論文の概要: AgriScope: Pixel-Grounded Multimodal Understanding for Agricultural Images

• arxiv url: http://arxiv.org/abs/2609.20325v1
• Date: Thu, 17 Sep 2026 12:59:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.279006
• Title: AgriScope: Pixel-Grounded Multimodal Understanding for Agricultural Images
• Title（参考訳）: AgriScope: 農業用画像のための画素を囲むマルチモーダル理解
• Abstract要約: AgriScopeは、農業画像理解のための統一されたピクセルグラウンドマルチモーダルフレームワークである。 AgriScopeは統合フレームワーク内でイメージレベル、リージョンレベル、ピクセルレベルの理解をサポートする。 AgriScopeは、生物学的に特異的な意味表現と密集した空間的接地を統合している。
• 参考スコア（独自算出の注目度）: 12.509620079383255
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Agricultural image understanding requires fine-grained recognition of plant diseases, pests, crop structures, and botanical species under complex real-world conditions. Despite recent advances in Multimodal Large Language Models (MLLMs), existing models remain limited to text-only outputs and lack pixel-level visual grounding capabilities. In this work, we introduce AgriScope, a unified pixel-grounded multimodal framework for agricultural image understanding. AgriScope jointly supports image-level, region-level, and pixel-level understanding within a unified framework, enabling tasks such as grounded caption generation, referring expression segmentation, and multi-turn multimodal interaction for agricultural imagery. AgriScope integrates biologically specialized semantic representations with dense spatial grounding through biological-semantic encoding, dense spatial representations, and pixel decoding. To support large-scale grounded learning, we introduce AgriGround, a large-scale pixel-grounded agricultural multimodal instruction-tuning dataset containing over 500K images and 11M instruction-following samples spanning plant disease analysis, crop and weed identification, insect pest recognition, and fine-grained botanical understanding. AgriGround is constructed through a multi-stage automatic annotation pipeline that integrates multimodal caption generation, phrase-level grounding, segmentation mask generation, and task-oriented instruction synthesis to produce densely grounded supervision. Extensive experiments across multiple agricultural vision-language tasks demonstrate the effectiveness of AgriScope in pixel-grounded multimodal understanding, establishing a strong benchmark for agricultural vision-language learning and visual grounding. The dataset and code will be made publicly available at (https://github.com/boudiafA/AgriScope)
• Abstract（参考訳）: 農業イメージ理解には、複雑な実環境下で植物病、害虫、作物構造、植物種の微粒な認識が必要である。 MLLM(Multimodal Large Language Models)の最近の進歩にもかかわらず、既存のモデルはテキストのみの出力に限られており、ピクセルレベルのビジュアルグラウンド機能がない。 本稿では,農業用画像理解のための統一的な画素グラウンドマルチモーダルフレームワークであるAgriScopeを紹介する。 AgriScopeは、統合されたフレームワーク内で画像レベル、領域レベル、ピクセルレベルの理解を共同でサポートし、接地キャプションの生成、表現セグメンテーションの参照、農業画像のためのマルチターンマルチモーダルインタラクションなどのタスクを可能にする。 AgriScopeは生物学的に特異的な意味表現を、生物学的意味的エンコーディング、密度空間表現、ピクセルデコーディングを通じて、密度空間接地と統合する。 大規模接地学習を支援するため,植物病解析,作物・雑草の同定,昆虫害虫認識,植物学の微粒化を対象とする,500K以上の画像と1100万の指示追従サンプルを含む大規模画素接地型農業マルチモーダル指導データセットであるAgriGroundを紹介した。 AgriGroundは多段階の自動アノテーションパイプラインによって構築され、多段階キャプション生成、フレーズレベルのグラウンド、セグメンテーションマスク生成、タスク指向のインストラクション合成を統合して、密接なグラウンド化されたインスペクションを生成する。 複数の農業ビジョン言語タスクにわたる広範囲な実験は、画素接地によるマルチモーダル理解におけるAgriScopeの有効性を示し、農業ビジョン言語学習と視覚接地のための強力なベンチマークを確立した。 データセットとコードは、https://github.com/boudiafA/AgriScope)で公開される。

関連論文リスト

• 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)
• Multi-label Instance-level Generalised Visual Grounding in Agriculture [7.828057950225485]
  視覚的グラウンドリング(VG)は、言語で参照される物体をローカライズするものであり、農業では未探索である。 Weed-VGはマルチラベルの階層的関連性スコアと階層的リグレッションを組み込んだモジュラーフレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T06:55:52Z)
• 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)
• 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)
• PhenoBench -- A Large Dataset and Benchmarks for Semantic Image Interpretation in the Agricultural Domain [29.395926321984565]
  本稿では,実際の農業分野の意味論的解釈のための注釈付きデータセットとベンチマークを提案する。 UAVで記録したデータセットは、作物や雑草の高品質でピクセル単位のアノテーションを提供するだけでなく、作物の葉のインスタンスも同時に提供する。 異なるフィールドで構成された隠れテストセット上で、さまざまなタスクのベンチマークを提供する。
  論文  参考訳（メタデータ） (2023-06-07T16:04:08Z)
• 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)
• High-Quality Entity Segmentation [110.55724145851725]
  CropFormerは高解像度画像におけるインスタンスレベルのセグメンテーションの難易度に対処するために設計されている。 よりきめ細かい画像とフルイメージを提供する高解像度の画像作物を融合することで、マスク予測を改善する。 CropFormerでは、難易度の高いエンティティセグメンテーションタスクで1.9ドルという大きなAP利益を達成しています。
  論文  参考訳（メタデータ） (2022-11-10T18:58:22Z)
• 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。