Transfer Learning zur Sortierung von Immobi­li­en­bildern

Durch “Transfer Learning” können Deep-Learning-Systeme effizient auf neue Probleme angewendet werden. Unsere Anwendung sortiert Bilder von Immobilien automatisch nach ihrem Inhalt.

Deep Learning und Transfer Learning

Deep Learning ist eine Unter­ka­tegorie des maschi­nellen Lernens, bei der künstliche neuronale Netze angewendet werden, um komplexe Datensätze zu verar­beiten. Dies hat sich unter anderem bei der Analyse von Bildern bewährt. Auf Bildanalyse spezia­li­sierte neuronale Netzwerke (sog. „Convo­lu­tional Neural Networks“) extra­hieren Infor­ma­tionen aus Bildern und lernen, welche Aspekte des Bildes für eine gegebene Aufgabe relevant sind. Das Hindernis bei der praktischen Anwendung solcher Netze ist, dass ihre Erstellung nebst kostspieliger Infra­struktur grosse Mengen qualitativ guter Bilder braucht, die bereits mit Infor­ma­tionen zum tatsäch­lichen Inhalt versehen sind.

Transfer Learning reduziert dieses Problem: Nämlich können neuronale Netzwerke, die zur Lösung eines spezi­fischen Problems angepasst wurden, auf andere, verwandte Probleme trans­feriert werden. Beispielsweise werden bestehende Netzwerke zur Extraktion der wichtigsten Bildin­for­ma­tionen (sog. „Features“) benutzt um diese danach in leichter trainierbaren Machine Learning Modellen problem­spe­zifisch weiter­zu­ver­wenden. Diese Methode ist effizient in der Anwendung und liefert dennoch gute Ergebnisse, was sie für den kommer­ziellen Einsatz attraktiv macht.

«Transfer learning will be the next driver of commercial machine learning success.»

Andrew Ng, Chief Scientist von Baidu

Sortieren von Immobi­li­en­bildern

Küche oder Bad? Garage oder Heizung? In unserer Anwendung sortieren wir Bilder von Immobilien automatisch in eine der folgenden elf Kategorien:

• Balkon
• Bad
• Schlafzimmer
• Garage
• Heizung
• Küche

• Waschküche
• Wohnzimmer
• Aussensicht
• Dach
• Treppenhaus

Wir trans­fe­rieren dazu ein mächtiges neuronales Netz: Das „Mobilenet“ von Google, welches auf der sehr grossen „ImageNet“ Bildda­tenbank vortrainiert wurde. Es besteht aus dutzenden Schichten künst­licher Neuronen und extrahiert tausende Features aus einem Bild. Wir verwenden die generierten Features aus der letzten Schicht des Netzwerks als Input für ein zweites Modell, welches dann das Bild einer unserer Kategorien zuordnet. Als zweites Modell benutzen wir einen „Random Forest“, einen Algorithmus, der auf Entschei­dungs­bäumen basiert und komplexe Zusam­menhänge lernen kann.

Das finale Modell (also Mobilenet plus Random Forest) erkennt die Kategorien zuver­lässig: 85% der Bilder ordnet es richtig zu. Die nicht korrekt erkannten Bilder sind oft Grenzfälle, bei denen beispielsweise die Heizung in der Waschküche oder eine Wasch­ma­schine im Bad steht. Das System kann aber auch mit Unsicherheit umgehen: Technisch gesehen beurteilt es nämlich bei jedem Bild die Wahrschein­lichkeit aller Kategorien und wählt die Wahrschein­lichste.

Das Modell erkennt, dass es sich mit höchster Wahrschein­lichkeit um einen Balkon handelt. Mit geringerer Wahrschein­lichkeit könnte es sich aber auch um ein Bild der Kategorie „Aussensicht“ oder „Dach“ handeln.

Probieren Sie es aus!

In unserem Online-Tool können Sie ein Immobi­li­enbild hochladen und bekommen dessen Kategorie zurück. Stimmen die Zuord­nungen bei Ihren Bildern? Und was passiert, wenn Sie anstatt einem Immobi­li­enbild etwas ganz anderes hochladen?

Interesse geweckt?

Haben Sie weiteres Interesse an diesem Tool oder einen anderen Anwen­dungsfall für Transfer Learning, bei dem wir Sie unter­stützen können? Zögern Sie nicht, unser Data-Science-Team zu kontak­tieren.