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

Simple item page
dc.contributor.advisorΤαμπακάς, Βασίλειος
dc.contributor.authorΑκριώτη, Αναστασία
dc.contributor.committeeΤαμπακάς, Βασίλειος
dc.contributor.committeeΑλεφραγκής, Παναγιώτης
dc.contributor.committeeΧριστοδούλου, Σωτήριος
dc.contributor.departmentΤμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.masterΗλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (Integrated master)el
dc.date.accessioned2025-09-04T10:07:21Z
dc.date.available2025-09-04T10:07:21Z
dc.date.issued2025-07
dc.description.abstractΤο 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.el
dc.description.abstracttranslatedDeepfake video has become a serious and technological threat, as it is used to spread fake news, misinformation, and manipulate public opinion. Advanced techniques for synthesizing and editing multimedia content make the detection of such manipulated videos particularly challenging, highlighting the need for reliable detection solutions. This thesis proposes a Deepfake detection method based on deep learning techniques, aiming to improve the accuracy of classifying images as real or fake. The implementation leverages the pre-trained convolutional neural network EfficientNet, which is applied to static frames extracted from video through sampling. The analysis is conducted on three distinct datasets, each with unique characteristics, to ensure the generalizability of the model. The classifier is developed using the Python programming language and modern deep learning libraries, its performance is evaluated using metrics such as accuracy. The experimental results demonstrate the potential of convolutional neural networks as an effective tool for addressing the deepfake detection problem. The contribution of this study lies not only in its technical approach to detecting deepfake content but also in emphasizing the severity of the issue, highlighting the need for advanced mechanisms to protect against the spread of fake audiovisual material.el
dc.format.extent90el
dc.identifier.urihttps://amitos.library.uop.gr/xmlui/handle/123456789/9148
dc.language.isoelel
dc.publisherΠανεπιστήμιο Πελοποννήσουel
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/gr/*
dc.subject.keyworddeepfakeel
dc.subject.keywordconvolutional neural networkel
dc.subject.keyworddeep learningel
dc.subject.keywordefficientNetel
dc.titleΑυτοματοποιημένη Ανίχνευση και Ανάλυση Βίντεο DeepFake: Μια Προσέγγιση με Βαθιά μάθησηel
dc.title.alternativeAutomated Detection and Analysis of DeepFake Videos: A Deep Learning Approachel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
akrioti_19003.pdf
Size:
1.98 MB
Format:
Adobe Portable Document Format
Description:
Μεταπτυχιακή Διπλωματική Εργασία
Download

License bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
933 B
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (Μ. Δ. Ε.)