EVRİŞİMLİ SİNİR AĞLARINDA TRANSFER ÖĞRENMESİ İLE GAN TARAFINDAN ÜRETİLEN SAHTE GÖRÜNTÜ TESPİTİ

Abstract

Derin öğrenme yöntemlerinin son dönemlerdeki popüler ağlarından olan çekişmeli üretken ağ (Generative Adverserial Network, GAN), üretken bir derin öğrenme modeli olarak bilinir. Üretici (generator) ve ayırt edici (discriminator) olmak üzere iki kısımdan oluşmaktadır. Sentetik ya da yapay veri olarak bilinen GAN üretimi verilerin, literatürde oldukça başarılı örnekleri yer almaktadır. Birbirinden oldukça farklı sahalarda kullanıldığı bilinen sentetik yüz verilerinin, insan algısı ile tespit edilebilmesi pek mümkün olmamaktadır. Bu tez çalışması kapsamında literatürde yaygın olarak kullanılan Evrişimli Sinir Ağı (CNN) modellerinin öznitelik çıkarıcı olarak kullanıldığı, sentetik ve gerçek yüz görüntülerini ayırt eden bir ağ için Laplace filtresi ve benzemezlik tabanlı yeni bir evrişim katmanı içeren bir model önerilmiştir. Bu yöntemde, Densenet121 modeli öznitelik çıkarıcı olarak kullanılıp, öznitelikler sınıflandırmak amacıyla makine öğrenmesi modellerine verilmiştir. Tez çalışması kapsamında oluşturulan yeni veri kümesi farklı makine öğrenmesi modelleri üzerinde denenmiş olup, en yüksek başarı LR ve KNN modellerinden %99 olarak elde edilmiştir. Elde edilen sonuçlar, önerilen yöntemin sahte yüzlerin tespitinde kullanılabileceğini göstermektedir.