Dziļo viltojumu atpazīšana

Abstract

Bakalaura darbā “Dziļo viltojumu atpazīšana” gan teorētiski, gan praktiski tiek apskatīti dažādi dziļo viltojumu atpazīšanas algoritmi un realizēti 3 dažādi neironu tīkli viltojumu atpazīšanai. Lai arī dziļie viltojumi var būt bāzēti gan uz video, gan audio izmaiņām, šajā darbā fokuss ir tieši uz video izmaiņām. Tāpat tiek sniegts ieskats arī dziļajos viltojumos pēc to būtības –kas tieši tie ir un kā tie tiek izstrādāti.Lai arī ideja par dziļajiem viltojumiem radās jau pagājušā gadsimta beigās, tolaik tehnoloģijas vēl nebija tik attīstītas, lai šī ideja gūtu plašāku publisko interesi un tā tas bija līdz 2017. gadam, kad dziļie viltojumi strauji sāka gūt propularitāti. Kopš tā laika šīs tēmas aktualitāte ir pieaugusi līdz ar viltojumu kvalitātes uzlabošanos. Ja sākotnēji izstrādātos dziļos viltojumus bija gana vienkārši atšķirt no patiesiem video, tad šobrīd to izveide ir progresējusi tik tālu, ka cilvēkiem, kas nav specializējušies šajā jomā, ir ļoti grūti pateikt, vai šie video ir īsti, vai viltoti. Tātad,līdz ar viltojumu skaita palielināšanos un to kvalitātes uzlabošanos, ir jāmeklē arī efektīvāki risinājumi to atpazīšanai.Darba nosaukums: Dziļo viltojumu atpazīšanaDarba autors: Māris Andris Akmentiņš.Darba vadītājs: Mg.sc. Jānis Akmentiņš.Darbs kopumā izklāstīts 41lappusē, tajā iekļautas 8 tabulas, 17 attēli un 6 pielikumi.

The bachelor thesis “Deepfake detection” is about machine learning algorithms that are analyzed both theoretically and practically. There are 3 different neural networks that are practically developed and tested for deepfake detection. Even though deepfakes can consist both of video and audio fakes, this work mostly focuses on video fakes. This work also provides insight in theessence of deepfakes –what exactly does this term mean and how they are created.Although the idea of deepfakes has been around since late 90s, the technological solutions then were not as developed as they are now and this idea did not gain much interest until 2017, when deepfake popularity increased rapidly. Since then the relevance of this topic has been growing alongside the quality of deepfake videos. In the beginning they were quite easy todistinguish from authentic videos, but with all the progress that we have seen in these past years, it is now really hard for anyone without education in this area to tell whether a good deepfake is authentic or fake. Hence, as the number of deepfakes andtheir quality increases, more effective methods of detecting deepfakes must be sought.Title: Deepfake detectionAuthor: Māris Andris AkmentiņšSupervisor: Mg.sc. Jānis AkmentiņšThe document consists of 41page, including 8 tables,17 images and 6 appendixes.