Hyppää sisältöön
    • Suomeksi
    • In English
Trepo
  • Suomeksi
  • In English
  • Kirjaudu
Näytä viite 
  •   Etusivu
  • Trepo
  • Kandidaatintutkielmat
  • Näytä viite
  •   Etusivu
  • Trepo
  • Kandidaatintutkielmat
  • Näytä viite
JavaScript is disabled for your browser. Some features of this site may not work without it.

Generatiivisten kilpailevien verkostojen visuaaliset väärennökset ja niiden tunnistus

Kole, Denis (2021)

 
Avaa tiedosto
KoleDenis.pdf (521.6Kt)
Lataukset: 



Kole, Denis
2021

Tietojenkäsittelytieteiden kandidaattiohjelma - Bachelor's Programme in Computer Sciences
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2021-06-23
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202106115841
Tiivistelmä
Nykyiset koneoppimismallit mahdollistavat korkealaatuisten visuaalisten materiaalien generoinnin. Erityisesti generatiiviset kilpailevat verkostot erottuvat niiden joukosta, koska ne pystyvät luomaan visuaalisia materiaaleja, jotka näyttävät aidoilta. Vaikka kyseistä toiminnallisuutta voidaan hyödyntää monissa tehtävissä, teknologian mahdollinen käyttö haitallisiin tarkoituksiin herättää huolta siitä, että lähitulevaisuudessa sen avulla voidaan manipuloida ihmisten maailmankatsomuksia. Tämän työn tavoite on selvittää, kuinka luonnollisen näköisiä materiaaleja generatiiviset kilpailevat verkostot pystyvät luomaan ja kuinka korkealla tarkkuudella niiden laatimia materiaaleja voidaan erottaa aidoista materiaaleista.
Työssä tutkitaan neljää visuaalisia materiaaleja luovaa generatiivista kilpailevaa verkostoa, niiden toimintaa ja kehitystä viimeisen kolmen vuoden aikana. Kolme vuotta vanhan verkoston luomia staattisia materiaaleja voidaan tunnistaa pelkällä silmäyksellä, mutta nykyisten menetelmien luomia materiaaleja ei voida erottaa aidoista materiaaleista ilman syvällistä analyysia. Tämä koskee vain staattisia materiaaleja, koska generatiiviset kilpailevat verkostot eivät vielä pysty luomaan riittävän uskottavaa videomateriaalia. Verkostojen lisäksi työssä tarkastellaan neljää väärennösten tunnistusmenetelmää. Työssä osoitetaan, että nykyiset tunnistusmenetelmät mahdollistavat väärennösten erottamisen aidoista materiaaleista korkealla tarkkuudella.
Kokoelmat
  • Kandidaatintutkielmat [9897]
Kalevantie 5
PL 617
33014 Tampereen yliopisto
oa[@]tuni.fi | Tietosuoja | Saavutettavuusseloste
 

 

Selaa kokoelmaa

TekijätNimekkeetTiedekunta (2019 -)Tiedekunta (- 2018)Tutkinto-ohjelmat ja opintosuunnatAvainsanatJulkaisuajatKokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy
Kalevantie 5
PL 617
33014 Tampereen yliopisto
oa[@]tuni.fi | Tietosuoja | Saavutettavuusseloste