論文の概要: Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases

• arxiv url: http://arxiv.org/abs/2412.02158v2
• Date: Wed, 04 Dec 2024 08:34:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 11:47:07.516629
• Title: Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases
• Title（参考訳）: Agri-LLaVA: 農業害虫・病気に対する知識注入型大規模マルチモーダルアシスタント
• Authors: Liqiong Wang, Teng Jin, Jinyu Yang, Ales Leonardis, Fangyi Wang, Feng Zheng,
• Abstract要約: 農業分野における最初のマルチモーダル・インストラクション・フォロー・データセットを構築した。 このデータセットは、約40万のデータエントリを持つ221種類以上の害虫と病気をカバーしている。 本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。
• 参考スコア（独自算出の注目度）: 49.782064512495495
• License:
• Abstract: In the general domain, large multimodal models (LMMs) have achieved significant advancements, yet challenges persist in applying them to specific fields, especially agriculture. As the backbone of the global economy, agriculture confronts numerous challenges, with pests and diseases being particularly concerning due to their complexity, variability, rapid spread, and high resistance. This paper specifically addresses these issues. We construct the first multimodal instruction-following dataset in the agricultural domain, covering over 221 types of pests and diseases with approximately 400,000 data entries. This dataset aims to explore and address the unique challenges in pest and disease control. Based on this dataset, we propose a knowledge-infused training method to develop Agri-LLaVA, an agricultural multimodal conversation system. To accelerate progress in this field and inspire more researchers to engage, we design a diverse and challenging evaluation benchmark for agricultural pests and diseases. Experimental results demonstrate that Agri-LLaVA excels in agricultural multimodal conversation and visual understanding, providing new insights and approaches to address agricultural pests and diseases. By open-sourcing our dataset and model, we aim to promote research and development in LMMs within the agricultural domain and make significant contributions to tackle the challenges of agricultural pests and diseases. All resources can be found at https://github.com/Kki2Eve/Agri-LLaVA.
• Abstract（参考訳）: 一般領域では、大型マルチモーダルモデル (LMM) は大きな進歩を遂げているが、特定の分野、特に農業に適用する上では課題が続いている。 世界経済のバックボーンとして、農業は多くの課題に直面しており、その複雑さ、変動性、急速な普及、高い抵抗のために害虫や病気が特に関係している。 本稿ではこれらの問題に特に対処する。 我々は農業領域で最初のマルチモーダル・インストラクション・フォロー・データセットを構築し、約40,000のデータエントリで221種類以上の害虫と病気をカバーした。 このデータセットは、害虫や病気のコントロールにおけるユニークな課題を探索し、解決することを目的としている。 本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。 この分野の進歩を加速し、より多くの研究者が関与するよう促すため、農薬や病気に対する多様で挑戦的な評価ベンチマークを設計する。 Agri-LLaVAは農業のマルチモーダルな会話や視覚的理解に優れており、農業の害虫や病気に対処するための新たな洞察とアプローチを提供する。 我々のデータセットとモデルをオープンソース化することで、農業領域内のLMMの研究・開発を促進し、農業害虫や病気の課題に取り組む上で重要な貢献をすることを目指している。 すべてのリソースはhttps://github.com/Kki2Eve/Agri-LLaVAで見ることができる。

関連論文リスト

• AgroGPT: Efficient Agricultural Vision-Language Model with Expert Tuning [30.034193330398292]
  本稿では,農業領域における視覚のみのデータを活用した指導調整データの構築手法を提案する。 我々は、複数のドメインにまたがる多様な農業データセットを利用し、クラス固有の情報をキュレートし、大規模言語モデル(LLM)を用いてエキスパートチューニングセットを構築する。 AgroGPTは、複雑な農業関連の会話を処理し、有用な洞察を提供する効率的なLMMである。
  論文  参考訳（メタデータ） (2024-10-10T22:38:26Z)
• Harnessing Large Vision and Language Models in Agriculture: A Review [3.6673562709926664]
  大規模モデルは、農家が一連の農業生産タスクを検出して生産効率と収穫を改善するのに役立つ。 マルチモーダル大規模言語モデル (MLLM) の理解を深めた上で, 農業画像処理, 農業質問応答システム, 農業機械自動化といった問題はすべて, 大規模モデルで解決できることが認識できる。
  論文  参考訳（メタデータ） (2024-07-29T03:47:54Z)
• Application of Machine Learning in Agriculture: Recent Trends and Future Research Avenues [6.0460261046732455]
  食品生産は重要な世界的関心事であり、人工知能(AI)による農業革命の可能性はほとんど解明されていない。 本稿では,農業における機械学習(ML)の適用に焦点をあてた総合的なレビューを行い,農業実践におけるその変革的ポテンシャルと効率向上を探求する。
  論文  参考訳（メタデータ） (2024-05-23T17:53:31Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• Leaf-Based Plant Disease Detection and Explainable AI [16.128084819516715]
  農業部門は国の経済成長に不可欠な役割を担っている。 植物病は農業に影響を及ぼす重要な要因の1つである。 研究者は、植物病を検出するAIと機械学習技術に基づく多くのアプリケーションを調査してきた。
  論文  参考訳（メタデータ） (2023-12-17T03:40:12Z)
• Climate Change Impact on Agricultural Land Suitability: An Interpretable Machine Learning-Based Eurasia Case Study [94.07737890568644]
  2021年現在、世界中で約8億8800万人が飢餓と栄養失調に見舞われている。 気候変動は農地の適性に大きな影響を及ぼし、深刻な食糧不足に繋がる可能性がある。 本研究は,経済・社会問題に苦しむ中央ユーラシアを対象とする。
  論文  参考訳（メタデータ） (2023-10-24T15:15:28Z)
• Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
  我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。 本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。 我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
  論文  参考訳（メタデータ） (2023-05-03T05:16:54Z)
• The 1st Agriculture-Vision Challenge: Methods and Results [144.57794061346974]
  第1回農業ビジョンチャレンジは、航空画像から農業パターン認識のための新しい効果的なアルゴリズムの開発を奨励することを目的としている。 約57の参加チームが、航空農業のセマンティックセグメンテーションの最先端を達成するために競っている。 本報告では,課題における注目すべき手法と成果について概説する。
  論文  参考訳（メタデータ） (2020-04-21T05:02:31Z)
• Data Warehouse and Decision Support on Integrated Crop Big Data [0.0]
  我々は大陸レベルの農業データウェアハウス(ADW)を設計・実装した。 ADWは,(1)フレキシブルスキーマ,(2)農業用マルチデータセットからのデータ統合,(3)データサイエンスとビジネス用インテリジェントサポート,(4)ハイパフォーマンス,(5)高ストレージ,(6)セキュリティ,(7)ガバナンスと監視,(8)一貫性,可用性,パーティション耐性,(9)クラウド互換性によって特徴付けられる。
  論文  参考訳（メタデータ） (2020-03-10T00:10:22Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。