論文の概要: CropVLM: A Domain-Adapted Vision-Language Model for Open-Set Crop Analysis

• arxiv url: http://arxiv.org/abs/2605.03259v1
• Date: Tue, 05 May 2026 01:17:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.702663
• Title: CropVLM: A Domain-Adapted Vision-Language Model for Open-Set Crop Analysis
• Title（参考訳）: CropVLM: Open-Set Crop Analysisのためのドメイン適応型ビジョンランゲージモデル
• Authors: Abderrahmene Boudiaf, Sajd Javed,
• Abstract要約: 農業領域に適応した視覚言語モデルであるCropVLMについて,ドメイン特化セマンティックアライメント(DSSA)を用いて紹介する。 CropVLMは、自然条件下で37種をカバーする52,987個の手動で選択された画像キャプチャーペアで訓練されている。 CropVLMは、総合評価において、72.51%のゼロショット分類精度を達成し、7つのCLIPスタイルのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-throughput plant phenotyping, the quantitative measurement of observable plant traits, is critical for modern breeding but remains constrained by a "phenotyping bottleneck," where manual data collection is labor-intensive and prone to observer bias. Conventional closed-set computer vision systems fail to address this challenge, as they require extensive species-specific annotation and lack the flexibility to handle diverse breeding populations. To bridge this gap, we present CropVLM, a Vision-Language Model (VLM) adapted for the agricultural domain via Domain-Specific Semantic Alignment (DSSA). Trained on 52,987 manually selected image-caption pairs covering 37 species in natural field conditions, CropVLM effectively maps agronomic terminology to fine-grained visual features. We further introduce the Hybrid Open-Set Localization Network (HOS-Net), an architecture that integrates CropVLM to enable the detection of novel crops solely from natural language descriptions without retraining. By eliminating the reliance on species-specific training data, CropVLM provides a scalable solution for high-throughput phenotyping, accelerating genetic gain and facilitating large-scale biodiversity research essential for sustainable agriculture. The trained model weights and complete pipeline implementation are publicly available at: [https://github.com/boudiafA/CropVLM](https://github.com/boudiafA/CropVLM). In comprehensive evaluations, CropVLM achieves 72.51% zero-shot classification accuracy, outperforming seven CLIP-style baselines. Our detection pipeline demonstrates superior zero-shot generalization to novel species, achieving 49.17 AP50 on our CVTCropDet benchmark and 50.73 AP50 on tropical fruit species, compared to 34.89 and 48.58 for the next-best method, respectively.
• Abstract（参考訳）: 植物形質の定量的測定である高スループット植物表現法は、近代的な育種には重要であるが、手作業によるデータ収集が労働集約的であり、観察者の偏見の傾向にある「表現的ボトルネック」に制約されている。 従来のクローズドセットコンピュータビジョンシステムは、幅広い種固有のアノテーションを必要とし、多様な繁殖集団を扱う柔軟性が欠如しているため、この課題に対処することができない。 このギャップを埋めるために、我々は、Dandian-Specific Semantic Alignment (DSSA)を介して農業領域に適応したビジョンランゲージモデル(VLM)であるCropVLMを提示する。 自然条件下で37種をカバーした52,987枚の手動で選択された画像キャプチャーで訓練されたCropVLMは、農業用語をきめ細かな視覚的特徴に効果的にマッピングする。 さらに,CropVLMを統合したHybrid Open-Set Localization Network (HOS-Net)を導入し,新たな作物の検出を可能にする。 種別訓練データへの依存をなくすことで、CropVLMは、高スループット表現型化、遺伝的ゲインの促進、持続可能な農業に不可欠な大規模生物多様性研究の促進のためのスケーラブルなソリューションを提供する。 トレーニングされたモデルウェイトと完全なパイプライン実装は、[https://github.com/boudiafA/CropVLM](https://github.com/boudiafA/CropVLM]で公開されています。 CropVLMは、総合評価において、72.51%のゼロショット分類精度を達成し、7つのCLIPスタイルのベースラインを上回っている。 CVTCropDetベンチマークでは49.17 AP50が,熱帯果実では50.73 AP50が,次世代では34.89,48.58がそれぞれ達成された。

関連論文リスト

• ReLeaf: Benchmarking Leaf Segmentation across Domains and Species [2.446672595462589]
  葉レベルセグメンテーションは、作物の健康、成長動態、収量電位、局所的なストレス症状を評価するために用いられる。 進歩は、特に種の範囲に関して、専用のデータセットの欠如によって制限されている。 そこで我々は,植物23種を対象に,選択したCropAndWeed画像の半自動アノテーションを用いて,葉面マスクを用いた新しいベンチマークデータセットを提案する。 既存の4つのデータセットでトレーニングされたモデルでは、対応するテストセット間で平均mAP50-95が83.9%、新しいベンチマークでは40.2%となる。
  論文  参考訳（メタデータ） (2026-05-05T14:11:52Z)
• TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
  Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。 我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。 トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。 埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T13:28:07Z)
• Vision-Language Semantic Grounding for Multi-Domain Crop-Weed Segmentation [6.56750055693609]
  作物雑草の細粒化は、精密農業における標的除草剤の応用に不可欠である。 既存のディープラーニングモデルは、データセット固有の視覚的特徴に依存するため、一般化に苦慮している。 この制限に対処する新しいフレームワークであるビジョン・ランゲージ・ウィード(VL-WS)を提案する。
  論文  参考訳（メタデータ） (2026-02-27T04:53:18Z)
• Are vision-language models ready to zero-shot replace supervised classification models in agriculture? [0.8594140167290097]
  視覚モデル(VLM)は、視覚認識タスクのための汎用的なソリューションとして提案されている。 我々は、AgMLコレクションから27の農業分類データセットに基づいて、多様なオープンおよびクローズドソースのVLMをベンチマークする。
  論文  参考訳（メタデータ） (2025-12-17T21:22:44Z)
• 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)
• Transfer Learning and Mixup for Fine-Grained Few-Shot Fungi Classification [0.0]
  本稿では,FungiCLEF 2025コンペティションの取り組みについて述べる。 FungiTastic Few-Shotデータセットを使用した、数ショットのきめ細かい視覚分類に焦点を当てている。
  論文  参考訳（メタデータ） (2025-07-11T01:21:21Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Improving Visual Grounding by Encouraging Consistent Gradient-based Explanations [58.442103936918805]
  注意マスク整合性は,従来の方法よりも優れた視覚的グラウンドリング結果が得られることを示す。 AMCは効率的で実装が容易であり、どんな視覚言語モデルでも採用できるため一般的である。
  論文  参考訳（メタデータ） (2022-06-30T17:55:12Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。