論文の概要: WeedExpert-R1: Incentivizing Botanical Reasoning in MLLMs with Reinforcement Learning for Precision Weed Grounding

• arxiv url: http://arxiv.org/abs/2607.16492v1
• Date: Fri, 17 Jul 2026 20:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.158581
• Title: WeedExpert-R1: Incentivizing Botanical Reasoning in MLLMs with Reinforcement Learning for Precision Weed Grounding
• Title（参考訳）: WeedExpert-R1:精密雑草接地のための強化学習によるMLLMの植物推論のインセンティブ化
• Abstract要約: この研究は、検証可能な報酬によって視覚的に接地された植物学的推論を学習するマルチモーダルモデルWeedExpert-R1を紹介した。 WeedExpert-R1-4Bは、IoU閾値0.5、89.30%、87.81パーセントの精度で75.82パーセントの正確なセット精度を達成した。
• 参考スコア（独自算出の注目度）: 5.155445137665098
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Precision weed control requires species-level identification and instance-level localization. However, conventional object detectors use a closed vocabulary, limiting their deployment across regions, and cannot explain their predictions in complex agricultural scenes. Multimodal large language models (MLLMs) offer visual grounding and reasoning capabilities, but insufficient botanical knowledge can cause hallucinations in fine-grained weed identification. This study introduces WeedExpert-R1, a multimodal model that learns visually grounded botanical reasoning through verifiable rewards. A domain-specific Chain-of-Thought synthesis pipeline combines a human-curated botanical trait dictionary with an Auditor-Synthesizer LLM workflow to generate reasoning data for supervised fine-tuning. Group Relative Policy Optimization is then applied with rewards for format, accuracy, instance count, and response length. Across 37 weed species from six datasets, WeedExpert-R1-4B achieved 75.82 percent exact-set precision at an IoU threshold of 0.5, 89.30 percent precision, and 87.81 percent recall. It outperformed proprietary models, including GPT-5.4 and Gemini-3.1-Pro, and larger open-source models, including Qwen3-VL-30B-Instruct and Gemma-4-31B-it. Results on unseen species further demonstrate its open-vocabulary capability and potential for deployment across diverse regions and crops without retraining.
• Abstract（参考訳）: 精密雑草制御には種レベルでの識別とインスタンスレベルの局在が必要である。 しかし、従来の物体検出器は閉じた語彙を使い、その分布を制限し、複雑な農業シーンでは予測を説明できない。 MLLM(Multimodal large language model)は、視覚的接地と推論能力を提供するが、植物学的知識の不足は、雑草の微細な識別において幻覚を引き起こす可能性がある。 この研究は、検証可能な報酬によって視覚的に接地された植物学的推論を学習するマルチモーダルモデルWeedExpert-R1を紹介した。 ドメイン固有のChain-of-Thought合成パイプラインは、人間の培養した植物形質辞書とオーディタ・シンセサイザーLLMワークフローを組み合わせて、教師付き微調整のための推論データを生成する。 グループ相対ポリシー最適化は、フォーマット、正確性、インスタンス数、レスポンス長に対する報酬が適用される。 6つのデータセットから得られた37種の雑草のうち、WeedExpert-R1-4Bは、IoU閾値0.5、89.30%、87.81パーセントの精度で75.82パーセントの正確なセット精度を達成した。 GPT-5.4やGemini-3.1-Proといったプロプライエタリなモデルや、Qwen3-VL-30B-InstructやGemma-4-31B-itといった大規模なオープンソースモデルよりも優れていた。 未確認種の結果は、その開語彙能力と、再訓練なしに様々な地域や作物に展開する可能性をさらに示している。

