Sosyal medyada uygulanmış haberler için değiştirilmiş videoların derinlik görüntü tabanlı oluşturulması ve dinamik yüz çarpıtmasının derin öğrenme odaklı sınıflandırılması

Deepfake'ler, şeffaflık ve gerçeğin egemen olduğu bir dünyada sürekli bir zorluk teşkil etmektedir. Bu çalışma, Xception mimarisine dayanan yeni bir deepfake tespit yöntemi sunmaktadır. Deepfake, özellikle sosyal medya platformlarında, bu ağlarda hızla yayılan ve kamuoyunun görüşünü, itibar kaybını ve yanlış bilgi yayılımını güçlü bir şekilde etkileyen manipüle edilmiş içerikler aracılığıyla dijital bilgilerin gerçekliğine yönelik bazı tehditler oluşturmaktadır. Bu araştırma, deepfake tespitine Xception tabanlı bir yaklaşım getirmiştir. Mimari, derinlik açısından ayrılabilir evrişimler gibi iyileştirmelerden yararlanan ve yüzlerdeki tutarsızlıklar, ışık düzensizlikleri ve doğal olmayan dokular gibi tipik deepfake medyalarındaki incelikli yapılardan yararlanmak üzere optimize edilmiş, verimli bir özellik çıkarma CNN modeli kullanmaktadır. 500.000'den fazla kareden oluşan, özgün ve manipüle edilmiş video içeriklerini içeren kapsamlı bir veri kümesi üzerinde eğitilmiş ve test edilmiştir. Veri ön işleme adımları, yüz çıkarma ve genellemeyi iyileştirmek için verilerin hizalanması ve çeşitliliğinin artırılmasını içeriyordu. Model çeşitli metrikler kullanılarak değerlendirildi ve %99,69 doğruluk, %99,58 hassasiyet, %99,80 geri çağırma ve %99,69 F1 puanıyla oldukça etkileyici puanlar aldı. Bu sonuçlar, modelin, deepfake içeriğin makul bir şekilde belirlenmesi karşılığında yanlış pozitifleri önlemek için doğru bir şekilde dengelendiğini ve içerik doğrulamasının kritik öneme sahip olacağı gerçek dünya senaryolarında kullanılabileceğini göstermektedir. Xception tabanlı model ayrıca, ortalama çıkarım süresinin kare başına 0,08 saniye olmasıyla güçlü bir hesaplama verimliliği göstermiştir. 0,9999'luk bir AUC-ROC puanıyla, bu verimlilik, modelin gerçek kareleri işlenmiş karelerden neredeyse mükemmel bir doğrulukla önemli ölçüde ayırt edebildiğini kanıtlamaktadır. Dahası, sağlamlığı farklı çözünürlükler ve sıkıştırmalar da dahil olmak üzere çeşitli koşullar altında test edilmiştir. Düşük çözünürlüklü karelerde %99,65, yüksek çözünürlüklü karelerde ise %98,1 doğruluk oranına ulaşmış ve sosyal medyada sıklıkla bulunan içeriklerin karakteristik özellikleri olan çeşitli medya niteliklerine uyum sağlayabildiğini kanıtlayan yüksek oranda sıkıştırılmış videolarda bile %90'ın üzerinde doğruluk oranına ulaşmıştır. Özetle, Xception tabanlı bir deepfake tespit çerçevesi, deepfake medya için güçlü, doğru ve etkili bir çözüm sunarak sosyal medyadaki dijital içeriğin bütünlüğünü ve özgünlüğünü desteklemektedir. Bu çalışmanın olası gelecekteki yönleri olarak, yeni ortaya çıkan deepfake üretim tekniklerine karşı daha fazla dayanıklılık için düşmanca eğitimin daha fazla araştırılması ve veri setinin gizli ve çeşitli örneklerle genişletilmesi düşünülebilir. Bu nedenle, bu araştırma, yanlış bilgiyi azaltmak ve dijital medyaya olan kamu güvenini korumak için aracın ölçeklenebilirliğini sağlayarak deepfake tespit alanına değerli bir katkı sağlamaktadır.