論文の概要: AgriChain Visually Grounded Expert Verified Reasoning for Interpretable Agricultural Vision Language Models
- arxiv url: http://arxiv.org/abs/2604.07814v1
- Date: Thu, 09 Apr 2026 05:13:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.709937
- Title: AgriChain Visually Grounded Expert Verified Reasoning for Interpretable Agricultural Vision Language Models
- Title（参考訳）: AgriChainビジュアルグラウンドドエキスパートによる解釈可能な農業ビジョン言語モデルのための推論
- Authors: Hazza Mahmood, Yongqiang Yu, Rao Anwer,
- Abstract要約: 我々はAgriChainを紹介した。AgriChainは、多種多様な作物と病理にまたがる約11,000の専門家による葉のイメージのデータセットである。
我々は、AgriChainにQwen2.5-VL-3Bを微調整し、AgriChain-VL3Bと呼ばれる特殊なモデルを作成し、病気を共同で予測し、視覚的に座屈した推論を生成する。
1000イメージのテストセットでは、CoTが監督するモデルが73.1%のTop-1精度(macro F1 = 0.466; weighted F1 = 0.655)を達成し、Gemini 1.5 Flash、Gemini 2.5 Pro、GPT-4o Miniなどの強力なベースラインを上回りました。
- 参考スコア（独自算出の注目度）: 0.06372261626436676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and interpretable plant disease diagnosis remains a major challenge for vision-language models (VLMs) in real-world agriculture. We introduce AgriChain, a dataset of approximately 11,000 expert-curated leaf images spanning diverse crops and pathologies, each paired with (i) a disease label, (ii) a calibrated confidence score (High/Medium/Low), and (iii) an expert-verified chain-of-thought (CoT) rationale. Draft explanations were first generated by GPT-4o and then verified by a professional agricultural engineer using standardized descriptors (e.g., lesion color, margin, and distribution). We fine-tune Qwen2.5-VL-3B on AgriChain, resulting in a specialized model termed AgriChain-VL3B, to jointly predict diseases and generate visually grounded reasoning. On a 1,000-image test set, our CoT-supervised model achieves 73.1% top-1 accuracy (macro F1 = 0.466; weighted F1 = 0.655), outperforming strong baselines including Gemini 1.5 Flash, Gemini 2.5 Pro, and GPT-4o Mini. The generated explanations align closely with expert reasoning, consistently referencing key visual cues. These findings demonstrate that expert-verified reasoning supervision significantly enhances both accuracy and interpretability, bridging the gap between generic multimodal models and human expertise, and advancing trustworthy, globally deployable AI for sustainable agriculture. The dataset and code are publicly available at: https://github.com/hazzanabeel12-netizen/agrichain
- Abstract（参考訳）: 植物病の正確な診断は、現実世界の農業において視覚言語モデル(VLM)にとって大きな課題である。
私たちはAgriChainを紹介します。AgriChainは、多種多様な作物と病理にまたがる約11,000の専門家による葉のイメージのデータセットです。
病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名; 病名;
(二)正当性スコア(High/Medium/Low)及び
三 専門家が検証した思考の連鎖(CoT)の理論的根拠
ドラフト説明はまずGPT-4oで作成され、その後、標準化された記述子(例えば、病変の色、マージン、分布)を使用して、プロの農業技術者によって検証された。
我々は、AgriChainにQwen2.5-VL-3Bを微調整し、AgriChain-VL3Bと呼ばれる特殊なモデルを作成し、病気を共同で予測し、視覚的に座屈した推論を生成する。
1000イメージのテストセットでは、CoTが監督するモデルが73.1%のTop-1精度(macro F1 = 0.466; weighted F1 = 0.655)を達成し、Gemini 1.5 Flash、Gemini 2.5 Pro、GPT-4o Miniなどの強力なベースラインを上回りました。
生成された説明は、重要な視覚的手がかりを一貫して参照する専門家の推論と密接に一致している。
