安全性が重要なドローンおよびエッジビジョンシステムにおいて、物体検出はAI駆動の認識の基本機能であり、災害対応、運用セキュリティ環境、インフラ監視、防衛用途などに広く利用されている。これらの環境でロバストなモデル性能を実現するには、大規模で継続的に更新されるデータセットが必要である。しかし、高性能検出器の訓練は通常、航空画像の集中化を必要とし、プライバシー、規制、ストレージ、帯域幅の問題を引き起こす。特に分散ドローン展開では、視覚データがオンボードで生成され、集中インフラへの転送が非現実的または望ましくない場合が多い。
本研究では、物体検出に連合学習（FL）を適用し、ドローンが画像データをローカルに保持したまま共有モデルを改善できるようにする。Sherpa.ai FLプラットフォーム上でKIIT-MiTAデータセットを用いて連合物体検出パイプラインを実装し、単一ドローンおよび集中ベースラインと平均精度（mAP）をIoU閾値0.50および0.50-0.95で比較した。実験では、提案するFLアプローチは集中訓練に近い性能を維持しつつ、単一ドローン訓練を大幅に上回った。最も軽量なモデル（YOLO26 nano）は、非常に限られたエッジインフラでも展開可能で、[email protected]で52.89%、[email protected]:0.95で67.80%の相対的改善を達成した。これらの結果は、FLがデータ集中化なしに分散ドローン群全体でスケーラブルで高性能かつプライバシーを保護する物体検出を実現することを示している。