用於目標檢測的聯邦學習：實現無需資料集中化的協作無人機學習
該論文將聯邦學習應用於無人機網路中的目標檢測，使無人機能夠在保持原始航拍影像本地化和隱私的同時，協同訓練共享模型。使用Sherpa.ai聯邦學習平臺和KIIT-MiTA資料集，作者將聯邦學習與單無人機和集中式基線進行了比較。其最佳輕量級模型（YOLO26 nano）在[email protected]和[email protected]:0.95上相對於單無人機訓練分別提升了52.89%和67.80%，同時效能接近集中式訓練。結果表明，聯邦學習能夠在分散式無人機機群中實現可擴充套件、高效能且保護隱私的目標檢測。
在安全關鍵的無人機和邊緣視覺系統中，目標檢測是實現AI感知的基礎能力，廣泛應用於災難響應、運營安全環境、基礎設施監控和國防等領域。這些場景通常需要大規模且持續更新的資料集來訓練高效能模型。然而，傳統方法依賴於將航拍影像集中到中央伺服器，這帶來了隱私、法規、儲存和頻寬等方面的挑戰，尤其在分散式無人機部署中更為突出。
為了解決這一問題，本文提出了基於聯邦學習的目標檢測方法。聯邦學習允許多架無人機在不共享原始影像資料的情況下，共同訓練一個共享模型。研究團隊利用Sherpa.ai聯邦學習平臺在KIIT-MiTA資料集上實現了聯邦目標檢測流水線，並與單無人機訓練和集中式訓練進行了對比。實驗採用平均精度（mAP）在IoU閾值0.50和0.50-0.95上進行評估。
結果顯示，聯邦學習的效能接近集中式訓練，同時顯著優於單無人機訓練。其中，最適合邊緣基礎設施的輕量級模型YOLO26 nano在[email protected]和[email protected]:0.95上分別取得了52.89%和67.80%的相對提升。這一成果證明，聯邦學習能夠在分散式無人機機群中實現可擴充套件、高效能且保護隱私的目標檢測，無需資料集中化，為未來無人機視覺系統的部署提供了新思路。