| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Viedās datortehnoloģijas |
| Nosaukums |
Sintētiski uzģenerēto attēlu noteikšana |
| Nosaukums angļu valodā |
DeepFake Picture Detection |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Mihails Kovaļovs |
| Recenzents |
Ingars Eriņš |
| Anotācija |
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. |
| Atslēgas vārdi |
CNN, DEEPFAKE, NEIRONU TĪKLS, ATZINĪBA |
| Atslēgas vārdi angļu valodā |
CNN, DEEPFAKE, NEURAL NETWORK, DETECTION |
| Valoda |
lv |
| Gads |
2024 |
| Darba augšupielādes datums un laiks |
28.05.2024 23:42:35 |