関連論文リスト

• Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence [45.78409219344429]
  マルチモーダル大言語モデル (MLLM) は, 臨床VQAと放射線学報告の生成に強い期待を示すが, 推測時幻覚は信頼性を損なう。 本稿では,両面のエビデンス注入による幻覚を系統的に緩和する,総合的かつトレーニング不要なエビデンス注入フレームワークを提案する。 textttLLaVA-1.5-7B, texttLLaVA-Med-1.5-7B, texttQwen3-VL-8B/32B, textttInternVL を用いた2つのタスクと5つのデータセットの系統的評価を行った。
  論文  参考訳（メタデータ） (2026-06-30T08:07:25Z)
• Leaf Spectral Reflectance Prediction Using Multi-Head Attention Neural Networks [0.2936007114555107]
  我々は、グレープビーン固有のデータセットに基づいてトレーニングされたニューラルネットワークを用いて、特性-スペクトル予測モデルを開発した。 本モデルでは, 層状化5倍のクロスバリデーションを用いて評価し, 平均決定係数0.84, 正規化根平均二乗誤差(NRMSE)1.2%を達成した。 提案モデルでは,樹冠特性の検索,ブドウ園のモニタリング,リモートセンシングによる作物管理などに応用可能な,正確な葉面反射率データを生成するための堅牢なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-31T19:59:58Z)
• CropVLM: A Domain-Adapted Vision-Language Model for Open-Set Crop Analysis [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-05T01:17:27Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• Explainable AI for Diabetic Retinopathy Detection Using Deep Learning with Attention Mechanisms and Fuzzy Logic-Based Interpretability [0.0]
  本稿では,雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。 クラスロバスト性をバランスさせ,モデルの一般化を図るため,GANに基づく拡張手法が導入された。 実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-11-20T12:17:00Z)
• A Hybrid CNN-ViT-GNN Framework with GAN-Based Augmentation for Intelligent Weed Detection in Precision Agriculture [0.0]
  本稿では,雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。 クラスロバスト性をバランスさせ,モデルの一般化を図るため,GANに基づく拡張手法が導入された。 実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-11-19T15:32:08Z)
• When Models Lie, We Learn: Multilingual Span-Level Hallucination Detection with PsiloQA [46.50540400870401]
  PsiloQAは、14言語にまたがるスパンレベルの幻覚を付加した、大規模な多言語データセットである。 我々のデータセットと結果は、多言語設定におけるスケーラブルできめ細かい幻覚検出の開発を促進する。
  論文  参考訳（メタデータ） (2025-10-06T14:36:30Z)
• Escaping the SpuriVerse: Can Large Vision-Language Models Generalize Beyond Seen Spurious Correlations? [37.703287009808896]
  微調整は、非重要特徴とターゲットラベルの間に急激な相関を引き起こす可能性がある。 実世界の視覚探索探索(VQA)ベンチマークにおいて,GPT-4oエラーを抽出してベンチマークを作成する。 SpuriVerse上で15のオープンソースLVLMを評価し、最先端のクローズドソースモデルでもかなり苦労していることを発見した。
  論文  参考訳（メタデータ） (2025-06-23T06:11:43Z)
• ZINA: Multimodal Fine-grained Hallucination Detection and Editing [46.2482873419289]
  MLLM(Multimodal Large Language Models)はしばしば幻覚を発生させ、出力は視覚的内容から逸脱する。 本稿では,MLLMの微細な幻覚の検出と編集を行う新しいタスクを提案する。 ZINAは,角化したスパンをきめ細かいレベルで識別し,エラータイプを6つのカテゴリに分類し,適切な改善を提案する。
  論文  参考訳（メタデータ） (2025-06-16T06:27:59Z)
• WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields [0.7421845364041001]
  雑草は作物の収穫が減少する主な原因の1つであるが、現在の雑草の慣行は、効率的で標的とした方法で雑草を管理するのに失敗している。 農作物畑における作物と雑草のセマンティックスとインスタンスセグメンテーションのための新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2025-02-18T18:13:19Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Investigating Hallucinations in Pruned Large Language Models for Abstractive Summarization [37.55557353462219]
  プルーニング(Pruning)は、余分な重みを取り除くことによってモデルサイズを減らす手法であり、より効率的なスパース推論を可能にする。 本稿では,5つの要約データセット,2つの最先端プルーニング手法,および5つの命令調整LDMに関する実証的研究を行う。 驚いたことに、幻覚はオリジナルのモデルに比べて、刈り取られたLLMからそれほど多くない。
  論文  参考訳（メタデータ） (2023-11-15T19:49:24Z)

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。