Geri Dön

Çekişmeli üretici ağ kalıntılarının algılanması ile deepfake tespiti

Deepfake detection by detecting generative adversarial network artifacts

PDF İndir

  1. Tez No: 965926
  2. Yazar: TAMER SAY
  3. Danışmanlar: PROF. DR. MUSTAFA ALKAN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgi Güvenliği Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 95

Özet

Bu tez, deepfake/yüz manipülasyonunun tarihsel gelişimini inceleyerek makine öğrenmesi tekniklerinin bu alandaki uygulamalarına odaklanmaktadır. Bu bağlamda, yıllar içerisinde başarısını kanıtlamış ve öne çıkan GAN (Generative Adversarial Networks) tabanlı deepfake çalışmaları ele alınmıştır. GAN ile üretilen deepfake veri setleri kapsamlı bir şekilde analiz edilmiş; literatürde yer alan çalışmalarda GAN tabanlı veri setlerinin tespit yöntemleri ve bu yöntemlerin başarımları araştırılmıştır. Deepfake tespiti açısından GAN kalıntılarının incelenmesi, literatürde yeterince ele alınmamış bir konu olup bu alanda sınırlı sayıda araştırma bulunmaktadır. Mevcut araştırmalara alternatif olarak, bu tezde GAN kalıntıları üzerinde deepfake tespiti amacıyla özellik çıkarımı yöntemi kullanılmış ve çeşitli sınıflandırma algoritmaları ile tespit simülasyonları geliştirilmiştir. Fourier, Wavelet ve HOG (Histogram of Oriented Gradients) dönüşüm metodundan yararlanılan çalışmada, GAN kalıntılarını tespit etmeye yönelik çoklu GAN modeli içeren bir veri seti oluşturulmuştur. Bu özgün veri seti ile gerçek veri seti üzerinde uygulanan özellik çıkarım yönteminin başarımı test edilmiştir. Elde edilen sonuçlar doğrultusunda, farklı GAN modellerinin performansları karşılaştırılmış ve geliştirilen simülasyonun tespit başarımı incelenmiştir. GAN kalıntısı tespit ve analiz simülasyonu kapsamında, belirli GAN modellerinin ürettiği görseller üzerine RGB renk uzayında dönüşüm metotları uygulanmış ve elde edilen veriler frekans uzayında incelenerek sınıflandırma algoritmalarına sunularak sonuç elde edilmiştir. Deepfake tespiti amacıyla geliştirilen bu yöntem ile GAN modeli ile üretilen görsellerde %100'e varan tespit başarımına ulaşmıştır. Ayrıca, farklı sınıflandırma algoritmalarının entegrasyonu ile gerçekleştirilen bu çalışmada, uygun sınıflandırma algoritmasının seçimine yönelik bulgular da paylaşılmıştır.

Özet (Çeviri)

This thesis examines the historical development of deepfake/face manipulation technologies, with a focus on machine learning techniques and their applications in this field. It specifically investigates GAN (Generative Adversarial Networks)-generated deepfake studies that have demonstrated success over the years. GAN-generated deepfake datasets are comprehensively analyzed, along with detection methods and their performance metrics documented in existing literature. The examination of GAN artifacts for deepfake detection represents an understudied area, with limited research currently available. As an alternative to existing approaches, this study employs feature extraction methods using Fourier, Wavelet, and HOG (Histogram of Oriented Gradients) transformations to detect GAN artifacts, developing detection simulations through various classification algorithms. A novel dataset containing multiple GAN models is created to test the effectiveness of the proposed feature extraction method on both synthetic and real-world data. Experimental results demonstrate 100% detection accuracy for images generated by specific GAN models when analyzing their artifacts in the frequency domain after applying RGB color space transformations. The study compares performance across different GAN architectures and evaluates the detection efficacy of the developed simulation framework. Additionally, it provides insights into optimal classifier selection through the integration of multiple classification algorithms. This methodology advances deepfake detection by focusing on GAN-generated visual artifacts, offering a robust approach that combines frequency domain analysis with machine learning classification. The findings contribute to understanding model-specific patterns in synthetic media and establish benchmarks for future research in artifact-based detection systems.

Benzer Tezler

  1. Tez No

    961816

    Optimized deep learning approach for image augmentation and classification using generative adversarial network and vision transformer

    Çekişmeli üretici ağ ve görüntü dönüştürücü kullanarak görüntü artırımı ve sınıflandırma içı̇n optı̇mı̇ze edı̇lmı̇ş derı̇n öğrenme yaklaşımı

    EMRE YÜKSEK

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KEMAL ADEM

  2. Tez No

    753643

    Çekişmeli üretici ağ tabanlı veri artırımı yaklaşımı ile otoskop görüntülerinden kulak zarı patolojilerinin tespiti

    Detection of eardrum pathologies from otoscope images with generative adversarial network-based data augmentation approach

    MUSTAFA FURKAN ESEOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MİNE ELİF KARSLIGİL YAVUZ

  3. Tez No

    847615

    Çekişmeli üretici ağ tabanlı veri artırımı ile derin öğrenme tabanlı tıbbi teşhis

    Deep learning based medical diagnostics with generative adversarial network based data augmentation

    AHMET EZGİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. AYTUĞ ONAN

    DOÇ. DR. VAHİDE BULUT

  4. Tez No

    792249

    A new and efficient method for synthetic data generation with generative adversarial networks

    Çekişmeli üretici ağ kullanilarak sentetik data üretmede yeni ve verimli bir metod

    OKAN DÜZYEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KUNTALP

  5. Tez No

    850534

    Derin evrişimli çekişmeli üretici ağlar ile yüz görüntüleri üretimi

    Generation of face images using deep convolutionary advertising generative networks

    NİZAMETTİN ÇİÇEKLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    PROF. DR. ÖMER FARUK ERTUĞRUL

Geri Dön