用于目标检测的联邦学习：在不集中数据的情况下实现协作无人机学习

arXiv:2607.02636v1 公告类型：新 摘要：物体检测是安全关键型无人机和边缘视觉系统中人工智能驱动感知的一项基本功能，包括灾难响应、操作安全环境、基础设施监控和防御应用。此类环境中的稳健模型性能取决于大型且持续更新的数据集。然而，训练高性能探测器通常需要集中航空图像，这提出了隐私、监管、存储和带宽挑战。这在分布式无人机部署中尤其成问题，其中视觉数据是在机上生成的，并且通常不切实际或不希望传输到集中式基础设施。在这项工作中，我们应用联邦学习（FL）进行对象检测，使无人机能够改进共享模型，同时保持图像数据本地和私有。我们使用 Sherpa.ai FL 平台在 KIIT-MiTA 数据集上实现联合对象检测管道，并使用 IoU 阈值 0.50 和 0.50-0.95 的平均精度 (mAP) 将其与单无人机和集中式基线进行比较。在我们的实验中，所提出的 FL 方法仍然接近集中式训练，同时显着改进了单无人机训练，具有最佳的轻量级模型（YOLO26 nano），即使在非常有限的边缘基础设施上也适合部署，在 mAP@0.50 和 mAP@0.50:0.95 中分别实现了 52.89% 和 67.80% 的相对增益。这些结果表明，FL 可以在分布式无人机机队中实现可扩展、高性能且保护隐私的目标检测，而无需数据集中化。