Privacy-Preserving Training of Monocular Depth Estimators for Autonomous Vehicles with Federated Self-Supervision, Bayesian Optimization, and Continual Learning

Soares, Elton Figueiredo de Souza

DSpace Home
→
Centro de Ciências Exatas e Tecnologia (CCET)
→
Informática Aplicada
→
INAP - Teses de Doutorado
→
View Item

dc.contributor.advisor	Campos, Carlos Alberto Vieira
dc.contributor.author	Soares, Elton Figueiredo de Souza
dc.date.accessioned	2026-05-18T23:57:13Z
dc.date.available	2026-05-18T23:57:13Z
dc.date.issued	2026-02-04
dc.identifier.citation	SOARES, Elton Figueiredo de Souza. Privacy-Preserving Training of Monocular Depth Estimators for Autonomous Vehicles with Federated Self-Supervision, Bayesian Optimization, and Continual Learning. 155f. Tese (Doutorado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2025.	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/15141
dc.description.sponsorship	n/a	pt_BR
dc.language.iso	Portuguese	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Privacy-Preserving Training of Monocular Depth Estimators for Autonomous Vehicles with Federated Self-Supervision, Bayesian Optimization, and Continual Learning	pt_BR
dc.type	doctoralThesis	pt_BR
dc.contributor.referee	Campos, Carlos Alberto Vieira
dc.contributor.referee	Lucena, Sidney Cunha de
dc.contributor.referee	Moraes, Igor Monteiro
dc.contributor.referee	Albuquerque, Célio Vinicius Neves de
dc.contributor.referee	Matto, Diogo Menezes Ferrazani
dc.degree.department	CCET	pt_BR
dc.degree.grantor	Universidade Federal do Estado do Rio de Janeiro - UNIRIO	pt_BR
dc.degree.local	Rio de Janeiro,RJ	pt_BR
dc.degree.program	Programa de Pós-Graduação em Informática	pt_BR
dc.subject.cnpq	CIÊNCIAS EXATAS E DA TERRA.CIÊNCIA DA COMPUTAÇÃO	pt_BR
dc.subject.en	Autonomous Vehicles	pt_BR
dc.subject.en	Federated Learning	pt_BR
dc.subject.en	Monocular Depth Estimation	pt_BR
dc.subject.en	Privacy-Preserving	pt_BR
dc.subject.en	Bayesian Optimization	pt_BR
dc.subject.en	Continual Learning	pt_BR
dc.description.abstracten	This doctoral thesis addresses the challenge of monocular depth estimation for autonomous vehicles from a privacy-preserving perspective. The work proposes an innovative framework that utilizes Federated Learning combined with Self-Supervision, allowing models to be trained collaboratively across multiple vehicles without the need to share raw, sensitive image data. The architecture is optimized using Bayesian Optimization for hyperparameter tuning and incorporates Continual Learning techniques to ensure the system adapts to new environments without suffering from catastrophic forgetting. The results demonstrate that it is possible to achieve high accuracy in depth perception while maintaining compliance with data protection regulations.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	Esta tese de doutorado aborda o desafio da estimativa de profundidade monocular para veículos autônomos sob uma ótica de preservação de privacidade. O trabalho propõe um framework inovador que utiliza Aprendizado Federado (Federated Learning) combinado com Auto-supervisão (Self-Supervision), permitindo que os modelos sejam treinados de forma colaborativa em diversos veículos sem a necessidade de partilhar dados de imagem brutos e sensíveis. A arquitetura é otimizada através de Otimização Bayesiana para ajuste de hiperparâmetros e incorpora técnicas de Aprendizado Contínuo (Continual Learning) para garantir que o sistema se adapte a novos ambientes sem sofrer de esquecimento catastrófico. Os resultados demonstram que é possível alcançar alta precisão na percepção de profundidade mantendo a conformidade com normas de proteção de dados.	pt_BR
dc.subject.pt	Veículos Autônomos	pt_BR
dc.subject.pt	Aprendizado Federado	pt_BR
dc.subject.pt	Estimativa de Profundidade Monocular	pt_BR
dc.subject.pt	Preservação de Privacidade	pt_BR
dc.subject.pt	Otimização Bayesiana	pt_BR
dc.subject.pt	Aprendizado Contínuo	pt_BR