objekteigenschaftsbeschreibungen (Baujahr, Zustand, Ausstattung, Adresse, Wert, etc.) zur Verfügung.
Aus diesen Gutachten soll im Zuge des Projekts ein umfassender Datensatz aufbereitet werden, der für das Training von neuartigen Bildanalysemethoden und visuellen Datamining-Methoden verwendet wird.

Neue Analysemethoden

Im Fokus des Projektes stehen die Entwicklung bzw. Weiterentwicklung von Bildanalyseverfahren zur automatischen Extraktion von regions- und altersspezifischen visuellen Merkmalen sowie Methoden zur automatischen Klassifikation von Gebäuden anhand von Außenansichten. Dabei wird besonders der Vergleich von automatisch extrahierten und manuell (durch ExpertInnen) identifizierten visuellen Merkmalen für unterschiedliche Bauperioden und Regionen im Vordergrund stehen.
Außerdem wird die Genauigkeit der automatischen Vorhersage von Bauperioden und Regionen evaluiert. Einerseits wird dabei komplett automatisch (rein bildbasiert) vorgegangen, andererseits werden zusätzliche geographische Informationen eingebunden.

Publikationen

Bibtex für alle Ergebnisse downloaden

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.

Bibtex

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

Bibtex

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

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

Zeppelzauer, M. (2018). Visual Estimation of Building Condition with Patch-level ConvNets. http://dl.acm.org/citation.cfm?doid=3210499.3210526

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

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