Details

Целью работы является повышение защищенности видеоданных от подделки с помощью методов искусственного интеллекта. Объектом исследования являются методы выявления видео подделок. Задачи, решаемые в ходе исследования: 1. Исследовать существующие методы создания и выявления видеоподделок. 2. Разработать метод защиты видеоданных на основе выявления подделок с помощью современных методов искусственного интеллекта. 3. Экспериментально оценить эффективность разработанного метода. В ходе работы были изучены и систематизированы методы создания и выявления видеоподделок. В результате работы создан пространственный метод выявления видеоподделок сочетающий преимущества сверточной нейронной сети и визуального трансформера. Для достижения данных результатов разработана программная реализация метода защиты видеоданных Convolution Neural Network Transformer на языке программирования python. Итоговая точность предлагаемого метода на объемных датасетах DFDC и FaceForensics++ достигает 95%.

The subject of the graduate qualification work is « Protection of video data from forgery using artificial intelligence methods». The purpose of the work is to increase the protection of video data from forgery using artificial intelligence methods. The object of the study is video counterfeit detection methods. The research set the following goals: 1. To investigate the existing methods for creating and detecting video forgeries. 2. To develop a method of video data protection on the basis of fake detection using modern methods of artificial intelligence. 3. Experimentally evaluate the effectiveness of the developed method. In the course of work the methods of creation and detection of video forgeries were studied and systematized. As a result of the work a spatial method of video forgery detection combining the advantages of convolutional neural network and visual transformer was created. To achieve these results, a program implementation of the Convolution Neural Network Transformer video data protection method in the python programming language was developed. The final accuracy of the proposed method on DFDC and FaceForensics++ volumetric datasets reach 95%.