Derin sahte videoların tespiti ve uygulamaları için bir karşılaştırma çalışması

Abstract

Yapay zekânın birçok alanda kullanılması teknolojinin daha da ilerlemesini sağlamıştır. Bu alanlardan biri de derin sahte videoların oluşturulmasıdır. Derin sahte videolar için gerekli modeller yapay zekâ ile oluşturulmaktadır. Sosyal medyanın etkin bir şekilde kullanılması manipüle edilmiş videolara olan ilgiyi arttırmıştır. Derin sahte tespiti hala tam olarak çözülemeyen bir problem olduğu için Google, Youtube, Facebook, Microsoft, AWS ve AI gibi sosyal medya ve teknoloji geliştircileri, araştırmalara destek sağlamakta ve Kaggle ve Githup gibi platformlarda önerilen çözümler açık kaynak olarak sunulmuştur. Derin sahte videoların oluşturulmasında ve tespit edilemsinde kullanılan yöntemler ve mimariler benzerdir. Ayrıca bu ikili mücadelede yeni önerilen yöntemleri kendilerini iyileştirmek için kullanmaktadırlar. Bu da her zaman için yeni bir tespit yöntemine ihtiyaç oluşturacaktır. Bu çalışmada derin sahte videoların tespit edilmesinde kullanılan yöntemler incelenmiştir. Uygulamaların performans etki analizleri yapılmıştır. Farklı özellikteki veri setleri, farklı yöntemlere sahip tespit uygulamaları ve özellikleri tablolar halinde verilmiştir. Uygulamalar karşılaştırılarak, zorlukları ve eğilimleri değerlendirilerek araştırmacılara kaynak olarak sunulmuştur.

The use of artificial intelligence in many areas has led to further advancement of technology. One of these areas is the creation of deep fake videos. The necessary models for deep fake videos are created with artificial intelligence. The effective use of social media has increased the interest in manipulated videos. As deepfake video detection is still an unresolved problem, social media such as Google, Youtube, Facebook, Microsoft, AWS and AI and technology developers provide support for research and proposed solutions are open sourced on platforms such as Kaggle and Githup. The methods and architectures used to create and detect deep fake videos are similar. In addition, they use the newly proposed methods in this dual struggle to improve themselves. This will always create a need for a new detection method. In this study, the methods used to detect deep fake videos were examined. Performance impact analyzes of the applications were made. Data sets with different properties, detection applications with different methods and their properties are given in tables. The applications were compared, and their difficulties and tendencies were evaluated and presented to researchers as a resource.