Dipilih dari software, topik, dan level “Kelas Deteksi Deepfake Vision Transformer #6: Peta Attention untuk Interpretasi & Aplikasi Pemeriksa Deepfake”.
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, aplikasi web pemeriksa deepfake. Pilih atau unggah foto, wajah dideteksi otomatis, lalu Vision Transformer menilai apakah wajah itu asli atau buatan AI, dan peta attention memperlihatkan area yang diperhatikan model saat memutuskan. Ayo kita mulai. Halo, selamat datang di episode terakhir seri deteksi deepfake berbasis Vision Transformer. Detektor deepfake yang dipakai di dunia nyata harus bisa dijelaskan, bukan sekadar kotak hitam. Hari ini kita membuat peta attention dengan teknik attention rollout, lalu mengemas model menjadi aplikasi web yang bisa dipakai siapa saja.
Langkah 1: Menangkap bobot attention
Buat file peta underscore attention dot pay. Kita muat enam IT terbaik dari episode 4. Supaya bisa membaca bobot attention, mode fucet attention di setiap blok dimatikan, lalu kita pasang forward hook pada attend drop di kedua belas blok untuk menangkap matrix attention setiap kali model dijalankan. Fungsi rollout adalah inti interpretasinya.
Langkah 2: Attention rollout
Untuk setiap blok, attention dirata-ratakan antar kepala, ditambah matrix identitas untuk mewakili koneksi residual, dinormalisasi, lalu dikalikan berantai dari blok pertama sampai terakhir. Baris token CLS dari hasil perkalian itu menunjukkan seberapa besar setiap pack memengaruhi keputusan akhir. Hasilnya grid 12x12 yang kita normalisasi ke 0 sampai 1.
Langkah 3: Peta attention wajah asli & palsu
Kita gambar tiga wajah asli dan tiga wajah palsu dari data uji, lengkap dengan probabilitas palsu dan peta attention di atasnya. Jalankan Ketiga wajah asli mendapat probabilitas palsu rendah, 0,02 sampai 0,46, dan ketiga wajah palsu 0,9 sampai 0,96. Semuanya benar. Yang menarik, model banyak memperhatikan tepi citra, latar, dan rambut, bukan pusat wajah. Ini sejalan dengan penelitian bahwa artefak gen sering muncul di latar dan batas objek. Di akhir, 6 contoh wajah disimpan ke folder contoh untuk aplikasi.
Langkah 4: Aplikasi Streamlit: memuat model & input
Sekarang aplikasinya. Buat file app underscore deepfake.py dengan streamlib. Model dimuat sekali dengan cacah resource. Fungsi potong wajah memakai citra apa adanya bila sudah berukuran 192, agar jejak gen tidak rusak, atau memotong ria wajah dari foto bebas. Halaman berisi select box contoh dan file uploader. Bagian pemeriksaan,
Langkah 5: Pemeriksaan & menjalankan aplikasi
wajah dideteksi dengan unit dari episode 2, lalu diklasifikasi NMIT. Kolom kiri menampilkan foto dengan kotak wajah, kolom kanan hasilnya, kotak merah bila kemungkinan deepfake, hijau bila asli, plus progres bar probabilitas palsu dan catatan batasan model. Kita jalankan dengan streamlit run, lalu membukanya di browser di lokal host port 8501.
Langkah 6: Mencoba aplikasi di browser
Aplikasinya tampil. Contoh pertama, wajah asli 1, dinilai kemungkinan asli dengan keyakinan sekitar 73%. Kita pilih contoh wajah palsu 1, dan aplikasi langsung menilainya sebagai kemungkinan deepfake dengan probabilitas sekitar 94%. Model ini dilatih khusus untuk wajah style gain, jadi untuk jenis deepfake lain perlu data latih tambahan.
Selesai!
Selesai, dan selesai pula seri ini. Kita sudah membangun penelitian deteksi deepfake secara lengkap, data set wajah asli dan style gain, jejak gain di domain frekuensi, deteksi wajah unit, vision transformer dari 0, fine tuning NMIT pretrinet, perbandingan dengan CNN dan uji kompresi, sampai peta attention dan aplikasi web. Untuk penelitian lanjutan, coba data set face swap seperti face forensics, video, atau model yang lebih besar. Terima kasih sudah mengikuti seri ini. 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 data 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 cerdas inovasi digital.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 video1.277 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.
