Deepfake Tespitinde Derin Öğrenme Modellerinin Başarım ve Hesaplama Maliyeti Açısından Karşılaştırmalı Analizi
10th International Artificial Intelligence and Data Processing Symposium (IDAP'26), İstanbul, Türkiye, 5 - 06 Eylül 2026, ss.1-6, (Tam Metin Bildiri)
- Yayın Türü: Bildiri / Tam Metin Bildiri
- Doi Numarası: 10.1109/idap71869.2026.11728050
- Basıldığı Şehir: İstanbul
- Basıldığı Ülke: Türkiye
- Sayfa Sayıları: ss.1-6
- Kocaeli Üniversitesi Adresli: Evet
Özet
Gelişen teknoloji ve yapay zeka uygulamalarının geniş kitlelere ulaşmasıyla birlikte, gerçek görüntülerden ayırt edilmesi giderek zorlaşan sahte içerikler (deepfake) önemli bir güvenlik tehdidi hâline gelmiştir. Bu içeriklerin otomatik tespiti için derin öğrenme modelleri yaygın olarak kullanılmaktadır. Bu çalışmada, FaceForensics++ veri kümesi üzerinde yedi derin öğrenme modeli aynı donanım ortamında karşılaştırmalı olarak değerlendirilmiştir. Modeller doğruluk metriklerinin yanı sıra parametre sayısı, hız ve çıkarım süresi gibi metrikler ile hesaplama maliyeti açısından da değerlendirilmiştir. Elde edilen bulgular, EfficientNet-B0 ve XceptionNet modellerinin en yüksek doğruluk değerlerine ulaştığını, XceptionNet’in yüksek doğruluğu düşük çıkarım süresiyle birleştirdiğini göstermiştir.MobileNetV3 ise yüksek doğruluk, düşük hesaplama maliyeti ve küçük model boyutu sayesinde gerçek zamanlı deepfake tespit sistemleri için dengeli bir seçenek olarak değerlendirilmiştir.Sonuçlar, model seçiminin yalnızca doğruluk üzerinden değil, doğruluk ve hesaplama maliyeti dengesi birlikte dikkate alınarak yapılması gerektiğini göstermektedir.