Mert Kaya
MenüSchließen

Forschung

Publikationen

Augmentation and Cutout in Deepfake Detection: A Comparative Study of Accuracy, Calibration, and Attention

Mert Kaya, Venera Adanova

UBMK 2026, 11th International Conference on Computer Science and Engineering, Istanbul (IEEE)

Angenommen, erscheint in IEEE Xplore.

In der Studie wird ein EfficientNet-B4-Deepfake-Detektor auf FaceForensics++ in neun Konfigurationen aus Datenaugmentation und Cutout trainiert. Verglichen werden AUC, F1, Brier-Score und Log-Loss; zusätzlich wird die Grad-CAM-Aufmerksamkeit in den Gesichtsregionen gemessen. Die vier Metriken sind sich über die beste Konfiguration uneins: Genauigkeit und Wahrscheinlichkeitskalibrierung sprechen für verschiedene Modelle.

BibTeX
@inproceedings{kaya2026augmentation,
  author = {Kaya, Mert and Adanova, Venera},
  title = {Augmentation and Cutout in Deepfake Detection: A Comparative Study of Accuracy, Calibration, and Attention},
  booktitle = {UBMK 2026, 11th International Conference on Computer Science and Engineering},
  year = {2026},
  note = {Accepted; to appear in IEEE Xplore}
}

Explainable deepfake detection using frame level CNN models: A comparative study of augmentation and cutout techniques

Mert Kaya, Betreuung: Venera Adanova

Masterarbeit, TED University,

CNN-Deepfake-Detektoren auf Einzelbildebene im Vergleich verschiedener Einstellungen für Datenaugmentation und Cutout, mit Grad-CAM-Analyse nach Gesichtsregionen.

BibTeX
@mastersthesis{kaya2025explainable,
  author = {Kaya, Mert},
  title = {Explainable deepfake detection using frame level CNN models: A comparative study of augmentation and cutout techniques},
  school = {TED University},
  year = {2025},
  doi = {10.5281/zenodo.18998566}
}

Forschungs­gebiete

Entscheidungsmodelle

Modelle, die eine Frage mit festen Antwortoptionen beantworten und für jede Option eine kalibrierte Wahrscheinlichkeit ausgeben, evaluiert auf Englisch, Türkisch und Deutsch.

Kleine Agentenmodelle

Auf ausgeführten Trajektorien trainierte Modelle für Agenten, die sich Tabellen, Notizen und ein Aufgabenboard teilen.

Erklärbare Deepfake-Erkennung

EfficientNet-B4-Detektoren, Experimente mit Datenaugmentation und Cutout sowie Grad-CAM-Analysen nach Gesichtsregionen.

Sprachmodelle für Quenya und Sindarin

Ein kleines Modell, das beide Sprachen liest und schreibt, auch in Tengwar-Schrift, gestützt auf ein grammatisch geprüftes Korpus.