Derın öğrenme tabanlı sahte yüz tespiti: model geliştirme, eğitim optimizasyonu ve performans değerlendirmesi için kapsamlı bir yaklaşım

Bu tez çalışması, giderek artan derin sahtecilik tehdidine karşı etkili bir tespit sistemi geliştirmek amacıyla yürütülmüştür. Üretken çekişmeli ağların ve evrişimli sinir ağlarının gerçekçi sahte yüz içeriği üretme yeteneği, siber güvenlik ve sosyal medya platformları için ciddi zorluklar oluşturmaktadır. Bu araştırmada, ConvNeXt mimarisi derin sahtecilik tespiti için optimize edilmiş, %61 daha az parametreye (29.1M'den 11.3M'e) sahip yenilikçi aşama konfigürasyonu ile modelin tespit kabiliyeti korunmuştur. Ağın ayırt edici bölgelere odaklanmasını sağlamak üzere Sıkıştır-ve-Uyar dikkat mekanizması kullanılmıştır. Farklı modellerin topluluk öğrenmesi ve Test Zamanı Veri Artırma tekniklerinin birleşimi, tespit doğruluğunda önemli iyileşmeler sağlamıştır. Gerçek görüntü veri seti FaceForensics++ ve CelebA veri setlerinden, manipüle edilmiş görüntüler ise FaceForensics++ sahte videolarından (Deepfakes, Face2Face, FaceSwap, NeuralTextures) elde edilmiştir. Performans değerlendirmesinde kesinlik, duyarlılık, F1-skoru ve AUC-ROC metrikleri kullanılmıştır. Deneysel sonuçlar, önerilen topluluk tabanlı yaklaşımların üstün performans sergilediğini göstermiştir. Bu çalışma, parametre-verimli model tasarımı ve topluluk optimizasyon stratejilerinde katkılar sunarak derin sahtecilik tehditlerine karşı etkili savunma mekanizmaları geliştirmede önemli bir adım teşkil etmektedir.