Εντοπισμός συνθετικών βίντεο μέσω τεχνικών βαθιάς μάθησης
| datacite.contributor.RelatedPerson | Μουστάκας, Κωνσταντίνος | |
| datacite.contributor.RelatedPerson | Σγάρμπας, Κυριάκος | |
| datacite.contributor.Supervisor | Σκόδρας, Αθανάσιος | |
| dc.contributor.author | Ζοπανιώτης, Μάριος-Ευάγγελος | |
| dc.contributor.other | Zopaniotis, Marios-Evangelos | |
| dc.date.accessioned | 2025-03-05T10:05:30Z | |
| dc.date.available | 2025-03-05T10:05:30Z | |
| dc.date.issued | 2025-03-05 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η ταχεία εξέλιξη στην παραγωγή συνθετικών εικόνων έχει εγείρει σοβαρές ανησυχίες και είναι υπεύθυνη για διάφορες επιπλοκές στην κοινωνία. Η διάκριση μεταξύ αυθεντικού και επεξεργασμένου οπτικοακουστικού υλικού αποτελεί πλέον πρόκληση, ακόμη και για το πιο έμπειρο μάτι. Η γνησιότητα του περιεχομένου που διαμοιράζεται στις πλατφόρμες κοινωνικής δικτύωσης και συμβάλλει στην ενημέρωση του κοινού δεν επαληθεύεται εύκολα. Άτομα με κακόβουλες προθέσεις μπορούν, μέσω της διάδοσης αυτού του υλικού, να προκαλέσουν ζημιές σε προσωπικό επίπεδο έως σημαντικά διπλωματικά επεισόδια μεταξύ κρατών. Η ανάγκη υλοποίησης συστημάτων ικανών να διακρίνουν αποτελεσματικά το γνήσιο από το αληθοφανές υλικό φαίνεται επιτακτική. Η διπλωματική εργασία στοχεύει στην αξιολόγηση της αξιοπιστίας των μοντέλων ανίχνευσης συνθετικού υλικού έναντι των νεοεμφανιζόμενων απειλών. Αρχικά, αναλύεται το απαραίτητο θεωρητικό υπόβαθρο για την κατανόηση του θέματος. Στη συνέχεια, αναλύονται οι έννοιες της τεχνητής νοημοσύνης, της μηχανικής μάθησης και, ιδιαίτερα, της βαθιάς μάθησης με έμφαση στα νευρωνικά δίκτυα και εξετάζονται οι διάφορες μέθοδοι ανίχνευσης που συναντούμε στη βιβλιογραφία. Από το σύνολο των απειλών, επιλέγεται η ενασχόληση με τα deepfakes, τεχνική βαθιάς μάθησης που βασίζεται σε αυτόματους κωδικοποιητές και γεννητικά ανταγωνιστικά δίκτυα (GANs). Ακολουθεί συγκριτική ανάλυση των κυριότερων βάσεων δεδομένων και μοντέλων ανίχνευσης, όπως παρουσιάζονται στη βιβλιογραφία. Στη συνέχεια, υλοποιείται το πειραματικό στάδιο με τη χρήση του μοντέλου Xception, ενός παραδοσιακού συνελικτικού νευρωνικού δικτύου και της βάσης δεδομένων Celeb-DF, η οποία περιλαμβάνει πάνω από 5.500 deepfakes υψηλής ποιότητας. Η επεξεργασία των δεδομένων, η εκπαίδευση των νευρωνικών δικτύων και η ανάλυση των αποτελεσμάτων οδηγούν σε τεκμηριωμένα συμπεράσματα, τα οποία παρουσιάζονται στο τελευταίο κεφάλαιο της διπλωματικής εργασίας. | |
| dc.description.translatedabstract | The rapid progress in synthetic image generation in recent years has raised significant concerns and is responsible for various complications in society. Distinguishing between authentic and manipulated audio-visual material is now a challenge, even for the most experienced users. The authenticity of the content shared on social media platforms, which contributes to informing the public, cannot be easily validated. Users with malicious intentions, by distributing this content, can cause harm ranging from personal-level damage to significant diplomatic incidents. The implementation of systems capable of effectively distinguishing the authentic from the manipulated media seems imperative. The aim of the thesis is to examine whether the models used for this purpose are indeed reliable against emerging threats. Initially, reference is made to the background knowledge needed for better understanding of this work. Subsequently, concepts like Artificial Intelligence, Machine Learning, and especially Deep Learning with emphasis on Neural Networks are introduced and various detection methods found in literature are examined. From the set of threats available, this work is dealing with deepfakes, a deep learning manipulation technique based on autoencoders and Generative Adversarial Networks (GANs). Following that, a thorough examination of the main datasets and deepfake recognition models in literature is discussed. Research continues with conduction of experiments using the Xception model, a traditional convolutional neural network and the Celeb-DF, a dataset including over 5.500 high quality deepfakes. The data processing, the neural network training and the analysis of the results lead to conclusions, which are presented in the final chapter of this thesis. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29196 | |
| dc.language.iso | el | |
| dc.rights | Attribution 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject | Τεχνητή νοημοσύνη | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Deepfakes | |
| dc.subject.alternative | Artificial intelligence | |
| dc.subject.alternative | Xception | |
| dc.title | Εντοπισμός συνθετικών βίντεο μέσω τεχνικών βαθιάς μάθησης | |
| dc.title.alternative | Deepfake video detection |