Detection of fake satellite images using pre-trained CNN models
Önceden eğitilmiş CNN modelleri kullanarak sahte uydu görüntülerinin tespiti
- Tez No: 970829
- Danışmanlar: PROF. DR. İSMAİL AVCIBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Sayısal görüntü işleme, Digital image processing
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ostim Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sahte uydu görüntülerini gerçek olanlardan ayırt edebilme yeteneği, afet müdahalesi, askeri operasyonlar, çevresel izleme ve ekonomik planlama dahil olmak üzere çok sayıda alanda hayati önem taşır. Sahte uydu verileri hatalı bilimsel sonuçlara, tehlikeye atılmış güvenliğe ve önemli mali kayıplara neden olabilir. Bu çalışma, önceden eğitilmiş Evrişimli Sinir Ağları (CNN) mimarilerini kullanarak yapay zeka tabanlı yöntemlerle oluşturulan sahte uydu görüntülerini tespit etme zorluğunu ele almayı amaçlamaktadır. 256 x 256 mekansal çözünürlüğe sahip 4032 gerçek renkli uydu görüntüsü ve bunların sahte karşılıklarını içeren UW veri setindeki 8064 uydu görüntüsü, modelimizi eğitmek için kullanıldı. Bu sahte uydu görüntülerini oluşturmak için CycleGAN kullanıldı. Bir uydu görüntüsünün gerçek mi yoksa sahte mi olduğunu belirlemek için, DarkNet-19, DenseNet-201, ResNet-101, Inception-v3 ve diğerlerini içeren 19 CNN modeli lmageNet veri kümesinde önceden eğitildi ve Washington Üniversitesi (UW) veri kümesinde rafine edildi. 19 CNN modelinin sezim başarımlarını karşılaştırmak için uydu görüntülerinden oluşan veri kümesini kullandık. Her yöntemin sezim başarımlarına göre, en iyi sonucun elde edildiği üç model şunlardır: DarkNet-19 modeli en yüksek performansı elde etti, ardından ikinci sırada DarkNet-53 modeli geldi. DenseNet-201, Inception-v3 ve ResNet-101 modelleri karşılaştırılabilir performans göstererek üçüncü sırayı aldı. Sahte uydu görüntülerinin sezimini içeren çok sayıda sorun bu modeller tarafından etkili bir şekilde ele alınabilir. Bulanıklaştırma, ölçekleme ve Gauss gürültüsü gibi çeşitli görüntü bozulmalarına karşı tespit modellerinin sınırlarını değerlendirmek amacıyla kapsamlı deneyler yürüttük ve üç CNN modelini kıyasladık.
Özet (Çeviri)
The ability to distinguish fake satellite images from genuine ones is vital across numerous domains, including disaster response, military operations, environmental monitoring, and economic planning. Fake satellite data can result in flawed scientific conclusions, compromised security, and significant financial losses. This study aims to address the challenge of detecting fake satellite images generated by AI-based methods, using pre-trained Convolutional Neural Network (CNN) architectures. The 8064 satellite images in the UW dataset, which included 4032 genuine color satellite images with a 256 x 256 spatial resolution and their phony counterparts, were used to breed our model. CycleGAN has been used to create these fake satellite images. To determine if a satellite image is genuine or fake, 19 CNN models including DarkNet-19, DenseNet-201, ResNet-101, Inception-v3, and others were pre-trained on the lmageNet dataset and refined on the University of Washington (UW) dataset. We used the dataset of satellite images to compare the detection performance of the 19 CNN models. According to the detection performances of each method, the top three performing models are as follows: The DarkNet-19 model achieved the highest performance, followed by the DarkNet-53 model in second place. The DenseNet-201, Inception-v3 and ResNet-101 models all exhibited comparable performance, securing third place. Numerous issues involving the detection of fake satellite images can be effectively addressed by these models. To evaluate the limitations of the detection models against various image distortions such as blurring, scaling and gaussian noise, we conducted comprehensive experiments and benchmarked three CNN models.
Benzer Tezler
- Satellite images super resolution using generative adversarial networks
Uydu görüntülerinde çekişmeli üretici ağ kullanarak süper çözünürlük
MARYAM SERDAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AHMET HAMDİ KAYRAN
- İnsansız hava araçlarında GPS spoofing saldırısının analizi ve yapay zeka ile tespiti
Analysis of GPS spoofing attacks in unmanned aerial vehicles and detection using artificial intelligence
AHMET FARUK GÖRMÜŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gelişim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN GÖNEN
DR. ÖĞR. ÜYESİ GÖKÇE KARACAYILMAZ
- Detection of fake accounts on social media platforms using machine learning and type‑3 fuzzy logic techniques
Makine öğrenmesi ve bulanık mantık tip-3 teknikleri kullanılarak sosyal medya platformlarında sahte hesap tespiti
HAIDER A.GABAR AL ZEYADI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. FECİR DURAN
- Early detection of fake news on emerging topics through weak supervision
Yeni ortaya çıkan konular üzerinde zayıf denetim yoluyla sahte haberlerin erken tespiti
SERHAT HAKKI AKDAĞ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FEHİME NİHAN ÇİÇEKLİ
- Unsupervised detection of coordinated fake followers on social media
Sosyal medyada koordineli sahte takipçi denetimsiz tespiti
YASSER ZOUZOU
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiVeri Bilimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR VAROL