Year: 2024
Type: dissertation
Abstract: Syväväärennösten ja niiden tuottamiseen käytettyjen teknologioiden nopea kehittyminen on lisännyt tunnistusmenetelmien tarvetta. Etenkin rikollisissa käyttötarkoituksissa syväväärennökset aiheuttavat konkreettisia uhkia. Syväväärennösten tuottamiseen suosituimpia teknologioita ovat GAN-verkot, enkoodaus-dekoodaus-verkot ja diffuusiomallit. Tämän tutkielman tavoitteena on selvittää mihin syväväärennösvideoiden tunnistus voi perustua ja millaiset tunnistusmenetelmät ovat merkittävimpiä. Tutkielmassa lisäksi arvioidaan ja vertaillaan merkittävimmiksi todettuja menetelmiä ja tulevaisuuden näkymiä. Syväväärennösten tunnistusmenetelmät rakentuvat pidempään tutkimuskohteena olleen kuvantunnistuksen pohjalle. Kuvien ja objektien tunnistuksessa tehokkaimmaksi on osoittautunut konvoluutioneuroverkko. Suurin osa syväväärennösten tunnistusmenetelmistä perustuu näihin konvoluutioverkkoihin. Syväväärennösten tunnistuksessa hyödynnetään myös takaisinkytkettyjä neuroverkkoja ja niiden sovelluksia. Tässä tutkielmassa käsitellään tarkemmin kolmea merkittävää tunnistusmenetelmää. Tunnistusmenetelmien erot liittyvät niiden saavuttamiin numeerisiin tuloksiin, rakenteiseen ja käytettyihin tietoaineistoihin. Etenkin tietoaineiston valinta vaikuttaa vahvasti saatuihin testaustuloksiin. Tietoaineistot voidaan nähdä tunnistusmenetelmien rajoittavana tekijänä. Tunnistusmenetelmien suurimpia haasteita ovat menetelmien käytettävyys sekä tulosten yleistettävyys ja ennustettavuus. Tulevaisuudessa menetelmiä tulee kehittää näiden haasteiden ratkaisemiseksi.
Source: UTUPub (University of Turku)
Author: Leppänen, Hanna
Language: Finnish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7071601814
