Une façade étant la face représentative de tout bâtiment, nous pouvons en estimer les caractéristiques immobilières d'un simple coup d'œil : structure, composantes ou état, sont autant d'indices permettant d'estimer les propriétés de l'ensemble de l'édifice sans même y entrer. Modéliser cette capacité d'évaluation offrirait de multiples applications : valorisation automatique d'un bien, suggestion d'offre d'assurance adaptée ou comme outil d'étude du marché immobilier d'une ville. Les méthodes d'apprentissage profond ont tellement évoluées afin de copier la perception humaine et nous ont même dépassés en classification ou reconnaissance d'objets, en imitation de style artistique et aussi sur certains jeux vidéos ou de plateau. Néanmoins, ces performances sont souvent acquises au détriment de l'intelligibilité : considérées comme des boîtes noires, la manière dont est obtenue la prédiction n'est ni explicite ni facilement compréhensible. Récemment, de nombreux progrès en explicabilité des réseaux de neurones cherchent à résoudre ce problème. Aussi, peut-on employer les réseaux de neurones dans la création d'un expert compréhensible du marché immobilier d'une ville, depuis ses façades uniquement ? Nous proposons d'utiliser des données libres de rôles d'évaluation et des photographies de façades obtenues par Google Street View afin de constituer un jeu de données. On peut alors entraîner un réseau à convolutions pour caractériser fidèlement une propriété à partir de sa façade. Différentes architectures sont explorées pour prédire, par exemple, l'année de construction à 4 ans près ou sa valeur avec moins de 27 kCAD d'erreur en moyenne. Ensuite, la représentation latente obtenue est mise à profit afin d'expliquer les phénomènes sous-jacents à la valorisation immobilière : la méthode proposée révèle clairement différentes classes de propriétés et leur associe des attributs quantitatifs, géographiques et visuels. / A facade being the representative face of any building, we can gauge its real estate features by just looking at it. We naturally deduce from its structure, components, size or condition, diverse properties of the whole edifice without going inside it. Being able to model this skill could lead to multiple housing-related applications: automated property valuation, custom insurance contract suggestion, or as a market studying tool. Deep learning methods have evolved to mimic human perception and they now out perform us on object classification/recognition, artistic style imitation, and even on some video or board games. However, these performances are often at the expense of understandability: depicted as black boxes, their predictions are obtained in an inexplicit or inexplicable way. Recently, great progress in explainable AI is trying to solve this issue. From here, can we use neural networks to craft an understandable expert of a city housing market solely from building facades ? We propose to use open source assessment data and facade photographs obtained via Google Street View to constitute a dataset. We then train a convolutional neural network at characterizing a property given its facade. Different network architectures are explored to, for instance, predict its construction year within 4 years and its property value with less than 27 kCAD average error. Then, we leverage the learned representation to better understand the phenomena at use in housing assessment: our proposed method reveals different groups within a particular city real estate and their corresponding quantitative, geographic, and visual properties.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/73352 |
| Date | 13 December 2023 |
| Creators | Blanc, Cyril |
| Contributors | Gagné, Christian, Lalonde, Jean-François |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | mémoire de maîtrise, COAR1_1::Texte::Thèse::Mémoire de maîtrise |
| Format | 1 ressource en ligne (xi, 121 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0025 seconds