Real estate prices are estimated by licensed professionals based on manually collected survey data. However, obtaining survey data is labor intensive and the estimating process is limited by its subjective nature. To tackle these problems, we maximized the potential of satellite imagery as an alternative source using deep learning models that consider the latent features of real estate properties. We checked the transferability of feature extraction models for a metropolitan city, a medium-sized city, and a rural county, and interpreted the extracted features through visualization. Compared to the baseline models, using high-resolution satellite imagery and state-of-the-art models lead to superior or comparable performance for urban cities such that 92.5% of the variation could be explained. We also found that high accuracy was achievable even if features were extracted from a model that had been trained on data of a different city. These results may provide a first step towards a fully automated system that solves the difficulties of traditional feature extraction and prediction methods.
부동산 가격 추정은 설문 조사를 통해 수집된 데이터를 기반으로 이루어진다. 그러나 데이터를 얻는 것은 인적 자원을 필요로 하며 추정하는 과정에서 주관성이 개입될 가능성이 있다. 이러한 문제들을 해결하기 위해 본 학위 논문에서는 가격 추정을 위한 위성 사진의 효과를 극대화하였다. 가격 추정을 위한 딥러닝 모델을 개발하고 대도시, 중소 도시 및 군지역에서 딥러닝 모델의 전이 학습 가능성을 평가하였다. 고해상도 위성 사진과 활용하여 도시 지역에서는 최대 92.5%의 변동이 설명 가능할 정도로 우수한 성능을 보인다는 것을 발견하였다.
