Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, grafik ketahanan dua detektor deepfake saat wajah dikompresi JPEG, seperti ketika foto dikirim lewat WhatsApp atau media sosial. Akurasi efisien net angelop dari 87 menjadi 74%, sedangkan vision transformer tetap stabil di atas 83%. Ayo kita mulai. Halo, selamat datang di episode kelima seri deteksi deepfake berbasis vision transformer. Dalam penelitian, model usulan harus dibandingkan dengan pembanding yang kuat. Kita memakai efisien net B0, CNN modern yang efisien. Lalu kita uji sesuatu yang sangat penting di dunia nyata. Deepfake hampir selalu tersebar setelah dikompresi oleh aplikasi pesan dan media sosial. Apakah detektor kita masih bekerja?
Langkah 1: EfficientNet-BO sebagai pembanding
Buat file lati underscore cnn.py Fungsi buat CNN memuat efisien net B0 pre-try net image net dari TorchVision, dan mengganti lapisan terakhirnya dengan linear 2 kelas. Kita memakai fungsi latih yang sama persis dari episode 4, 8 epoch, Adamwe, cosine annealing, dan label smoothing. Protokol yang sama adalah syarat perbandingan yang adil.
Langkah 2 Hasil VIT vs CNN
JALANKAN Efisien net B0 punya 4,01 juta parameter, sedikit lebih kecil dari fit ini, tetapi setiap epoch hampir 3 kali lebih lama, sekitar 46 detik, karena konvolusi pada resolusi penuh. Akurasi validasi terbaiknya 87,2%, dibawah NMIT yang 92,2%. Grafik membandingkan kurva akurasi validasi keduanya.
Langkah 3: Simulasi kompresi JPEG
Sekarang buat file uji underscore kompresi dot py. Fungsi JPEG membuat transformasi yang menyimpan citra sebagai JPEG dengan kualitas tertentu di memori, lalu membukanya kembali. Kita muat kedua model terbaik, hitung akurasi data uji tanpa kompresi, lalu pada kualitas JPEG 100, 90, 75, 50, dan 30.
Langkah 4: Ketahanan terhadap kompresi
JALANKAN Tanpa kompresi, NMIT 86,7% dan efisien net 85% di data uji, setara. Tapi lihat saat kompresi makin berat. Pada kualitas 75, efisien net turun ke 77%, dan pada kualitas 30 hanya 74%. NMIT tetap di kisaran 84-87%. Penjelasannya, CNN cenderung bergantung pada pola piksel halus yang dihapus kompresi JPEG, sedangkan self-attention NMIT melihat hubungan global antar PEC yang lebih tahan kompresi. Temuan seperti ini sangat bernilai untuk bab pembahasan penelitian.
2 Selesai!
Selesai. Kita sudah membandingkan vision transformer dengan CNN efisien net secara adil, dan menguji ketahanan keduanya terhadap kompresi JPEG. NMIT unggul baik di akurasi validasi maupun ketahanan. Di episode terakhir kita melihat peta attention untuk menafsirkan keputusan NMIT, dan membuat aplikasi web pemeriksa deepfake. Sedang menyusun skripsi, tesis, atau riset AI di bidang deteksi deepfake dan forensik citra? Cerdas inovasi digital membantu implementasi deep learning, dari deteksi wajah, vision transformer, perbandingan dengan CNN, uji ketahanan kompresi, sampai peta attention dan aplikasi web, serta membuka kursus deep learning dengan PyTor. Ingin menguasai seluruh seri ini, dari deta set wajah sampai aplikasi pemeriksa deepfake? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.276 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
