論文の概要: TomaMMU: A Comprehensive Multimodal Understanding Benchmark for Tomato Leaf Diseases
- arxiv url: http://arxiv.org/abs/2608.08727v1
- Date: Sun, 09 Aug 2026 14:20:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.925434
- Title: TomaMMU: A Comprehensive Multimodal Understanding Benchmark for Tomato Leaf Diseases
- Title（参考訳）: トマトリーフ病に対する総合的マルチモーダル理解ベンチマークTomaMMU
- Abstract要約: このギャップに対処するために,大規模トマト葉病のマルチモーダル理解データセットであるTomaMMUを紹介する。
TomaMMUは15のカテゴリにまたがる28,808の高品質な画像と213,119の視覚的質問応答対で構成されている。
トマベンチは7つの農業タスクを基本認識、病理理解、専門家診断にまたがる階層的な3段階の分類に分類している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To address this gap, we introduce TomaMMU, a large-scale Tomato leaf disease MultiModal Understanding dataset, alongside TomaBench, a benchmark for evaluating VLMs on tomato disease understanding. TomaMMU comprises 28,808 high-quality images spanning 15 categories and 213,119 human-annotated visual question-answer pairs, generated through a three-stage pipeline comprising Data Collection, Human Annotation, and Question-Answer Generation. Building on this foundation, TomaBench organizes seven agricultural tasks into a hierarchical three-level taxonomy spanning Basic Perception, Pathology Understanding, and Expert Diagnosis, which together enable systematic evaluation from low-level visual recognition to high-level diagnostic reasoning. The tasks assess visual symptom recognition, taxonomic relationships, and diagnostic reasoning, offering a comprehensive view of how well models grasp plant pathology. Our results pronounced gaps in fine-grained recognition and factually grounded reasoning with 14 state-of-the-art VLMs, consistently underperforming on both challenging MCQs and open-ended questions. These results suggest that current VLMs struggle to translate visual perception into reliable diagnostic knowledge, motivating the need for targeted domain adaptation. Simple fine-tuning on TomaMMU substantially narrows this gap, boosting accuracy on challenging MCQs to 96.09%, outperforming recent VLMs, and pointing toward promising directions for future work. All data and code is available in https://huggingface.co/datasets/enalis/TomaMMU.
- Abstract（参考訳）: このギャップに対処するため,大規模トマト葉病のマルチモーダル理解データセットであるTomaMMUと,トマト病理解におけるVLMの評価ベンチマークであるTomaBenchを紹介する。
TomaMMUは15のカテゴリにまたがる28,808の高品質な画像と213,119の視覚的質問応答ペアで構成され、データコレクション、ヒューマンアノテーション、質問応答生成からなる3段階のパイプラインを通して生成される。
この基盤に基づいて、トマベンチは7つの農業タスクを基本認識、病理理解、専門家診断にまたがる階層的な3段階の分類に編成し、低レベルの視覚認識から高レベルの診断推論への体系的な評価を可能にする。
このタスクは、視覚症状の認識、分類学的関係、診断的推論を評価し、モデルが植物病理をいかによく把握するかを包括的に把握する。
その結果,14個の最先端のVLMを用いて,微粒化認識と事実的根拠に基づく推論のギャップが明らかとなり,MCQとオープンエンドの問合せの双方において,常に不利な結果が得られた。
これらの結果から,現在のVLMは視覚認識を信頼性のある診断知識に変換するのに苦慮し,対象とする領域適応の必要性が示唆された。
TomaMMUの単純な微調整により、このギャップは大幅に狭まり、MCQの挑戦の精度は96.09%に向上し、最近のVLMを上回り、将来の作業に向けて有望な方向に向かっている。
すべてのデータとコードはhttps://huggingface.co/datasets/enalis/TomaMMUで入手できる。
関連論文リスト
- PathView-Bench: Can Multimodal Large Language Models Achieve Fine-grained Multiscale Understanding of Pathology Images? [21.473702959414737]
PathVUは、コンピュータ病理学における細粒度およびマルチスケールの視覚的理解のための、視覚適応型ベンチマークである。
