Vaizdo klastojimo giliojo mokymosi metodai

Abstract

Baigiamajame darbe nagrinėjamos „Deepfake“ giliojo mokymosi pagrindu sukuriamos vaizdo klastotės bei jų atpažinimo ir aptikimo metodai. Šiame darbe išnagrinėtas ir patobulintas mokslinėje literatūroje aprašytas „Deepfake“ atpažinimo metodas. Darbe atlikta išsami „Deepfake“ veikimo ir atpažinimo metodų mokslinės literatūros analizė, taip pat buvo atliktas pasirinkto mašininio mokymo modelio tyrimas, keičiant įvairius modelio parametrus, kurio metu gauti 135 skirtingi rezultatai. Šie rezultatai buvo analizuojami siekiant rasti optimalius modelio parametrus. Remiantis tyrimo rezultatais, buvo sukurtas naujas patobulintas modelis, kuris pasižymi 1,08 % didesniu tikslumu tam tikrais atvejais, palyginti su mokslinėje literatūroje aprašytu modeliu. Baigiamasis darbas apima 63 puslapius, neįskaitant priedų, ir pateikia 26 iliustracijas, 9 lentelės bei 25 bibliografinių šaltinių.

The master’s thesis analyzes how deep learning based image forgeries such as “Deepfakes” are created and how they could be detected. In this paper, we analyze a “Deepfake” recognition method that is described in scientific literature and make improvements. This paper provides a comprehensive analysis of scientific literature on “Deepfake” generation and recognition methods, then a selected machine learning model’s investigation was conducted, by changing various model parameters, during which 135 different results were obtained. These results were analyzed to find the most optimal model parameters. Based on the research results, a new improved model was developed, in which the accuracy is higher by 1,08 % in certain cases compared to the model described in scientific literature. The final work consists of 63 pages, presents 26 illustrations, 9 tables, and 25 bibliographic sources.