物体検出のための連合学習：データを集中化せずにドローン協調学習を実現
本論文は、ドローン網における物体検出に連合学習（FL）を適用し、ドローンが生の航空画像を共有せずに共有モデルを協調訓練できるようにする。Sherpa.ai FLプラットフォームとKIIT-MiTAデータセットを用いて、FLを単一ドローン訓練および集中訓練と比較した。最軽量モデル（YOLO26 nano）は、単一ドローン訓練と比較して[email protected]で52.89%、[email protected]:0.95で67.80%の相対的改善を達成し、集中訓練に近い性能を示した。結果は、FLが分散ドローン群において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可能にすることを示している。
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。