AgriPath: 作物病害分類におけるアーキテクチャのトレードオフを体系的に探究する

要旨:
信頼性の高い作物病害検知には、多様な取得条件下でも一貫して性能を発揮するモデルが必要ですが、既存の評価はしばしば単一のアーキテクチャファミリや実験室で作成されたデータセットに焦点を当てがちです。本研究は、細分類作物病害分類の3つのモデルパラダイムの体系的実証的比較を提示します: 畳み込みニューラルネットワーク（CNN）、対照的視覚-言語モデル（VLM）、および生成型VLM。
ドメイン効果を統制した分析を可能にするため、AgriPath-LF16というベンチマークを導入します。これは、実験室画像と野外画像を明確に分離し、16品種・41疾病を網羅する111k枚の画像を含み、標準的な訓練・評価のためのバランスの取れた30kサブセットと併設しています。
すべてのモデルは、完全訓練、実験室のみ訓練、現場のみ訓練という統一プロトコルの下で訓練・評価され、マクロF1とParse Success Rate（PSR）を用いて生成モデルの信頼性を考慮します。
結果は、異なる性能プロファイルを示します。CNNはラボ画像で最高の精度を達成しますが、ドメインシフト下で劣化します。対照的視覚-言語モデルは、堅牢でパラメータ効率の高い代替手段を提供し、ドメイン横断で競争力のある性能を示します。生成型VLMは、分布のばらつきに対する最も強い耐性を示しますが、自由テキスト生成に起因する追加の故障モードも生じます。これらの知見は、アーキテクチャの選択は総合的な精度だけでなく、展開状況に応じて導くべきであることを強調します。