用于目标检测的联邦学习：实现无需数据集中化的协作无人机学习
该论文将联邦学习应用于无人机网络中的目标检测，使无人机能够在保持原始航拍图像本地化和隐私的同时，协同训练共享模型。使用Sherpa.ai联邦学习平台和KIIT-MiTA数据集，作者将联邦学习与单无人机和集中式基线进行了比较。其最佳轻量级模型（YOLO26 nano）在[email protected]和[email protected]:0.95上相对于单无人机训练分别提升了52.89%和67.80%，同时性能接近集中式训练。结果表明，联邦学习能够在分布式无人机机群中实现可扩展、高性能且保护隐私的目标检测。
在安全关键的无人机和边缘视觉系统中，目标检测是实现AI感知的基础能力，广泛应用于灾难响应、运营安全环境、基础设施监控和国防等领域。这些场景通常需要大规模且持续更新的数据集来训练高性能模型。然而，传统方法依赖于将航拍图像集中到中央服务器，这带来了隐私、法规、存储和带宽等方面的挑战，尤其在分布式无人机部署中更为突出。
为了解决这一问题，本文提出了基于联邦学习的目标检测方法。联邦学习允许多架无人机在不共享原始图像数据的情况下，共同训练一个共享模型。研究团队利用Sherpa.ai联邦学习平台在KIIT-MiTA数据集上实现了联邦目标检测流水线，并与单无人机训练和集中式训练进行了对比。实验采用平均精度（mAP）在IoU阈值0.50和0.50-0.95上进行评估。
结果显示，联邦学习的性能接近集中式训练，同时显著优于单无人机训练。其中，最适合边缘基础设施的轻量级模型YOLO26 nano在[email protected]和[email protected]:0.95上分别取得了52.89%和67.80%的相对提升。这一成果证明，联邦学习能够在分布式无人机机群中实现可扩展、高性能且保护隐私的目标检测，无需数据集中化，为未来无人机视觉系统的部署提供了新思路。