論文の概要: From UAV Imagery to Agronomic Reasoning: A Multimodal LLM Benchmark for Plant Phenotyping

• arxiv url: http://arxiv.org/abs/2604.09907v1
• Date: Fri, 10 Apr 2026 21:08:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.740548
• Title: From UAV Imagery to Agronomic Reasoning: A Multimodal LLM Benchmark for Plant Phenotyping
• Title（参考訳）: UAV画像からアグロノミック推論へ:植物現象のマルチモーダルLCMベンチマーク
• Abstract要約: PlantXpert(プラントXpert)は、ダイズと綿花の表現型分析のためのエビデンスベースのマルチモーダル推論ベンチマークである。 我々は385のデジタル画像と3000以上のベンチマークサンプルからなるデータセットを構築した。 その結果,タスク固有の微調整により精度が大幅に向上し,Qwen3-VL-4BやQwen3-VL-30Bといったモデルでは最大78%が達成された。
• 参考スコア（独自算出の注目度）: 11.924426769227829
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: To improve crop genetics, high-throughput, effective and comprehensive phenotyping is a critical prerequisite. While such tasks were traditionally performed manually, recent advances in multimodal foundation models, especially in vision-language models (VLMs), have enabled more automated and robust phenotypic analysis. However, plant science remains a particularly challenging domain for foundation models because it requires domain-specific knowledge, fine-grained visual interpretation, and complex biological and agronomic reasoning. To address this gap, we develop PlantXpert, an evidence-grounded multimodal reasoning benchmark for soybean and cotton phenotyping. Our benchmark provides a structured and reproducible framework for agronomic adaptation of VLMs, and enables controlled comparison between base models and their domain-adapted counterparts. We constructed a dataset comprising 385 digital images and more than 3,000 benchmark samples spanning key plant science domains including disease, pest control, weed management, and yield. The benchmark can assess diverse capabilities including visual expertise, quantitative reasoning, and multi-step agronomic reasoning. A total of 11 state-of-the-art VLMs were evaluated. The results indicate that task-specific fine-tuning leads to substantial improvement in accuracy, with models such as Qwen3-VL-4B and Qwen3-VL-30B achieving up to 78%. At the same time, gains from model scaling diminish beyond a certain capacity, generalization across soybean and cotton remains uneven, and quantitative as well as biologically grounded reasoning continue to pose substantial challenges. These findings suggest that PlantXpert can serve as a foundation for assessing evidence-grounded agronomic reasoning and for advancing multimodal model development in plant science.
• Abstract（参考訳）: 作物遺伝学を改善するためには、高スループット、効果的で包括的な表現型付けが重要な前提条件である。 このようなタスクは伝統的に手動で行われるが、近年のマルチモーダル基礎モデル、特に視覚言語モデル(VLM)の進歩により、より自動化され、堅牢な表現型解析が可能になった。 しかし、植物科学は、ドメイン固有の知識、きめ細かい視覚的解釈、複雑な生物学的および農業的推論を必要とするため、基礎モデルにとって特に困難な領域である。 このギャップに対処するため,ダイズおよび綿花の表現型化のためのマルチモーダル推論ベンチマークであるPlantXpertを開発した。 我々のベンチマークでは,VLMの農業適応のための構造的かつ再現可能なフレームワークを提供し,ベースモデルとドメイン適応モデルとの制御された比較を可能にする。 385枚のデジタル画像と3,000枚以上のベンチマークサンプルからなるデータセットを構築した。 このベンチマークは、視覚的専門知識、定量的推論、多段階農業推論を含む多様な機能を評価することができる。 総計で11種類のVLMを評価した。 その結果,タスク固有の微調整により精度が大幅に向上し,Qwen3-VL-4BやQwen3-VL-30Bといったモデルでは最大78%の精度が達成された。 同時に、モデルスケーリングによるゲインは一定の能力を超えて減少し、大豆や綿花の一般化は不均一のままであり、定量的かつ生物学的に根ざした推論が大きな課題を呈し続けている。 これらのことから,PlantXpertは,エビデンスを基盤とした農業推論の基盤として機能し,植物学におけるマルチモーダルモデル開発の進展に寄与することが示唆された。

関連論文リスト

• MHE-Former: Multi-Hypothesis Transformers via Entropy Maximization for 3D Mesh Recovery [80.22216005340283]
  マルチハイプセシス学習と選択によるあいまいなメッシュ回復のための探索-探索-探索パラダイムを導入する。 本稿では,複数の予測のための文脈認識プロセスである仮説選択を提案する。 本フレームワークは,複数のデータセットにまたがる精度と多様性の最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-09-09T18:39:03Z)
• ViroBench: Benchmarking Nucleotide Foundation Models on Viral Genomics Tasks [86.89727311669937]
  我々は、ヌクレオチド基礎モデル(NFM)に特化して設計された最初の包括的かつ大規模ベンチマークであるViroBenchを紹介する。 ViroBench氏は、生物学的理解と潜伏するバイオセキュリティリスクという、2つの重要な側面にわたるモデルを評価し、4つのタスクタイプ内の18のさまざまなシナリオをカバーしている。 ViroBenchは、ウイルスヌクレオチド基盤モデルの研究のための解釈可能、診断的評価および再現可能な測定フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-25T03:31:46Z)
• 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)
• LeafNet: A Large-Scale Dataset and Comprehensive Benchmark for Foundational Vision-Language Understanding of Plant Diseases [0.0]
  LeafBenchは、植物病の理解におけるビジョン・ランゲージ・モデル(VLM)の機能を評価するために開発された視覚的質問応答ベンチマークである。 このデータセットは、97の病気のクラスにまたがる186,000の葉のデジタルイメージとメタデータを組み合わせ、13,950の質問応答ペアを生成する。 LeafBenchデータセット上で12の最先端のVLMをベンチマークした結果,その疾患理解能力の相違が明らかとなった。
  論文  参考訳（メタデータ） (2026-02-14T08:10:27Z)
• Analysis of Plant Nutrient Deficiencies Using Multi-Spectral Imaging and Optimized Segmentation Model [1.4172975813702]
  本研究では,多スペクトルイメージングと拡張YOLOv5モデルを用いた葉の異常セグメンテーションのためのディープラーニングフレームワークを提案する。 このモデルは、9チャンネルのマルチスペクトル入力を処理するために調整されており、微妙で空間的に分散した症状をより正確に捉えるために自己注意機構を使用している。
  論文  参考訳（メタデータ） (2025-07-18T15:25:36Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [28.79416825695514]
  農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。 自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。 表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
  論文  参考訳（メタデータ） (2023-12-22T14:06:44Z)
• Deep Learning for Plant Identification and Disease Classification from Leaf Images: Multi-prediction Approaches [14.73818032506552]
  本研究は,植物識別と病原性分類に関する最近の深層学習手法について調査する。 我々は、GSMo-CNN(Generalized Stacking Multi-output CNN)と呼ばれる新しいモデルを提案する。 提案したGSMo-CNNは,3つのベンチマークデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-25T01:06:18Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)

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。