Αυτοματοποιημένη Ανίχνευση και Ανάλυση Βίντεο DeepFake: Μια Προσέγγιση με Βαθιά μάθηση

Abstract

Το φαινόμενο των Deepfake βίντεο έχει εξελιχθεί σε μια σοβαρή και τεχνολογική απειλή, καθώς χρησιμοποιείται για τη διάδοση ψευδών ειδήσεων, την παραπληροφόρηση και τη χειραγώγηση της κοινής γνώμης. Οι προηγμένες τεχνικές σύνθεσης και επεξεργασίας πολυμεσικού υλικού καθιστούν την ανίχνευση τέτοιων παραποιημένων βίντεο ιδιαίτερα δύσκολη, γεγονός που δημιουργεί την ανάγκη για αξιόπιστες λύσεις. Στην παρούσα διπλωματική εργασία προτείνεται μια μέθοδος ανίχνευσης Deepfake περιεχομένου μέσω τεχνικών βαθιάς μάθησης, με στόχο τη βελτίωση της αποτελεσματικότητας στην ταξινόμηση εικόνων ως γνήσιες ή παραποιημένες. Για την υλοποίηση, χρησιμοποιείται το προεκπαιδευμένο συνελικτικό νευρωνικό δίκτυο EfficientNet, το οποίο εφαρμόζεται σε στατικές εικόνες που εξάγονται από βίντεο μέσω δειγματοληψίας. Η ανάλυση βασίζεται σε τρία διαφορετικά σύνολα δεδομένων, το καθένα από τα οποία διαθέτει ξεχωριστά χαρακτηριστικά, με σκοπό να διασφαλιστεί η γενικευσιμότητα του μοντέλου. Η ανάπτυξη του ταξινομητή πραγματοποιείται στη γλώσσα προγραμματισμού Python, αξιοποιώντας σύγχρονες βιβλιοθήκες βαθιάς μάθησης, ενώ η αξιολόγησή του βασίζεται σε μετρικές απόδοσης, όπως η ακρίβεια. Τα πειραματικά αποτελέσματα στην ανίχνευση Deepfake εικόνων αναδεικνύουν τη δυνατότητα χρήσης συνελικτικών νευρωνικών δικτύων ως ένα αποτελεσματικό εργαλείο για την αντιμετώπιση του προβλήματος. Η συμβολή της παρούσας μελέτης έγκειται όχι μόνο στην τεχνική προσέγγιση της ανίχνευσης Deepfake περιεχομένου, αλλά και στην ανάδειξη της σοβαρότητας του προβλήματος, υπογραμμίζοντας την ανάγκη για εξελιγμένα μέσα προστασίας απέναντι στη διάδοση ψεύδους οπτικοακουστικού υλικού.