Comparative analysis of deepfake detection methods
Deepfake algılama yöntemlerinin karşılaştırmalı analizi
- Tez No: 966307
- Danışmanlar: DR. ÖĞR. ÜYESİ BERK GÖKBERK
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Engineering Sciences, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çoğu güvenlik sistemi, kullanıcılarını doğrulamak için kimlik doğrulama akışları kullanır. Biyometrik verilerin temel unsurlarından biri insan yüzü olduğundan, kimliklerin gerçekliğini korumak ve sistemlerin güvenliğini sağlamak için derin sahtelerin tespit edilmesi şarttır. Yapay yüzlerin tespiti için eğitilen derin öğrenme modelleri, genellikle bir görev üzerinde önceden eğitilmiş bir modelin yeni bir görev için ince ayarlandığı transfer öğrenme tekniklerini kullanır. Bu durum, derin sahte yüz tespit modellerinin önceden eğitilmiş veri kümelerindeki alana özgü bilgi eksikliği nedeniyle daha fazla ilerlemekte zorlanması ve bir platoya ulaşması nedeniyle ortaya çıkmaktadır. Bu çalışmada, son teknoloji ürünü modellerin Glint360K gibi özel bir yüz veri kümesi kullanılarak ön eğitime tabi tutulmasının, ImageNet veri kümesi kullanılarak ön eğitime tabi tutulan modellere kıyasla performanslarını önemli ölçüde artırdığını öneriyoruz. Modeller için alana özgü bir veri kümesi sunarken, çeşitli düzenleme tekniklerini de dahil ederek modellerin genelleme yeteneğini geliştirmeyi amaçlıyoruz. Özellikle, eğitim öncesi veri kümesindeki başlangıç kimliklerinin etkisini azaltmak için eğitim sırasında modellere etiket yumuşatma uygulanmıştır. Son olarak, araştırmamız, farklı ışık, cihaz ayarları ve çözünürlük farklılıklarına sahip gerçek yaşam durumlarını taklit etmek için oluşturulan 4.252 gerçek ve 2.603 sahte yüz videosundan oluşan yeni bir veri kümesi sunmaktadır. Nitel sonuçlar, yaklaşımımızın modelleri yüzle ilgili özelliklere odaklanmaya başarıyla zorladığını göstermektedir. Öte yandan, nicel sonuçlar, Glint360K üzerinde etiket yumuşatma uygulanarak önceden eğitilen modellerin, ImageNet ile önceden eğitilen modellerden ortalama %1.5 daha iyi performans gösterdiğini ortaya koymaktadır.
Özet (Çeviri)
Most security systems use biometric authentication pipelines to verify their users. Since one of the foundational aspects of biometric data is the human face, detecting deepfakes is essential to maintain the authenticity of identity and securing such systems. Deep learning models trained for detection of artificial faces commonly utilize transfer learning techniques where a model pre-trained on one task is fine-tuned for a new, related task. This situation arises because deepfake detection models have difficulty in progressing further and hitting a plateau due to the lack of domain-specific knowledge in their pre-trained dataset. In this study, we propose that pretraining state-of-the-art models using a specialized face dataset, namely Glint360K, enhances their performance significantly compared to base models pre-trained using the ImageNet dataset. While introducing a domain-specific dataset for models, we also aim to improve the models' ability of generalization by incorporating various regularization techniques. In particular, label smoothing was applied to models while training to reduce the effect of initial identities in the pre-training face dataset. Last but not least, our research presents a novel dataset with 4,252 real and 2,603 fake face videos created to mimic real-life situations with diverse lighting, device settings, and resolution differences. We utilized both this dataset and commonly used datasets to assess our proposed approach and state-of-the-art models, highlighting its strengths and weaknesses. The qualitative results show that our approach successfully force models to focus on face-related features. On the other hand, quantitative results indicate that models pre-trained on Glint360K with applied label smoothing outperform those pre-trained with ImageNet weights by 1.5% on average.
Benzer Tezler
- Deepfake detection using machine learning with feature selection by metaheuristic algorithms
Metasezgisel algoritmalarla özellik seçimiyle makine öğrenimi kullanılarak deepfake tespiti
HANAN SALEH .ABU. ALHAJI
- Audıo deep fake detectıon usıng deep learnıng
Derin öğrenme kullanarak ses derin sahtekarı algılama
OUSAMA A SHAABAN
Doktora
İngilizce
2025
Ankara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği ve Enformatik Bilimler Ana Bilim Dalı
Yükleniyor...
- Explainable deepfake detection using frame level CNN models:A comparative study of augmentation and cutout techniques
Frame düzeyinde CNN modelleri kullanılarak açıklanabilir deepfake tespiti: Augmentation ve kesme tekniklerinin karşılaştırmalı bir çalışması
MERT KAYA
- Türkçe metinlerde aldatıcı beyan tespitine yönelik doğal dil işleme tabanlı hibrit model geliştirilmesi ve sektörel bir uygulama
Development of a natural language processing based hybrid model for detection of deceptive statements in Turkish texts and a sectoral application
EKİN AKKOL
- Çok faktörlü kimlik doğrulama yaklaşımı ile mobil entegrasyonlu akıllı kapı kilidi sisteminin geliştirilmesi
Development of a mobile-integrated smart door lock system with a multi-factor authentication approach
MOCHAMMET CHOUSEIN PALAZLI
Yüksek Lisans
Türkçe
2026
İstanbul Kültür ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...