Akademik Veri Yönetim Sistemi
VII. Uluslararası TURKCESS Eğitim ve Sosyal Bilimler Kongresi, Girne, Kıbrıs (Kktc), 1 - 03 Eylül 2021, ss.305
Dijital görüntüler üzerinde çeşitli düzenlemeler yapmaya imkan sağlayan yazılımlar görüntü manipülasyonunu kolay ve yaygın hale getirmiştir. Görüntüler üzerinde yapılan kurcalamalar ile kişiler veya kurumlar maddi manevi zararlar görebilmektedir. Bu durum aynı zamanda suç unsurunu barındırdığı için adli bilişimin ilgi alanı haline gelmiştir. Kurcalanmış görüntüler kitlelere belli bir fikri empoze etme amacı taşıdığı için toplumlar için de tehlikeler taşımaktadır. Dijital görüntüler üzerinde yapılan sahteciliği tespit etmek için kullanılan geleneksel yöntemler sınırlılıkları sebebiyle yerini derin öğrenme tekniklerine bırakmaya başlamıştır. Çünkü geleneksel yöntemler belli bir tür sahteciliği tespit edebilmek için basit özellikler çıkarılması esasıyla çalışır. Derin öğrenme yöntemleri karmaşık sinir ağları yapılarıyla karmaşık ve gizli özellikleri çıkarır aynı zamanda verimini ve doğruluğunu arttırma kapasitesine sahiptir. Bu özellikleri sayesinde araştırmacıların yeni çalışma alanı haline gelmiştir. Bu çalışmada öncelikle kopyala-taşı, birleştirme (splicing), biçim değiştirme (morphing) ve rötuş (retouching) gibi çeşitli dijital görüntü sahteciliği türleri incelenecektir. Ardından dijital görüntü sahteciliği tespit yaklaşımları sınıflandırılacak ve çalışmaların yoğunlaştığı pasif (veya kör) yöntemler ve derin öğrenme teknikleri ile ilgili literatür taraması sunulacaktır. Son kısım analizleri ve bulguları kapsamaktadır. Yapılan çalışmalar sonucunda elde edilen bulgulara göre, evrişimli sinir ağları ve otokodlayıcılar diğer derin sinir ağlarına göre bu alanda en fazla tercih edilen mimari olmuştur.
Ayrıca derin ağların eğitimi için çok sayıda orijinal ve sahte görüntüye ihtiyaç vardır. İnternetten kolaylıkla ulaşılabilen veri setlerinde gereken nicelikte ve nitelikte görüntü bulunmamaktadır. Daha ustaca yapılmış sahte görüntülerle veri setleri güçlendirilmelidir. Farklı sahtecilik türlerinin bu veri setlerinde bulunması derin ağların eğitiminde ayrıca önem arz etmektedir. Hesaplama/bellek darboğazları nedeniyle, derin ağlar girdi olarak oldukça küçük görüntüleri kabul eder fakat gelişen teknolojiler sonucunda elimizde genellikle büyük görüntüler bulunur. Bu nedenle, hedef görüntü ile ağ girişi arasında tipik olarak güçlü bir boyut uyuşmazlığı oluşur. Bu sorunun çözümü için görüntüler ağ girişine uyacak şekilde yeniden ölçeklendirilir veya görüntüler parça bazında işlenir. Bazı araştırmacılar ise bu yöntemin sağlıklı çalışmayacağını iddia ederek tam görüntü-tam çözünürlük esaslı modeller önermiştir. Araştırmacılar yaptıkları deneylerde, kullandıkları algoritmaların performansını ölçmek için farklı kriterler kullanmaktadır. Ortak kriterler kullanarak farklı algoritmaların karşılaştırılması sağlanmalıdır.