論文の概要: AgroGround: Multi-Granularity Grounded Recognition in Agriculture

• arxiv url: http://arxiv.org/abs/2610.04425v1
• Date: Sat, 03 Oct 2026 10:27:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:45:29.063762
• Title: AgroGround: Multi-Granularity Grounded Recognition in Agriculture
• Title（参考訳）: AgroGround:農業におけるマルチグラニュラリティの接地認識
• Abstract要約: グラウンドド農業認識のための大規模データセットであるAgroGroundを紹介した。 自動パイプラインは、8つの農業用VQAデータセットのラベルを、疾患やオブジェクト全体のアノテーションに変換する。 我々は,1,480個の人物認証画像に対して,予測されたアイデンティティ,領域,関節の正しさ,および健康像の棄却を評価した。
• 参考スコア（独自算出の注目度）: 2.0068982830917563
• License:
• Abstract: Agricultural visual models are typically evaluated for either recognition or localization, but reliable diagnosis requires identifying what is present and localizing the evidence. Agricultural visual question answering (VQA) datasets carry rich semantic labels but rarely link them to image regions, and adding such annotations by hand is costly at scale. We introduce AgroGround, a large-scale dataset for grounded agricultural recognition: identifying plant diseases and other agricultural targets and localizing their image regions. An automated pipeline converts the labels of eight agricultural VQA datasets into annotations for disease lesions and whole objects, producing 794,850 instruction examples. Healthy images provide negative supervision for disease queries, teaching the model to return empty predictions. We fine-tune a shared vision-language model on known-target grounding instructions combined with instructions requiring both recognition and localization. We evaluate predicted identities, regions, joint correctness, and healthy-image abstention on 1,480 human-verified images disjoint from all training data. Grounding-only fine-tuning reduces recognition accuracy from 51.8\% to 29.1\%, while adding recognition-and-localization instructions raises it to 72.6\%. With images and annotations held fixed, combining the two formats raises joint accuracy from 19.2\% to 43.3\% at comparable grounding. Healthy negatives raise abstention on healthy images to 95.0\%, and reinforcement learning improves lesion-level grounding. The resulting 2B model exceeds its annotation teacher in grounding F1 on our benchmark and on the external PlantSeg test set. AgroGround establishes a benchmark for grounded agricultural recognition, measuring joint correctness of identity and localization along with abstention on healthy images. The code is available at https://github.com/AB-Abdulla/AgroGround.
• Abstract（参考訳）: 農業の視覚モデルは通常、認識またはローカライゼーションのために評価されるが、信頼できる診断には証拠の特定とローカライゼーションが必要である。 農業用視覚質問応答(VQA)データセットは、リッチなセマンティックラベルを持っているが、イメージ領域にリンクすることは滅多にない。 AgroGroundは、植物病やその他の農業ターゲットを特定し、画像領域をローカライズする大規模農業認識データセットである。 自動パイプラインは、8つの農業用VQAデータセットのラベルを、疾患やオブジェクト全体のアノテーションに変換し、794,850のインストラクション例を生成する。 健康な画像は、疾患のクエリを否定的に監視し、空の予測を返すようにモデルに教える。 我々は、認識とローカライゼーションの両方を必要とする命令と組み合わせて、未知の接地命令の共有視覚言語モデルを微調整する。 全トレーニングデータから外れた1,480個の人体認証画像に対して,予測されたアイデンティティ,領域,関節の正しさ,および健康像の棄却を評価した。 接地のみの微調整により、認識精度は51.8\%から29.1\%に低下し、認識/局所化命令を追加すると72.6\%に上昇する。 画像とアノテーションが固定されているため、この2つのフォーマットを組み合わせると、関節の精度は19.2\%から43.3\%に向上する。 健康な陰性は健康な画像に対する禁忌を95.0 %に引き上げ、強化学習は病変レベルの接地を改善する。 結果として得られた2Bモデルは、私たちのベンチマークと外部の PlantSeg テストセットに F1 を基礎付ける際に、アノテーションの教師を超えます。 AgroGroundは、健全な画像の保持とともに、アイデンティティとローカライゼーションの結合正しさを計測する、接地型農業認識のベンチマークを確立している。 コードはhttps://github.com/AB-Abdulla/AgroGround.comで入手できる。

関連論文リスト

• AgroVG: A Large-Scale Multi-Source Benchmark for Agricultural Visual Grounding [8.14714857077801]
  一般化された集合予測として農業接地を定式化するベンチマークである textbfAgroVG を導入する。 AgroVGは6つのファミリーすべてにわたるバウンディングボックスのグラウンドと、信頼できるインスタンスレベルのピクセルアノテーションを持つソースに基づくインスタンスマスクグラウンドをサポートする。
  論文  参考訳（メタデータ） (2026-05-21T06:10:58Z)
• 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)
• Self-Consistency in Vision-Language Models for Precision Agriculture: Multi-Response Consensus for Crop Disease Management [0.0]
  本研究は,プロンプトベースのエキスパート評価と自己整合性機構を組み合わせた,農業用画像処理のためのドメイン認識フレームワークを提案する。 本稿では,(1)画像解析出力のスケーラブルな評価のために,言語モデルを専門植物病理学者として構成するプロンプトベース評価プロトコル,(2)農業画像から複数の候補応答を生成するコサイン一貫性自己投票機構を紹介する。 診断精度は82.2%から87.8%,症状分析38.9%から52.2%,治療推奨27.8%から43.3に改善した。
  論文  参考訳（メタデータ） (2025-07-08T18:32:21Z)
• Seeing the Trees for the Forest: Rethinking Weakly-Supervised Medical Visual Grounding [45.248265283405004]
  現在のモデルは、非効率な注意機構ときめ細かいトークン表現の欠如により、テキスト記述と病気領域を関連付けるのに苦労している。 本稿では、VLMの説明可能性マップを用いて、適切な画像特徴を識別する病原体認識プロンプト(DAP)を提案する。 DAPは3つの主要な胸部X線データセットの最先端手法と比較して、視覚的接地精度を20.74%向上させる。
  論文  参考訳（メタデータ） (2025-05-21T05:16:45Z)
• Data Augmentation through Background Removal for Apple Leaf Disease Classification Using the MobileNetV2 Model [0.0]
  本研究の目的は,実環境下での撮影画像におけるリンゴ葉病の分類性能に対するデータ拡張手法の効果を評価することである。 提案手法は植物病理データベース上で98.71%の分類精度を達成し, 約3%の改善, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-29T16:06:34Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Transferring learned patterns from ground-based field imagery to predict UAV-based imagery for crop and weed semantic segmentation in precision crop farming [3.95486899327898]
  雑草の区分けのために,UAVのフィールド画像と空中画像の両方を予測できる深層畳み込みネットワークを開発した。 ネットワーク学習プロセスは、浅い層と深い層のフィーチャーマップによって視覚化される。 この研究は、深層畳み込みニューラルネットワークが、フィールド画像と空中画像の両方から雑草を分類するために使用できることを示した。
  論文  参考訳（メタデータ） (2022-10-20T19:25:06Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)

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。