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
- Tez No: 977946
- Danışmanlar: DR. ÖĞR. ÜYESİ VENERA ADANOVA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Deepfake, Deepfake
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ted Üniversitesi
- Enstitü: Lisansüstü Programlar Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zekadaki ilerleme, giderek daha ikna edici ayrıntılara sahip deepfake videoların üretimini ortaya çıkarmıştır. Bu teknoloji eğlence ve yaratıcı endüstriler için büyük değer taşırken, öte yandan mahremiyet, güvenlik ve kamu güveni konularında ciddi endişeler yaratmıştır. Deepfake üretim yöntemlerinin artan karmaşıklığı ile tespit yöntemlerinin yorumlanabilirliği ve açıklanabilirliği, özellikle hukuk uzmanlarının analizi altında şeffaf kanıt gerektiren adli konular için temel araştırma öncelikleri olarak belirlenmiştir. Bu çalışma, ön işleme yöntemlerinin, görsel artırımın ve hedefli maskelemenin CNN tabanlı deepfake tespit çerçevelerinin performansı ve açıklanabilirliği üzerindeki etkisini incelemektedir. Deneysel düzenek için kare tabanlı uzamsal alan deepfake tespit yaklaşımı kullanılmıştır. Tespit üzerindeki etkilerini test etmek için birçok varyasyon ve kombinasyon seti sistematik olarak analiz edilmiştir. Model yorumlanabilirliği Grad-CAM görselleştirme teknikleri kullanılarak değerlendirilmiştir. Karar verme kalıpları gözlemlenerek, manipüle edilmiş bölgelere odaklanan konfigürasyonların belirlenmesi mümkün olmuştur. Bu nedenle, belirli ön işleme konfigürasyonlarının doğruluk ve açıklanabilirliği artırdığı, daha güvenilir ve etkili tespit hatlarının oluşturulması yolunu açtığı gösterilmektedir. Bu sonuçlar, deepfake teknolojilerinin devam eden evrimi karşısında etkili kalabilecek tespit yöntemlerinin geliştirilmesinde ön işleme tekniklerinin dikkatli değerlendirilmesinin önemini vurgulamaktadır. Bu çalışma, özellikle açıklanabilir yapay zekanın güvenilirlik ve hukuki kabul edilebilirlik oluşturmak için gerekli olduğu durumlarda gerçek dünyada uygulanabilecek daha açıklanabilir ve güvenilir deepfake tespit yöntemlerinin geliştirilmesine katkıda bulunmaktadır.
Özet (Çeviri)
The progress in artificial intelligence has given rise to the generation of deepfake videos that have increasingly convincing details. While such technology is of immense value to entertainment and creative industries, it has, on the other hand, raised serious concerns regarding privacy, security, and public trust. With increasing sophistication in deepfake generation methods, interpretation and explainability of the detection methods have been identified as key research priorities, especially for judicial matters that require transparent evidence under the analysis of legal practitioners. This study examines the impact of preprocessing methods, visual augmentation, and targeted masking on the performance and explainability of CNN-based deepfake detection frameworks. For the experimental setup, a frame-based spatial domain deepfake detection approach is employed. Many variations and sets of combinations were systematically analyzed to test their effect on detection. Model interpretability was assessed using Grad-CAM visualization techniques. By observing decision-making patterns, it was possible to identify configurations that focus on the manipulated regions.Therefore, this indicates that certain preprocessing configurations enhance accuracy and explainability, paving the way for generating more credible and trustworthy detection pipelines. These results highlight the importance of carefully considering preprocessing techniques in the development of detection methods that can remain effective against the ongoing evolution of deepfake technologies. This work contributes to the development of more explainable and reliable deepfake detection methods that can be implemented in the real world,especially where explainable AI is necessary to establish credibility and legal admissibility.
Benzer Tezler
- Advanced 3D face anti-spoofing system using hybrid deep neural network and optimization techniques
Hibrit derin sinir ağı ve optimizasyon tekniklerini kullanan gelişmiş 3B yüz sahtekarlığını önleme sistemi
MOHAMMED KAREEM HUSSEIN HUSSEIN
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Makine öğrenmesi kullanılarak yanıltıcı haber ve ayrıştırıcı dil tespit algoritmaları geliştirilmesi
Developing fake news and hate speech detection algorithms using machine learning
FATİH SİNAN ESEN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN EMRAH
- Multilingual, multimodal and explainable approaches for automated fact-checking problem
Otomatik doğrulama problemi için çok dilli, çok modlu ve açıklanabilir yaklaşımlar
RECEP FIRAT ÇEKİNEL
Doktora
İngilizce
2025
DilbilimOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. PINAR KARAGÖZ
- Açıklanabilir yapay zeka ile deepfake resim, video ve seslerin tespiti
Detection of deepfake images, videos and audio with explainable artificial intelligence
SENANUR ARMAĞAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KAYA
- Tekirdağ havzası yüksek çözünürlüklü sismik yansıma verilerinin işlenmesi ve yorumlanması
Processing and interpreting high resolutioned seismic reflection datas of the Tekirdag basin
EMRE PERİNÇEK
Yüksek Lisans
Türkçe
2011
Jeofizik Mühendisliğiİstanbul Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜLYA KURT