Synthetic image detection using machine learning techniques
Makine öğrenmesi tekniklerini kullanarak sentetik görüntü tespiti
- Tez No: 970650
- Danışmanlar: DR. ÖĞR. ÜYESİ YUNUS DOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Derin öğrenme, Görüntü sınıflandırma, Transfer öğrenimi, Deep learning, Image classification, Transfer learning
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, yapay zeka tarafından üretilmiş görüntüler ile gerçek fotoğrafların ayırt edilmesi gibi giderek daha önemli hale gelen bir göreve yönelik yenilikçi bir yaklaşım sunmaktadır. Bu amaçla özel olarak tasarlanmış bir Görsel Dönüştürücü (Vision Transformer, ViT) modeli olan PV-ISM (Yapay Medyayı Tanımlamak için Yama Tabanlı Görsel Dönüştürücü) önerilmiş ve bu modelin performansı, CIFAR-10 görüntü veri kümesinden türetilmiş CIFAKE veri kümesindeki 60.000 gerçek görüntü örneği ve Stable Diffusion 1.4 kullanılarak yapay olarak üretilmiş karşılıkları üzerinde yenilikçi transfer öğrenme yöntemleriyle karşılaştırılmıştır. PV-ISM, yapay görüntülerdeki ince yapaylık izlerini tespit edebilmek için yama çıkarımı, konumsal kodlama ve dikkat mekanizmalarına sahip çoklu dönüştürücü bloklarını içermektedir. Kapsamlı hiperparametre ayarları sonucunda yüzde 96,60 doğruluk elde edilmiş ve bu sonuç, ResNet50 transfer öğrenme yaklaşımlarını (yüzde 93,32) ve literatürdeki diğer benzer yöntemleri geride bırakmıştır. Deneysel sonuçlar, modelin her iki görüntü kategorisinde de yüksek geri çağırma ve kesinlik ile dengeli sınıflandırma yeteneklerini ortaya koymuştur. Görsel Dönüştürücüler'in yama tabanlı mimarisi, uygun veri artırma teknikleriyle birlikte kullanıldığında, yapay görüntü tespiti için son derece etkili olmakta ve geleneksel transfer öğrenme yaklaşımlarına kıyasla daha kısa eğitim süresi gerektirmektedir.
Özet (Çeviri)
This study presents a novel approach to the increasingly important task of distinguishing AI-generated images from authentic photographs. We present a custom designed Vision Transformer (ViT) model, termed PV-ISM (A Patch-Based Vision Transformer for Identifying Synthetic Media), and benchmark its performance against innovative transfer learning methods on the 60,000 sample authentic images from the CIFAKE dataset derived from image dataset of CIFAR-10 and a corresponding collection of artificially produced through Stable Diffusion 1.4. PV-ISM incorporates patch extraction, positional encoding, and multiple transformer blocks with attention mechanisms to identify subtle artifacts in synthetic images. Through extensive hyperparameter tuning, we achieved 96.60 percent accuracy, outperforming ResNet50 transfer learning approaches (93.32 percent) and other comparable methods in the literature. Experimental results demonstrate the model's balanced classification capabilities, exhibiting excellent recall and precision throughout both image categories. The patch-based architecture of Vision Transformers, combined with appropriate data augmentation techniques, proves particularly effective for synthetic image detection while requiring less training time than traditional transfer learning approaches.
Benzer Tezler
- Innovative computational techniques for accurate internal defect detection in trees: A stress wave tomography approach enhanced by machine learning
Ağaçlarda iç kusurların doğru tespiti için yenilikçi hesaplamalı teknikler: Makine öğrenimi ile geliştirilmiş bir stres dalgası tomografi yaklaşımı
ECEM NUR YILDIZCAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU TUNGA
- Application and analysis of deep learning techniques on the problem of depth estimation from a single image
Derin öğrenme tekniklerinin tekil görüntüden derinlik tahmini problemi üzerinde uygulanması ve incelenmesi
ALİCAN MERTAN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Derin öğrenme ile uydu görüntülerinde hedef tespiti
Target detection in satellite images using deep learning
VAZIRKHAN TARVERDIYEV
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Dikkat eksikliği ve hiperaktivite bozukluğu olan çocukların el yazılarının görüntü işleme teknikleri ile analizi
Analysis of handwriting of children with attention deficit hyperactivity disorder using image processing techniques
ÖZLEM YILDIZ BUDAK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH ADAK
- Detection and localization of motorway overhead directional signs by convolutional neural networks trained with synthetic images
Otoyol üst yönlendirici tabelalarının yapay görüntülerle eğitilen evrişimli sinir ağları ile tespiti ve konumlandırılması
HAKAN HEKİMGİL
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YALIN BAŞTANLAR