論文の概要: Federated Learning for Object Detection: Enabling Collaborative Drone Learning Without Centralizing Data

• arxiv url: http://arxiv.org/abs/2607.02636v1
• Date: Thu, 02 Jul 2026 15:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.375996
• Title: Federated Learning for Object Detection: Enabling Collaborative Drone Learning Without Centralizing Data
• Title（参考訳）: オブジェクト検出のためのフェデレーション学習:データを集中化せずに協調的なドローン学習を実現する
• Abstract要約: 分散ドローンにおける物体検出のためのフェデレートラーニング(FL)を提案する。 FLは、データ集中化なしで、スケーラブルでハイパフォーマンスでプライバシ保護のオブジェクト検出を可能にする。 その結果、FLはデータ集中化なしで、分散ドローン群全体にわたってスケーラブルでハイパフォーマンスでプライバシ保護されたオブジェクト検出を可能にする。
• 参考スコア（独自算出の注目度）: 0.44333156307871574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection is a fundamental capability for AI-driven perception in safety-critical drone and edge-vision systems, including disaster response, operational security environments, infrastructure monitoring and defense applications. Robust model performance in such environments depends on large, continuously updated datasets. However, training high-performing detectors typically requires centralizing aerial imagery, which raises privacy, regulatory, storage, and bandwidth challenges. This is especially problematic in distributed drone deployments, where visual data is generated onboard and is often impractical or undesirable to transfer to a centralized infrastructure. In this work, we apply Federated Learning (FL) for object detection, enabling drones to improve a shared model while keeping image data local and private. We implement a federated object detection pipeline using the Sherpa.ai FL platform on the KIIT-MiTA dataset, and compare it with Single-drone and Centralized baselines using mean Average Precision (mAP) at IoU thresholds of 0.50 and 0.50-0.95. In our experiments, the proposed FL approach remains close to Centralized training while dramatically improving over Single-drone training, with the best lightweight model (YOLO26 nano), suitable for deployment even on very limited edge infrastructure, achieving relative gains of 52.89% and 67.80% in mAP@0.50 and mAP@0.50:0.95, respectively. These results show that FL enables scalable, high-performing, and privacy-preserving object detection across distributed drone fleets without data centralization.
• Abstract（参考訳）: オブジェクト検出は、災害対応、運用セキュリティ環境、インフラ監視、防衛アプリケーションなど、安全クリティカルなドローンおよびエッジビジョンシステムにおけるAI駆動の認識の基本的な機能である。 このような環境でのロバストモデルのパフォーマンスは、大きく、継続的に更新されたデータセットに依存します。 しかし、高性能検出器の訓練には、一般的に、プライバシー、規制、ストレージ、帯域幅の課題を提起する空中画像の集中化が必要である。 これは、視覚データがオンボードで生成され、多くの場合、集中型インフラストラクチャへの転送が現実的または望ましくない、分散ドローンデプロイメントにおいて特に問題となる。 本研究では、オブジェクト検出にフェデレートラーニング(FL)を適用し、画像データをローカルかつプライベートに保ちながら、共有モデルを改善することができる。 我々は,KIIT-MiTAデータセット上でSherpa.ai FLプラットフォームを用いたフェデレーションオブジェクト検出パイプラインを実装し,IoU閾値0.50と0.50-0.95の平均平均精度(mAP)を用いて,単一ドローンと集中ベースラインと比較した。 実験で提案したFLアプローチは,高度に制限されたエッジインフラストラクチャ上でも展開に適し,mAP@0.50とmAP@0.50:0.95の相対的なゲインを52.89%,mAP@0.50:0.95で達成し,単葉訓練よりも劇的に改善した。 これらの結果から、FLはデータ集中化なしで、分散ドローン群全体にわたってスケーラブルでハイパフォーマンスでプライバシ保護されたオブジェクト検出を可能にする。

関連論文リスト

• Federated Lightweight Intrusion Detection in Drone Swarms with Knowledge Distillation [0.0]
  ドローン群は、監視、災害対応、インフラ監視といった重要なアプリケーションにますますデプロイされている。 ドローンの環境や運用に特化して設計された侵入検知システム(IDS)への関心が高まっている。 深部ニューラルネットワーク(DNN)を知識蒸留(KD)により強化した,ドローン群ネットワークに適したFL型軽量IDSを提案する。 提案手法は,全体の通信コストを約70%削減し,計算オーバーヘッドを約29%削減すると共に,約98.6%の検出精度を示す。
  論文  参考訳（メタデータ） (2026-07-19T01:57:47Z)
• DroneFINE: Domain-Aware Parameter-Efficient Fine-Tuning of Vision-Language Detectors for Drone Images [50.96240625673857]
  DroneFINEは、VLMベースのドローン画像検出器用に設計された2つのドメイン対応補完モジュールからなる、新しいPEFTパラダイムである。 DroneFINEは既存のPEFTメソッドを著しく上回り、完全な微調整に匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-01T02:27:40Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• Adaptive federated learning for ship detection across diverse satellite imagery sources [9.773200978257814]
  各種衛星データを対象とした船体検出におけるフェデレートラーニング(FL)の適用について検討する。 FedOpt、FedProx、FedMedianを含む4つのFLモデルを評価し、ローカルトレーニングベースラインと比較した。 その結果、FLモデルにより、より小さなローカルデータセットのトレーニングよりも検出精度が大幅に向上することが判明した。
  論文  参考訳（メタデータ） (2025-12-12T21:45:57Z)
• Enabling Federated Object Detection for Connected Autonomous Vehicles: A Deployment-Oriented Evaluation [3.030192467988537]
  本研究は、コネクテッド・オートモービルズ(CAV)におけるフェデレート・ラーニング(FL)に基づくオブジェクト検出の総合的な展開指向評価を初めて導入するものである。 我々は、KITTI、BDD100K、nuScenesデータセットで評価された最先端検出器であるYOLOv5、YOLOv8、YOLOv11、Deformable DETRを用いている。 我々は,検出精度,計算コスト,資源利用のトレードオフを多種多様な解像度,バッチサイズ,天気・照明条件,動的クライアント参加で分析し,CAVにおける堅牢なFL展開の道を開く。
  論文  参考訳（メタデータ） (2025-09-02T01:23:50Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Separating Drone Point Clouds From Complex Backgrounds by Cluster Filter -- Technical Report for CVPR 2024 UG2 Challenge [3.4655579096694664]
  本稿では,教師なしパイプラインを用いた簡易なUAV検出手法を提案する。 時空間シーケンス処理を使用して複数のライダーデータセットを効果的に融合し、UAVの位置を追跡し、決定する。 本手法はCVPR 2024 UG2+ Challengeで4位を獲得し,本手法の有効性を確認した。
  論文  参考訳（メタデータ） (2024-12-22T09:44:43Z)
• Robust Low-Cost Drone Detection and Classification in Low SNR Environments [0.9087641068861043]
  ドローンを検知し、分類する能力について、様々な畳み込みニューラルネットワーク(CNN)を評価した。 本稿では,標準コンピュータ,ソフトウェア定義無線(SDR),アンテナを用いた低コストドローン検知システムについて紹介する。
  論文  参考訳（メタデータ） (2024-06-26T12:50:55Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• TransVisDrone: Spatio-Temporal Transformer for Vision-based Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
  視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。 既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。 計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
  論文  参考訳（メタデータ） (2022-10-16T03:05:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。