Hyppää sisältöön
    • Suomeksi
    • In English
  • Suomeksi
  • In English
  • Kirjaudu
Näytä aineisto 
  •   Etusivu
  • 1. Kirjat ja opinnäytteet
  • Kandidaatin tutkielmat (rajattu näkyvyys)
  • Näytä aineisto
  •   Etusivu
  • 1. Kirjat ja opinnäytteet
  • Kandidaatin tutkielmat (rajattu näkyvyys)
  • Näytä aineisto
JavaScript is disabled for your browser. Some features of this site may not work without it.

Syväväärennökset ja niiden tunnistaminen

Söderström, Jaani (2024-04-08)

Syväväärennökset ja niiden tunnistaminen

Söderström, Jaani
(08.04.2024)
Katso/Avaa
Syv%C3%A4v%C3%A4%C3%A4renn%C3%B6sket_ja_niiden_tunnistaminen.pdf (1.799Mb)
Lataukset: 

Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
suljettu
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2024041116617
Tiivistelmä
Syväväärennökset tai toisin sanoen deepfaket ovat tekoälyn avulla luotua synteettistä mediaa. Syväväärennösten tarkoituksena on muokata tai manipuloida kuvia, ääntä, videoita tai muita mediatiedostoja niin, että ne näyttävät autenttisilta. Syväväärennösten luomiseen ja tunnistamiseen käytetään generatiiviseen tekoälyyn ja syväoppimiseen pohjautuvia menetelmiä. Syväväärennösten luomis- ja tunnistamisprosessiin liittyvät olennaisesti niissä käytetyt datasarjat.

Tutkielmassa tutustutaan syväväärennöksiin yleisellä tasolla ja syvennytään kolmeen suosittuun syväväärennösten luomismenetelmään. Lisäksi selvitetään, kuinka syväväärennöksiä tunnistetaan, ja miten syväoppimismalleja ja datasarjoja hyödynnetään syväväärennösten tunnistamisessa.

Konvoluutioneuroverkot, enkoodaaja-dekoodaaja-verkot ja generatiiviset kilpailevat verkot osoittautuivat tehokkaiksi menetelmiksi syväväärennösten luomisessa ja tunnistamisessa. Kaikilla luomismenetelmillä on omat vahvuutensa ja heikkoutensa, mikä korostaa menetelmien soveltuvuutta erilaisten väärennösten luomiseen. Syväväärennösmenetelmien jättämät sormenjäljet ja biologiset signaalit tarjosivat lupaavia tuloksia syväväärennösten tunnistamiseen. Lisäksi havaittiin, että valitut datasarjat vaikuttavat merkittävästi tunnistusmallien tehokkuuteen, korostaen laadukkaan koulutusaineiston tärkeyttä.

Tutkimuskirjallisuuteen tutustumalla havaittiin, että eri tunnistusmenetelmien vahvuudet ja heikkoudet korostuvat eri osa-alueilla. Tämä korostaa tarvetta yhdistää erilaisia tunnistusmenetelmiä syväväärennösten tunnistusmallien suunnittelussa. Tehokkain tunnistustehokkuus saavutetaan tarkalla koulutusdatan valinnalla ja useiden menmetelmien hyödyntämisellä.
Kokoelmat
  • Kandidaatin tutkielmat (rajattu näkyvyys) [813]

Turun yliopiston kirjasto | Turun yliopisto
julkaisut@utu.fi | Tietosuoja | Saavutettavuusseloste
 

 

Tämä kokoelma

JulkaisuajatTekijätNimekkeetAsiasanatTiedekuntaLaitosOppiaineYhteisöt ja kokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy

Turun yliopiston kirjasto | Turun yliopisto
julkaisut@utu.fi | Tietosuoja | Saavutettavuusseloste