これらの結果は、専門家が検証した推論の監督は、正確性と解釈可能性の両方を著しく向上させ、一般的なマルチモーダルモデルと人間の専門知識のギャップを埋め、持続可能な農業のために、信頼できる、グローバルにデプロイ可能なAIを進化させることを示した。
データセットとコードは、https://github.com/hazzanabeel12-netizen/agrichain.comで公開されている。
関連論文リスト
- AgriChat: A Multimodal Large Language Model for Agriculture Image Understanding [13.665861251747144]
我々は、数千の農業階級にまたがる幅広い知識を提示し、説明付きの詳細な農業評価を提供する専門的なMLLMであるAgriChatを紹介する。
その結果、視覚的詳細をWebで検証された知識と組み合わせて保存することは、堅牢で信頼性の高い農業用AIへの信頼できる経路であることがわかった。
論文 参考訳（メタデータ） (2026-03-14T11:49:05Z) - AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。
我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。
CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。
対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
論文 参考訳（メタデータ） (2026-03-08T17:28:01Z) - Vision Foundation Models in Agriculture: Toward Domain-Specific Adaptation for Weed Herbicide Trials Assessment [1.8430060563461854]
除草剤試験は、植物種の正確な同定と除草剤による損傷の評価を必要とする。
本研究では,除草剤の試薬評価に汎用的視覚基盤モデルを適用した。
大規模でキュレートされた農業データセットに対して、自己教師付き学習アプローチを用いてトレーニングされたモデルは、除草剤試薬画像に最適化されたリッチで移動可能な表現を学習する。
論文 参考訳（メタデータ） (2025-11-06T11:30:32Z) - VAGEN: Reinforcing World Model Reasoning for Multi-Turn VLM Agents [130.70999337445468]
言語モデル(LLM)エージェントと比較して、視覚言語モデル(VLM)エージェントを訓練する際の重要な課題は、テキスト状態から複雑な視覚観察に移行することである。
VLMエージェントは、明示的な視覚状態推論によって内部世界モデルを構築することができるか?
我々は、強化学習(RL)を通して、エージェントの推論プロセスを建築的に実施し、報奨する。
エージェントの状態推定と遷移モデリングへの推論が成功に不可欠であることが分かりました。
論文 参考訳（メタデータ） (2025-10-19T16:05:07Z) - AgriGPT-VL: Agricultural Vision-Language Understanding Suite [12.521000582108888]
AgriGPT-VL Suiteは、農業のための統一されたマルチモーダルフレームワークである。
我々は,農業における最大のビジョン言語コーパスであるAgri-3M-VLを紹介した。
次に,農業専門の視覚言語モデルであるAgriGPT-VLを開発した。
第3に,AgriBench-VL-4Kという,オープンエンドおよびイメージグラウンドの質問を伴うコンパクトで挑戦的な評価スイートを構築した。
論文 参考訳（メタデータ） (2025-10-05T02:30:11Z) - AgriDoctor: A Multimodal Intelligent Assistant for Agriculture [45.77373971125537]
AgriDoctorは、インテリジェントな作物病診断と農業知識の相互作用のために設計されたモジュラーでマルチモーダルなフレームワークである。
効果的なトレーニングと評価を容易にするために,400000の注釈付き疾患画像,831のエキスパートによる知識エントリ,30000のバイリンガルプロンプトによるインテント駆動ツール選択のベンチマークであるAgriMMを構築した。
実験により、AgriMMで訓練されたAgriDoctorは、細粒度の農業作業において最先端のLVLMを著しく上回っていることが示された。
論文 参考訳（メタデータ） (2025-09-21T11:51:57Z) - Self-Consistency in Vision-Language Models for Precision Agriculture: Multi-Response Consensus for Crop Disease Management [0.0]
本研究は,プロンプトベースのエキスパート評価と自己整合性機構を組み合わせた,農業用画像処理のためのドメイン認識フレームワークを提案する。
本稿では,(1)画像解析出力のスケーラブルな評価のために,言語モデルを専門植物病理学者として構成するプロンプトベース評価プロトコル,(2)農業画像から複数の候補応答を生成するコサイン一貫性自己投票機構を紹介する。
診断精度は82.2%から87.8%,症状分析38.9%から52.2%,治療推奨27.8%から43.3に改善した。
論文 参考訳（メタデータ） (2025-07-08T18:32:21Z) - Gemini vs GPT-4V: A Preliminary Comparison and Combination of
Vision-Language Models Through Qualitative Cases [98.35348038111508]
本稿では,Google の Gemini と OpenAI の GPT-4V(ision) の2つのパイオニアモデルについて,詳細な比較研究を行った。
分析の核となるのは、各モデルの視覚的理解能力である。
両モデルのユニークな強みとニッチを照らし出した。
論文 参考訳（メタデータ） (2023-12-22T18:59:58Z) - How Well Does GPT-4V(ision) Adapt to Distribution Shifts? A Preliminary
Investigation [90.93999543169296]
GPT-4Vは最も先進的な多モード基盤モデルとして機能する。
本研究は, GPT-4Vの動的環境における適応性と一般化能力について, 厳密に評価する。
論文 参考訳（メタデータ） (2023-12-12T16:48:07Z)
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。