論文の概要: PlantVLM-Edge: Quantized Vision-Language Models for On-Device Crop Health Diagnosis

• arxiv url: http://arxiv.org/abs/2611.03557v1
• Date: Mon, 02 Nov 2026 18:19:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:51:51.535708
• Title: PlantVLM-Edge: Quantized Vision-Language Models for On-Device Crop Health Diagnosis
• Title（参考訳）: PlantVLM-Edge:オンデバイス作物健康診断のための量子ビジョン言語モデル
• Abstract要約: 本稿では,会話型作物の健康診断のための定量化ビジョン言語フレームワークであるPlantVLM-Edgeを提案する。 リソース制約のあるエッジデバイスで完全に動作する。 最もコンパクトな形式では、PlantVLM-Edgeは2.01 GiBの重量メモリを必要とし、約0.12秒で最初のトークンを返却し、0.78秒で64トークンの診断応答を完了する。
• 参考スコア（独自算出の注目度）: 8.935440787255546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Timely and accurate crop health diagnosis is essential for sustainable agricultural production, yet accurate diagnosis often requires expert knowledge that is not readily available. Recent vision-language models (VLMs) have demonstrated remarkable capabilities in visual understanding, reasoning, and natural-language interaction, creating new opportunities for intelligent crop health assessment. However, deploying VLMs on resource-constrained devices remains challenging due to their substantial computational and memory requirements. This paper presents PlantVLM-Edge, a quantized vision-language framework for conversational crop health diagnosis that can run entirely on resource-constrained edge devices. PlantVLM-Edge combines agricultural domain adaptation, post-training quantization, and on-device serving with an offline chat interface, allowing growers to ask open-ended questions and receive diagnoses, symptom explanations, and management guidance without cloud connectivity. The framework is backbone-agnostic: we validate it with two different VLM types with varying scale and architecture (Qwen3-VL-2B and LLaVA-1.5-7B), four quantization schemes, and two diagnostic domains (plant diseases and insect pests), and we deploy all variants on an NVIDIA Jetson AGX Orin. Eight-bit quantization affects answer quality minimally relative to the full-precision model, and 4-bit activation-aware weight quantization (AWQ) retains 98.6% of full-precision answer quality on both domains while reducing the weight memory of the 2B backbone by 49%. In its most compact form, PlantVLM-Edge requires 2.01 GiB of weight memory, returns its first token in about 0.12 s, and completes a 64-token diagnostic response in 0.78 s. These results demonstrate that timely and accurate crop health diagnosis is practical on edge devices, providing a foundation for next-generation crop monitoring and decision support systems.
• Abstract（参考訳）: タイムリーで正確な作物の健康診断は持続可能な農業生産に不可欠であるが、正確な診断は入手できない専門家の知識を必要とすることが多い。 最近の視覚言語モデル(VLM)は、視覚的理解、推論、自然言語の相互作用において顕著な能力を示し、インテリジェントな作物の健康評価のための新たな機会を生み出している。 しかしながら、リソース制約のあるデバイスにVLMをデプロイすることは、かなりの計算とメモリの要求のため、依然として困難である。 本稿では,資源制約されたエッジデバイス上で完全に動作可能な,対話型作物の健康診断のための定量化ビジョン言語フレームワークであるPlantVLM-Edgeを提案する。 PlantVLM-Edgeは、農業領域の適応、トレーニング後の量子化、デバイス上でのオンデバイスサービスとオフラインのチャットインターフェースを組み合わせることで、農家がオープンな質問をしたり、診断、症状の説明、クラウド接続なしで管理ガイダンスを受け取ることができる。 本フレームワークは,異なるスケールとアーキテクチャを持つ2つの異なるVLMタイプ(Qwen3-VL-2BとLLaVA-1.5-7B)と4つの量子化スキーム,および2つの診断ドメイン(植物病と昆虫害虫)で検証し,NVIDIA Jetson AGX Orinにすべての変種をデプロイする。 8ビットの量子化は、全精度モデルに対して最小限の応答品質に影響を与え、4ビットのアクティベーション対応重量量子化(AWQ)は、2Bバックボーンの重量メモリを49%削減しながら、両方の領域で98.6%の完全精度の応答品質を維持している。 最もコンパクトな形式では、PlantVLM-Edgeは2.01 GiBの重量メモリを必要とし、約0.12秒で最初のトークンを返却し、0.78秒で64トークンの診断応答を完了する。 これらの結果は、エッジデバイス上での時間的かつ正確な作物の健康診断が実用的であることを示し、次世代の作物モニタリングおよび意思決定支援システムの基礎となっている。

関連論文リスト

• MedFG-VQA: Low-Frequency Memory and Graph Attention for Lightweight Medical VQA [55.12170695219291]
  MedFG-VQAは、DCTベースの低周波機能を強化し、効果的な視覚・テキストアライメントにグラフ強化のクロスアテンションを使用する軽量フレームワークである。 データ不足に対処するため、SynMed-VQAという大規模な合成データセットを構築した。
  論文  参考訳（メタデータ） (2026-08-27T09:16:14Z)
• CARE-X: Towards Clinically Useful Radiology VLMs with Auxiliary Supervision, Reward-Aligned Learning, and Tool-Augmented Measurement [3.586844533420584]
  本稿では,胸部X線ビジョンランゲージモデル(VLM)であるCARE-Xを紹介する。 CARE-Xは、言語モデリングの目的と協調して訓練された、焦点空間の分類と複合空間の接地ヘッドにより、その生成バックボーンを増強する。 その結果は、4つのレポートジェネレーションベンチマークの大多数における最先端のパフォーマンス、ReXVQAにおける94.0%のVQA精度、および専用の検出ヘッドとほぼ同値な生成空間デコーディングが得られた。
  論文  参考訳（メタデータ） (2026-08-04T16:23:39Z)
• Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
  ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。 3つの主要なコンポーネントを特徴とするフレームワークを提案する。 診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
  論文  参考訳（メタデータ） (2026-06-24T08:24:45Z)
• MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
  ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。 本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。 今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
  論文  参考訳（メタデータ） (2026-06-04T20:24:47Z)
• 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)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• A quantum inspired predictor of Parkinsons disease built on a diverse, multimodal dataset [0.0]
  世界最速の神経変性疾患であるパーキンソン病は、わずか2年で50%増加した。 我々のモデルは90%の精度、AUCは0.98の精度でベンチマークモデルを上回っている。
  論文  参考訳（メタデータ） (2024-11-25T18:29:12Z)
• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)

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。