| Form of studies |
Bachelor |
| Title of the study programm |
Smart Computer Technologies |
| Title in original language |
Sintētiski uzģenerēto attēlu noteikšana |
| Title in English |
DeepFake Picture Detection |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Mihails Kovaļovs |
| Reviewer |
Ingars Eriņš |
| Abstract |
Darba ietvaros tiek pētīta DeepFake fenomena būtība un dažādas metodes sintētiski ģenerētu attēlu atpazīšanai. Pētījums satur ievadu DeepFake tehnoloģijā, tostarp detalizēti aplūkojot GAN algoritmu. Ir aprakstītas gan noderīgas lietojumprogrammas, gan kaitīgi un bīstami DeepFake tehnoloģijas pielietojumi. Tālāk tiek analizētas esošās DeepFake noteikšanas metodes, tostarp mašīnmācīšanās algoritmi. Galvenā darba daļa ir veltīta DeepFake atpazīšanas metodēm, tādiem kā, ANN, RNN, LSTM un CNN.
Praktiskā daļa ietvēra modeļa izstrādi un ieviešanu, balstoties uz CNN, kas uzrādīja augstu efektivitāti DeepFake attēlu identificēšanā. Dati tika iepriekš apstrādāti un sadalīti apmācības un testa paraugos. Apmācītā modeļa veiktspēja tika pārbaudīta, izmantojot jaunas DeepFake attēlu versijas, demonstrējot tā pārākumu pār līdzīgām pieejām. Savstarpējā validācija un kļūdu matricas analīze apstiprināja rezultātu ticamību.
Darba eksperimentālā daļa sastāv no diviem galvenajiem eksperimentiem, kuros rezultāti tiek salīdzināti, balstoties uz savstarpējo validāciju un kļūdu matricu analīzi.
Darba noslēgumā apkopoti iegūtie rezultāti un izveidoti secinājumi.
Bakalaura darbs satur 5 nodaļas, 59 lappuses, 3 pielikumus, 6 tabulas, 27 attēlus, 38 literatūras avotus. |
| Keywords |
CNN, DEEPFAKE, NEIRONU TĪKLS, ATZINĪBA |
| Keywords in English |
CNN, DEEPFAKE, NEURAL NETWORK, DETECTION |
| Language |
lv |
| Year |
2024 |
| Date and time of uploading |
28.05.2024 23:42:35 |
