Geri Dön

ResNeXt50 ve LSTM mimarileriyle derin sahte tespiti

Deepfake detection with ResNeXt50 and LSTM architectures

PDF İndir

  1. Tez No: 984275
  2. Yazar: LEILI ESLAM JAMALGOLZARI
  3. Danışmanlar: PROF. DR. AYDIN ÇETİN
  4. Tez Türü: Yüksek Lisans
  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: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Derin sahte (deepfake) teknolojileri giderek daha sofistike hale gelmekte ve dijital güvenlik, mahremiyet ile yanlış bilgilendirme alanlarında kritik zorluklar oluşturmaktadır. Derin sahte tespiti, hem mekânsal hem de zamansal tutarsızlıkları yakalayabilen derin öğrenme modellerini gerektirmektedir. Bu tezde, üç farklı derin öğrenme mimarisinin—ResNeXt50, LSTM ve önerilen Hibrit LSTM/ResNeXt50 mimarisinin—DeepFake Detection Challenge (DFDC) veri kümesi üzerinde karşılaştırmalı analizi sunulmaktadır. Deneysel sonuçlar, saf ResNeXt50 modelinin %44 kesinlik ve %44 F_1-skoru elde ettiğini, LSTM modelinin ise %62 kesinlik ve %70 F_1-skoru ile daha iyi performans sergilediğini, ancak her iki modelin de tek başına uygulandığında sınırlı kaldığını göstermektedir. Buna karşın, Hibrit LSTM/ResNeXt50 mimarisi %91,85 kesinlik, %90,68 geri duyarlılık, %85,26 doğruluk ve %91 F_1-skoru ile bu modelleri önemli ölçüde geride bırakmıştır. Bulgular, LSTM mimarilerinin zamansal bağımlılıkları ResNeXt50'ye göre daha etkili yakaladığı, ancak mekânsal ve zamansal özellik çıkarımının bütünleştirilmesiyle çok daha dengeli ve sağlam bir tespit performansına ulaşıldığını, hibrit mimarinin daha güvenilir derin sahte tespiti potansiyeli olduğunu ortaya koymaktadır.

Özet (Çeviri)

Deepfake technologies have become increasingly sophisticated, posing critical challenges to digital security, privacy, and the spread of misinformation. Detecting such manipulations requires deep learning models capable of capturing both spatial and temporal inconsistencies. This thesis presents a comparative study of three deep learning architectures—ResNeXt50, LSTM, and a proposed Hybrid LSTM/ResNeXt50—evaluated on the DeepFake Detection Challenge (DFDC) dataset. Experimental results show that the pure ResNeXt50 model achieves a Precision and F_1-score of 44%, while the LSTM model performs better with 62% Precision and 70% F_1-score, yet both remain limited when applied independently. In contrast, the Hybrid LSTM/ResNeXt50 architecture significantly outperforms these baselines, achieving 91.85% Precision, 90.68% Recall, 85.26% Accuracy, and an F_1-score of 91%. These findings demonstrate that while LSTMs capture temporal dependencies more effectively than ResNeXt50, integrating spatial and temporal feature extraction yields a more balanced and robust detection performance, underscoring the potential of hybrid architectures for reliable deepfake detection.

Benzer Tezler

  1. Tez No

    949072

    Web uygulamalarına yönelik saldırıların tespiti için yapay zeka tabanlı hibrit bir sistem geliştirilmesi

    Developing an artificial intelligence-based hybrid system for the detection of attacks against web applications

    AMİNE NUR YEŞİL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Savunma ve Savunma TeknolojileriSivas Bilim ve Teknoloji Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HALİT BAKIR

  2. Tez No

    892926

    Derin yapay sinir ağlarını kullanarak görüntü başlıkları üretme

    Generating image captions using deep neural networks

    MEHMET ALİ CAN ERTUĞRUL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SEVİNÇ İLHAN OMURCA

  3. Tez No

    1018893

    Hava hedeflerinin yüksek çözünürlüklü menzil profili verilerinden makina/derin öğrenme yöntemleri ile sınıflandırılması

    Classification of aerial targets from high resolution range profile data using deep/machine learning methods

    SEDAT TÜRE

    Doktora

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. SELÇUK PAKER

  4. Tez No

    695604

    Comparison of deep networks for gesture recognition

    İfade tanıma problem için farklı derin ağların karşılaştırılması

    BUĞRA SOFU

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. İLKAY ULUSOY

  5. Tez No

    989963

    Haber kaynaklarındaki videoların derin sahteliğinin görüntü analizi ve metin doğrulaması için derin öğrenme yöntemlerinin kullanımı

    Use of deep learning methods for image analysis and textverification of video deepfakes in news sources

    NURCAN YARDIMCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURHAN ERGEN

Geri Dön