Odkrivanje globokih ponaredkov z analizo spremenjenih in nespremenjenih območijMur, Anže (Avtor) Peer, Peter (Mentor) Batagelj, Borut (Komentor) globoko učenjekonvolucijske nevronske mrežedetekcija globokih ponaredkovHiter razvoj na področju globokega učenja je privedel do množične adaptacije koncepta globokih ponaredkov. Globoki ponaredki so sintetični mediji, ki so velikokrat ustvarjeni zlonamerno in tako postajajo vse večji izziv za sodobno družbo. S tem razlogom je ključnega pomena razviti robustne in učinkovite metode za zaznavanje globokih ponaredkov, da bi preprečili njihovo zlonamerno uporabo. V našem delu smo implementirali konvolucijsko nevronsko mrežo Xception, ki smo jo nadgradili z arhitekturo, da deluje po principu dveh ločenih vej učenja. Prva veja se uči samo na manipulirani obrazni regiji, druga veja pa si za napovedovanje končnega rezultata pomaga tudi z nespremenjenimi regijami izven obraza. Implementirana dvovejna arhitektura izboljša delovanje osnovnega Xception modela za 2,45 % vrednosti AUC iz prvotne vrednosti 69,76 %. Implementirana modela smo dodatno učili tudi na novo ustvarjeni sintetični podatkovni zbirki artefaktov globokih ponaredkov, kjer Xception model doseže izboljšavo vrednosti AUC osnovnega modela za 12,5 % iz prvotne vrednosti 69,76 %.20232023-09-21 07:50:00Magistrsko delo/naloga150616sl