在安全关键的无人机和边缘视觉系统中，目标检测是 AI 驱动感知的基本能力，广泛应用于灾害响应、运营安全、基础设施监测和国防等领域。此类环境中模型的稳健性能依赖于大规模、持续更新的数据集。然而，训练高性能检测器通常需要集中空中图像，这引发隐私、法规、存储和带宽等挑战。尤其是在分布式无人机部署中，视觉数据通常在机载生成，转移到集中基础设施上往往既不切实际也不受欢迎。
在本研究中，我们应用联邦学习（FL）进行目标检测，使无人机能够在保持图像数据本地和私密的同时，提升共享模型的性能。我们使用 Sherpa.ai FL 平台在 KIIT-MiTA 数据集上实现了一个联邦目标检测管道，并将其与单无人机和集中基线进行比较，采用 IoU 阈值为 0.50 和 0.50-0.95 的平均精度均值（mAP）进行评估。
在实验中，所提出的 FL 方法与集中训练相近，同时在单无人机训练方面有显著提升。最佳轻量级模型（YOLOv6 nano）在非常有限的边缘基础设施上也适用，其在 mAP@0.50 和 mAP@0.50:0.95 的相对增益分别达到 52.89% 和 67.80%。这些结果表明，FL 能够在分布式无人机群中实现可扩展、高性能且保护隐私的目标检测，而无需数据集中化。
博主点评： 本文通过联邦学习有效解决了无人机目标检测中的数据隐私和集中化问题，展示了在实际应用中的广泛前景。尤其是轻量级模型的应用，为边缘计算设备提供了新的可能性，推动了无人机技术的进步。