Publication
Cross-Dataset Deep Fake Detection
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | |
| dc.contributor.advisor | Neves, João Carlos Raposo | |
| dc.contributor.author | Marques, José Pedro da Costa | |
| dc.date.accessioned | 2025-10-29T16:37:50Z | |
| dc.date.available | 2025-10-29T16:37:50Z | |
| dc.date.issued | 2024-12-10 | |
| dc.date.submitted | 2024-10-10 | |
| dc.description.abstract | This thesis presents an in-depth study of deepfake technology, focusing on generative techniques and the critical challenge of detecting such forgeries. The study delves into the technical foundations of deepfake creation, emphasizing the use of Generative Adversarial Networks (GANs), Diffusion Models, and Autoencoders. Alongside the generative processes, this research examines a variety of detection algorithms, stressing the importance of specific feature analysis and deep learning detectors in identifying sophisticated forgeries. A novel approach is proposed in this thesis, incorporating advanced facial feature analysis using spatial, frequency, and temporal landmark features, with Gated Multimodal Units for feature fusion, allied to a triplet attention mechanism, and transformers to leverage temporal dependencies. These methodologies are designed to improve the detection of deepfakes, addressing the growing sophistication of such technologies and their ability to bypass traditional detectors. The contributions of this thesis extend both to academic understanding and practical applications in enhancing the robustness of deepfake detection mechanisms, ultimately contributing to a safer digital environment. | eng |
| dc.description.abstract | Esta dissertação apresenta uma investigação da tecnologia deepfake, nas técnicas generativas e no desafio crítico de detetar tais falsificações. O estudo aborda as principais técnicas da criação de deepfakes, destacando o uso de Redes Gerativas Adversariais (GANs), Modelos de Difusão e Autoencoders. Para além dos processos generativos, são examinados vários algoritmos de deteção, sublinhando a importância da análise de características específicas e dos detetores baseados em aprendizagem profunda para identificar falsificações sofisticadas. Nesta dissertação, propõe-se uma abordagem inovadora que integra a análise avançada de características faciais usando características espaciais, de frequência e de pontos faciais, com Gated Multimodal Units para fusão de características em conjunto com um mecanismo de atenção tripla e ainda utiliza transformadores para explorar dependências temporais. Estas metodologias são concebidas para melhorar a deteção de deepfakes, enfrentando a crescente sofisticação dessas tecnologias e a sua capacidade de escapar aos detetores tradicionais. As contribuições desta dissertação abrangem tanto o entendimento académico como as aplicações práticas, visando melhorar a robustez dos mecanismos de deteção de deepfakes e contribuir para um ambiente digital mais seguro. | por |
| dc.identifier.tid | 204027080 | |
| dc.identifier.uri | http://hdl.handle.net/10400.6/19047 | |
| dc.language.iso | eng | por |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Algoritmos de Aprendizagem Automática | por |
| dc.subject | Análise de Características Faciais | por |
| dc.subject | Au- Toencoders | por |
| dc.subject | Deteção de Deepfakes | por |
| dc.subject | Deteção de Falsificação de Vídeo | por |
| dc.subject | Estratégias de Deteção Multimodal | por |
| dc.subject | Modelos de Difusão | por |
| dc.subject | Redes Adversárias Generativas (Gans) | por |
| dc.title | Cross-Dataset Deep Fake Detection | por |
| dc.type | master thesis | por |
| dspace.entity.type | Publication | |
| thesis.degree.name | 2º Ciclo em Engenharia Informática | por |
Files
Original bundle
1 - 1 of 1