Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo

Este proyecto tiene como propósito el desarrollo de un modelo que permita clasificar los rostros de un video como reales o alterados por DeepFake. Para esto se hace uso del aprendizaje profundo con el fin de construir un modelo híbrido que pueda clasificar rostros de un video a través de entrenamiento supervisado. La arquitectura propuesta está compuesta por una red neuronal convolucional (CNN), la cual se utiliza como extractor de características, y una red recurrente para la clasificación. Tras probar diferentes variaciones de RNN con la red pre entrenada InceptionV3 se encontró que la mejor se basa en una GRU unidireccional.

• Autores: Ballesteros Pastrán, Santiago; Jiménez Varón, Catalina
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/60261
• Acceso en línea: http://hdl.handle.net/1992/60261
• Palabra clave: Aprendizaje profundo; Deep Learning; Arquitectura hibrida (cnn-rnn); Hybrid arquitecture (cnn-rnn); Clasificación multi-rostro; Multi-face classification; Procesamiento de videos; Video processing; Transferencia del aprendizaje; Transfer learning; Ingeniería
• Rights: openAccess
• License: Atribución 4.0 Internacional