PathVUはMLLMの理解を,高分解能な局所領域の領域FOVとマクロな全体スライダービューのSlide FOVの2つの視点で評価する。
ベンチマークには14のVQAスタイルのタスク、61,673のイメージ、28の臓器にわたる308,070のサンプル、7,253,526のアノテーションが含まれている。
論文 参考訳（メタデータ） (2026-07-30T14:53:51Z) - Benchmarking Large Vision-Language Models on Fine-Grained Image Tasks: From Evaluation to Diagnosis [63.49939245944781]
我々は1100万の質問と0.28万の画像を含む総合的なきめ細かい評価ベンチマークであるFG-BMKを紹介する。
現在のLVLMは、視覚的表現、セマンティックグラウンドディング、モダリティアライメント、カテゴリーレベルの知識において、相互に絡み合ったボトルネックから生じる障害を伴って、微粒化認識器が不十分なままである。
論文 参考訳（メタデータ） (2026-06-17T13:23:26Z) - DeepTumorVQA: A Hierarchical 3D CT Benchmark for Stage-Wise Evaluation of Medical VLMs and Tool-Augmented Agents [15.131996289027926]
本稿では,3次元CT推論を,認識,計測,視覚的推論,医学的推論の4段階に分解する階層的ベンチマークを提案する。
このベンチマークには、42種類の臨床サブタイプに対して、9,262個の3DCTボリュームに対して476Kの質問が含まれている。
論文 参考訳（メタデータ） (2026-05-10T17:57:57Z) - 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) - M3CoTBench: Benchmark Chain-of-Thought of MLLMs in Medical Image Understanding [66.78251988482222]
CoT(Chain-of-Thought)推論は、ステップバイステップの中間推論を奨励することによって、大規模言語モデルの強化に有効であることが証明されている。
医用画像理解のための現在のベンチマークでは、推論パスを無視しながら最終回答に重点を置いている。
M3CoTBenchは、透明で信頼性が高く、診断的に正確な医療用AIシステムの開発を促進することを目的としている。
論文 参考訳（メタデータ） (2026-01-13T17:42:27Z) - AI for Mycetoma Diagnosis in Histopathological Images: The MICCAI 2024 Challenge [21.40840730878347]
菌糸体腫(Mycetoma)は、菌類や細菌が組織障害や障害を引き起こす原因となる、無視された熱帯性疾患である。
本稿では,AI ソリューションによる筋腫の診断を促進するために組織された mycetoma Micro Image: Detect and Classify Challenge (mAIcetoma) の概要について述べる。
論文 参考訳（メタデータ） (2025-12-25T21:46:33Z) - MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。
まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。
次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-10-24T02:11:05Z) - EH-Benchmark Ophthalmic Hallucination Benchmark and Agent-Driven Top-Down Traceable Reasoning Workflow [43.82288530883818]
EH-Benchmarkは、医学大言語モデルにおける幻覚を評価するために設計された新しい眼科ベンチマークである。
特定のタスクとエラータイプに基づいて幻覚を視覚的理解と論理的構成の2つの主要クラスに分類する。
我々のフレームワークは、両方の幻覚、精度、解釈可能性、信頼性を著しく軽減します。
論文 参考訳（メタデータ） (2025-07-24T12:07:36Z) - Can MLLMs Guide Me Home? A Benchmark Study on Fine-Grained Visual Reasoning from Transit Maps [56.76175383189738]
MLLMの詳細な視覚的理解と空間的推論能力を評価するためのベンチマークであるReasonMapを紹介する。
ReasonMapには、13か国30都市からの高解像度のトランジットマップが含まれており、2つの質問タイプと3つのテンプレートにまたがる1008の質問応答ペアが含まれている。
基本および推論変種を含む15種類のMLLMの包括的評価は、直感的パターンを示す。
論文 参考訳（メタデータ） (2025-05-24T12:33:52Z) - Grounded Chain-of-Thought for Multimodal Large Language Models [66.04061083611863]
我々は,GCoT(Gunded Chain-of-Thought)と呼ばれるマルチモーダル大規模言語モデル(MLLM)の新しい学習タスクを提案する。
GCoTは、MLLMが関連する視覚的手がかりを段階的に認識し、グラウンド化するのを支援し、グラウンド化座標による正しい解を直感的に予測する。
この作業を容易にするために,5,033画像に対して24,022 GCoT例からなるマルチモーダルグラウンドド・チェーン・オブ・ソート(MM-GCoT)と呼ばれるデータセットを慎重に設計し,構築する。
論文 参考訳（メタデータ） (2025-03-17T04:07:47Z) - GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI [67.09501109871351]
LVLM(Large Vision-Language Model)は、画像、テキスト、生理学的信号などの多様なデータタイプを扱うことができる。
GMAI-MMBenchは、よく分類されたデータ構造と、これまででもっとも包括的な一般医療用AIベンチマークである。
38の医療画像モダリティ、18の臨床関連タスク、18の部門、視覚質問回答(VQA)フォーマットの4つの知覚的粒度からなる284のデータセットで構成されている。
論文 参考訳（メタデータ） (2024-08-06T17:59:21Z)
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。