Kapsül Ağları Kullanılarak Gerçek ve Sahte Yüz Verilerinin Sınıflandırılması

Year 2023, Volume: 35 Issue: 2, 455 - 460, 01.09.2023

Ayşe Çoban Fatih Özyurt

https://doi.org/10.35234/fumbd.1219227

Abstract

Son zamanlarda teknolojinin ilerlemesiyle birlikte yapay zeka birçok alanda kullanılmaya başlandı. Yapay zeka, görüntü işleme, doğal dil işleme, öneri sistemleri gibi birçok alanda kullanılmaktadır. Yapay zeka kullanımının artması, veriye olan ihtiyacı ortaya çıkarmıştır. Bu durum mevcut verilerden yeni verilerin üretilmesine yol açmıştır. Günümüzde, çekişmeli üretici ağlar (GAN), mevcut verilerden ilham alarak çok çeşitli verileri sentezler. Gerçek görüntü verilerinden üretilen bu sahte veriler bazen istenmeyen durumlara neden olabilmektedir. Özellikle güvenlik açısından önem arz eden görüntülerin sahte olup olmadığının bilinmesi önemli bir konudur. Bu çalışmada, gerçek insan yüzü verilerinin ve bu verilerden üretilen sahte yüz verilerinin sınıflandırılması yapılmıştır. Ünlü bir kişinin yüz verileri toplanarak oluşturulan küçük boyutlu bir veri setinden StyleGAN2-ADA yardımıyla sahte yüz verileri üretilmiştir. Kapsül ağ modeli ile üretilen sahte yüz verileri ile gerçek yüz verilerinin sınıflandırılması amaçlanmıştır.

Keywords

Kapsül Ağlar, StyleGAN, Derin Öğrenme

Classification of Real and Fake Face Data Using Capsule Networks

Abstract

Recently, with the advancement of technology, artificial intelligence has begun to be used in many areas. It is used in many fields such as artificial intelligence, image processing, natural language processing, suggestion systems. The increase in the use of artificial intelligence has revealed the need for data. This situation has led to the production of new data from existing data. Today, generative adversarial networks (GAN) synthesize a wide variety of data inspired by existing data. These fake data produced from real image data can sometimes cause undesirable situations. It is an important issue to know whether the images, which are especially important for security, are fake or not. In this study, the classification of real human face data and fake face data generate from these data has been made. Fake face data were generated with the help of StyleGAN2-ADA from a small-sized dataset created by collecting facial data of a famous person. It is aimed to classify the generated fake face data and real face data with the capsule network model.

Keywords

Capsule Networks, StyleGAN, Deep Learning

References

• Bahar MS, Buluş E. Derin Öğrenme Teknikleri Kullanılarak Sahte Yüz Fotoğrafı ve Videosu Sentezi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi 2021; 9(6): 354-369. DOI: 10.29130/dubited.1017584.
• Sabour S, Frosst N, Hinton GE. Dynamic Routing Between Capsules. arXiv preprint 2017; arXiv:1710.09829.
• Kizrak MA, Beser F, Bolat B, Yildirim T. Kapsül Ağları ile İşaret Dili Tanıma Recognition of Sign Language using Capsule Networks. 26th Signal Processing and Communications Applications Conference (SIU) 2018; 1-4. doi:10.1109/SIU.2018.8404385.
• Osman AA, Face Identification Using Capsule Network with Small Data Set. Master Thesis, Tallin University of Technology, 2020.
• Salman, FM, Abu-Naser, SS. Classification of Real and Fake Human Faces Using Deep Learning. International Journal of Academic Engineering Research (IJAER) (2022); 6 (3):1-14.
• Wan R, Ma L, Juefei-Xu F, Xie X, Wang J, Liu Y. FakeSpotter: A Simple Baseline for Spotting AI-Synthesized Fake Faces. 2019; arXiv:1909.06122.
• Shen Y, Gu J, Tang X, Zhou B, Interpreting the Latent Space of GANs for Semantic Face Editing. in Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition 2020.
• Karras T, Laine S, Aila T. A style-based generator architecture for generative adversarial networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2019; 4401–4410.
• Zhao B, Zhang S, Xu C, Sun Y, Deng C. Deep fake geography? when geospatial data encounter artificial intelligence. Cartography and Geographic Information Science 2021; 48(4): 338–352.
• Fezza SA, Ouis M, Bachir K, Hamidouche W, Hadid A. Evaluation of Pre-Trained CNN Models for Geographic Fake Image Detection. arXiv preprint 2022; arXiv:2210.00361.
• Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, Courville A, Bengio Y. Generative adversarial nets. In Advances in neural information processing systems 2014; 2672–2680.
• Situ Z, Teng S, Liu H, Luo J, Zhou Q. Automated Sewer Defects Detection Using Style-Based Generative Adversarial Networks and Fine-Tuned Well-Known CNN Classifier. in IEEE Access 2021; 9: 59498-59507. doi: 10.1109/ACCESS.2021.3073915.
• Karras T, Aittala M, Hellsten J, Laine S, Lehtinen J, Aila T. Training generative adversarial networks with limited data. Proc. Adv. Neural Inf. Process. Syst. 2020; 33: 1-15.
• Kınlı F, Kıraç F. FashionCapsNet: Clothing Classification with Capsule Networks. Bilişim Teknolojileri Dergisi 2020; 13(1): 87-96. doi:10.17671/gazibtd.580222.
• Çoban A, Özyurt F. Kapsül Ağları ile Yüz Verilerinin Sınıflandırılması , Avrupa Bilim ve Teknoloji Dergisi 2022; 33: 176-183. doi:10.31590/ejosat.999055.