Fake image detection
Küçük Resim Yok
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Bilgi Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu proje, manipülasyon yönteminden bağımsız olarak gerekli özellikleri öğrenebilen ve çıkarabilen Evrişimsel Sinir Ağı 'nı (CNN) kullanarak derin öğrenme ile sahte görüntü tespiti için daha sofistike ve güvenilir bir yöntem önermeyi amaçlamaktadır. Daha spesifik olarak, bu araştırma, diğer araştırmacılar tarafından aynı veri kümesinde kullanılan önceki tekniklerden önemli ölçüde daha yüksek doğruluk elde etmek için CASIA veri kümeleri (sürüm 1.0 ve 2.0) ile meşru ve kurcalanmış fotoğraflar arasında sınıflandırma için derin bir öğrenme yöntemi uygulamayı amaçlamaktadır. Değerlendirmek için, bu çalışma, model tahminlerinin karışıklık matrisini analiz etmek ve davranışları hakkında daha fazla bilgi vermek için yanlış sınıflandırılmış görüntüleri görsel olarak incelemek için hem otantik hem de kurcalanmış fotoğraflar içeren CASIA veri kümelerini (sürüm 1.0 ve 2.0) kullandı. Bu çalışmanın temel amacı, görüntü manipülasyonu yüksek doğrulukla tespit edebilmek için derin öğrenmeyi kullanarak bir konvoksiyonel ağ mimarisi önermektir. Sistemin bir görüntünün değiştirildiği bölgeleri kendi kendine öğreneceği farklı bir strateji. Bu çalışma, bu projeyi yürütmek için kullanılacak metodoloji hakkında derinlemesine tartışılacaktır. Çeşitli son teknoloji veri kümesi sınıflandırma tekniklerini denedikten sonra, Havuzlama ve bırakma, AlexNet, DenseNet, VGG16, VGG19 ve ResNet50 dahil olmak üzere sekiz katmanlı standart CNN dahil olmak üzere, bu çalışma CASIA v1.0 veri kümesinde yüzde 98.8 ve CASIA v2.0 veri kümesinde yüzde 97.35 sonuç elde eden CASIA veri kümelerindeki optimum performansı nedeniyle ResNet50 mimarisini seçti.
This project aims to propose a more sophisticated and reliable method for fake image detection with deep learning using Convolutional Neural Network (CNN), which can learn and extract necessary features irrespective of the manipulation method. More specifically, this research seeks to apply a deep learning method for classification between legitimate and tampered photos with CASIA datasets (versions 1.0 and 2.0) to achieve significantly higher accuracy than previous techniques employed on the same dataset by other researchers. To evaluate, this study used the CASIA datasets (versions 1.0 and 2.0), which included both authentic and tampered photos to analyze the confusion matrix of the model predictions and visually inspect the misclassified images to give us more insights into its behavior. The main aim of this study is to propose a convolutional network architecture using deep learning to be able to detect image manipulation with high accuracy. A different strategy where the system will learn by itself regions where an image has been altered. This study would be discussing in-depth about the methodology to be used to carry out this project. After experimenting with a variety of cutting-edge dataset classification techniques, including the standard CNN with eight layers with the incorporation of pooling and dropout layers, AlexNet, DenseNet, VGG16, VGG19, and ResNet50, this study chose the ResNet50 architecture due to its optimal performance on the CASIA datasets which achieved a result of 98.8 percent on CASIA v1.0 dataset and 97.35 percent on CASIA v2.0 dataset.
This project aims to propose a more sophisticated and reliable method for fake image detection with deep learning using Convolutional Neural Network (CNN), which can learn and extract necessary features irrespective of the manipulation method. More specifically, this research seeks to apply a deep learning method for classification between legitimate and tampered photos with CASIA datasets (versions 1.0 and 2.0) to achieve significantly higher accuracy than previous techniques employed on the same dataset by other researchers. To evaluate, this study used the CASIA datasets (versions 1.0 and 2.0), which included both authentic and tampered photos to analyze the confusion matrix of the model predictions and visually inspect the misclassified images to give us more insights into its behavior. The main aim of this study is to propose a convolutional network architecture using deep learning to be able to detect image manipulation with high accuracy. A different strategy where the system will learn by itself regions where an image has been altered. This study would be discussing in-depth about the methodology to be used to carry out this project. After experimenting with a variety of cutting-edge dataset classification techniques, including the standard CNN with eight layers with the incorporation of pooling and dropout layers, AlexNet, DenseNet, VGG16, VGG19, and ResNet50, this study chose the ResNet50 architecture due to its optimal performance on the CASIA datasets which achieved a result of 98.8 percent on CASIA v1.0 dataset and 97.35 percent on CASIA v2.0 dataset.
Açıklama
Lisansüstü Programlar Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
