La tecnología de vehículos aéreos no tripulados (VANT) ha sido ampliamente utilizada en actividades de vigilancia de objetivos. Sin embargo, la cooperación de múltiples VANT para la identificación de múltiples objetivos plantea un desafío significativo debido a la susceptibilidad de los VANT individuales a detecciones de objetivos falsos positivos (FP) y falsos negativos (FN). Específicamente, el principal desafío abordado en este estudio proviene de la débil discriminabilidad de las características en las imágenes de Radar de Apertura Sintética (SAR), lo que conduce a una alta tasa de falsas alarmas en la detección de objetivos SAR. Además, la tasa de falsas alarmas incontrolable durante la detección de proximidad electro-óptica también resulta en una tasa elevada de falsas alarmas. En consecuencia, surge un problema de propagación de errores acumulativos cuando se producen observaciones SAR y electro-ópticas del mismo objetivo desde diferentes perspectivas en diferentes momentos. Este artículo profundiza en el problema de asociación de objetivos en el ámbito de la detección colaborativa que involucra múltiples vehículos aéreos no tripulados. Primero, proponemos una función de pérdida de tripleta mejorada para evaluar de manera efectiva la similitud de los objetivos detectados por múltiples VANT, mitigando los falsos positivos y negativos. Luego, se describe un algoritmo de discriminación consistente para objetivos en escenarios de múltiples perspectivas utilizando computación distribuida. Establecimos una base de datos de detección de múltiples objetivos con múltiples VANT para aliviar los problemas de entrenamiento y validación de algoritmos en este escenario complejo. Nuestro método propuesto demuestra un rendimiento de correlación superior en comparación con las redes de última generación.