1. Αρχική σελίδα
  2. Αναζήτηση

Σύνθεση και ανίχνευση πλαστών (deep fake) βίντεο με αλγορίθμους βαθιάς μηχανικής μάθησης

Το τεκμήριο παρέχεται από τον φορέα :
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)   

Αποθετήριο :
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Σύνθεση και ανίχνευση πλαστών (deep fake) βίντεο με αλγορίθμους βαθιάς μηχανικής μάθησης
Δρόσου, Μαρία
Μαστοροκώστας, Πάρις
Σχολή Μηχανικών
Βουλόδημος, Αθανάσιος
Kesidis, Anastasios
Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών
Διπλωματική εργασία
2021-07-15
2021-07-20T12:09:55Z
Η σύνθεση πλαστών (deep fake) βίντεο γίνεται με την εφαρμογή μηχανικής μάθησης και τεχνητής νοημοσύνης. Τα βίντεο αυτά δύναται να χρησιμοποιηθούν με καλές προθέσεις, όπως για παράδειγμα ως χιουμοριστικά βίντεο. Σε κάποιες περιπτώσεις όμως η χρήση τους μπορεί να είναι κακόβουλη, να έχουν δηλαδή στόχο την εξαπάτηση μέσω της προβολής τους ως δήθεν πραγματικά βίντεο. Λόγω της δυνητικά μεγάλης επιρροής που μπορούν να ασκήσουν τα βίντεο αυτά στη δημόσια σφαίρα, είναι αναγκαία η ανάπτυξη μοντέλων που μπορούν να ταυτοποιούν τέτοιες περιπτώσεις. Στα πλαίσια της παρούσας εργασίας εισαγωγικά επισημαίνονται οι θετικοί και αρνητικοί τρόποι χρήσης τεχνολογιών σύνθεσης πλαστών βίντεο και εικόνων. Στη συνέχεια προσδιορίζονται οι κατηγορίες πλαστών βίντεο και παρουσιάζονται υπάρχουσες εφαρμογές σύνθεσής τους. Ακολούθως αναφέρονται μέθοδοι που έχουν αναπτυχθεί ως τώρα με στόχο την ανίχνευσή πλαστών βίντεο. Οι μέθοδοι αυτοί κατηγοριοποιούνται σε μεθόδους που λαμβάνουν υπόψη την χρονική πληροφορία, δηλαδή την αλλαγή των χαρακτηριστικών μέσα σε μια αλληλουχία στιγμιότυπων του βίντεο, και σε μεθόδους που βασίζονται αποκλειστικά στη χωρική πληροφορία που εξάγεται από το κάθε στιγμιότυπο. Τέλος, παρουσιάζεται η δομή τεσσάρων μοντέλων μηχανικής μάθησης, του R3D, του MC3, του R2Plus1D και του I3D. Στα πλαίσια της παρούσας εργασίας τα μοντέλα αυτά εκπαιδεύτηκαν στα δείγματα του συνόλου Celeb-DF-v2, με στόχο να ταξινομούν βίντεο σε πλαστά ή αυθεντικά. Τα αποτελέσματά τους παρουσιάζονται, αξιολογούνται και συγκρίνονται ως προς την ικανότητα ανίχνευσης πλαστών (deep fake) βίντεο.
Όραση υπολογιστών
Computer vision
Convolutional Neural Networks - CNN
Generative adversarial networks - GAN
Ανίχνευση πλαστών βίντεο
Deepfake video detection
Deepfake video generation
Autoencoders
Μηχανική μάθηση
Machine learning
Αυτόματοι κωδικοποιητές
Σύνθεση πλαστών βίντεο
Συνελικτικά νευρωνικά δίκτυα
Γενετικά ανταγωνιστικά δίκτυα
Ελληνική γλώσσα
Πανεπιστήμιο Δυτικής Αττικής
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ - Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών - Διπλωματικές εργασίες
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ
Διπλωματικές εργασίες
Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.