論文の概要: AgriField-40K: Adapting Vision Models to Agriculture With Efficient Continual Pretraining

• arxiv url: http://arxiv.org/abs/2608.07984v1
• Date: Sat, 08 Aug 2026 07:38:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.593053
• Title: AgriField-40K: Adapting Vision Models to Agriculture With Efficient Continual Pretraining
• Title（参考訳）: AgriField-40K: 効率的な継続的な事前訓練による農業へのビジョンモデルの適用
• Abstract要約: AgriField-40Kは17の公共リソースからキュレーションされたフィールド中心のデータセットで、さまざまな作物、雑草、畑の状態をカバーする。 本稿では,パラメータ効率のよい連続事前学習ベースラインであるAgriMAEについて述べる。
• 参考スコア（独自算出の注目度）: 2.5794915063815664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Field-based agricultural computer vision is important for precision agriculture, yet it largely depends on expensive annotations and costly adaptation of large pretrained models. We introduce AgriField-40K, a field-centric dataset curated from 17 public resources and covering diverse crops, weeds, and field conditions. Building on this, we present AgriMAE, a parameter-efficient continual pretraining baseline that adapts a masked autoencoder pretrained on natural images by training only lightweight adapters. We further explore semantic feature reconstruction as an alternative pretraining objective and evaluate transfer across multiple tasks. AgriMAE consistently improves downstream performance and can match or even outperform full fine-tuning while using up to $9\times$ fewer trainable parameters, showing that AgriField-40K is a practical resource for continual pretraining in agricultural vision. Project page: https://dtu-pas.github.io/agrifield40k/
• Abstract（参考訳）: フィールドベースの農業用コンピュータビジョンは精密農業において重要であるが、高価なアノテーションと大規模な事前訓練モデルへの費用のかかる適応に依存している。 本稿では,AgriField-40Kについて紹介する。AgriField-40Kは17の公共リソースから算出されたフィールド中心のデータセットで,さまざまな作物,雑草,畑の条件をカバーしている。 そこで我々は,AgriMAEを提案する。AgriMAEはパラメータ効率のよい連続事前学習ベースラインであり,軽量アダプタのみをトレーニングすることで,自然画像に事前学習したマスク付きオートエンコーダを適応させる。 さらに,意味的特徴再構成を事前学習の代替目的として検討し,複数のタスク間での伝達を評価する。 AgriMAEは、ダウンストリームのパフォーマンスを継続的に改善し、最大9ドル以上のトレーニング可能なパラメータを使わずに、完全な微調整にマッチしたり、性能を上回ります。 プロジェクトページ: https://dtu-pas.github.io/agrifield40k/

関連論文リスト

• SPROUT: A Scalable Diffusion Foundation Model for Agricultural Vision [9.97076567386076]
  大規模未ラベルデータで事前訓練されたビジョンファンデーションモデル(VFM)は、一般的なコンピュータビジョンタスクにおいて顕著な成功を収めた。 SPROUT$$S$calable $P$lant $R$epresentation model via $O$pen-field $U$nsupervised $T$raining, is a multi-crop, multi-task agricultural foundation model trained via diffusion denoising。
  論文  参考訳（メタデータ） (2026-03-29T04:55:52Z)
• 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)
• 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)
• Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases [49.782064512495495]
  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。
  論文  参考訳（メタデータ） (2024-12-03T04:34:23Z)
• Generative Adapter: Contextualizing Language Models in Parameters with A Single Forward Pass [109.34230156454574]
  大規模言語モデル(LM)は一般的に、新しい文脈におけるパフォーマンスを改善するために適応される。 微調整によってトレーニングコストが大幅に増加し、推論オーバーヘッドが増加する。 我々は、新しいコンテキストを低ランクLMアダプタに直接マッピングする効率的で効率的な適応手法である$GenerativeAdapter$を紹介した。
  論文  参考訳（メタデータ） (2024-11-08T00:42:47Z)
• 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)
• 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)
• Self-Supervised Backbone Framework for Diverse Agricultural Vision Tasks [0.3683202928838613]
  農業におけるコンピュータビジョンは、農業をデータ駆動で正確で持続可能な産業に変えるために、ゲームを変える。 ディープラーニングは農業のビジョンに力を与えて、膨大な複雑な視覚データを分析するが、大きな注釈付きデータセットの可用性に大きく依存している。 本研究では,ResNet-50のバックボーンを実世界の農地画像の大規模データセット上に事前学習するための,コントラスト学習手法であるSimCLRを用いた軽量フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-22T14:46:51Z)
• Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
  サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。 しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。 本稿では,知識蒸留を用いた領域一般化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-03T14:28:29Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)
• 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。