Проходят недели, а работа над моей диссертацией, кажется, не заканчивается. Некоторые проблемы существуют из-за того, что мы привилегированы. Подумайте, у скольких людей есть возможность получить докторскую степень и жить в той части мира, где технологии настолько развиты, что у вас есть возможность изучать и исследовать науку из первых рук.
Я имею в виду, как я был воспитан. Всегда быть благодарным за ресурсы, которые у вас есть, и использовать ресурсы, чтобы помогать другим любым возможным способом. Раз в жизни вы достигаете момента, когда что-то важнее вас самих. Для меня защита докторской диссертации была одним из них. Конечно, я благодарен за это, а также иногда злюсь. 😁
Кто угодно 🤷🏻♀️
Итак, на прошлой неделе я добился хорошего прогресса в составлении вопросов для исследования и поиске пробелов в литературе. Как только я стал достаточно уверен в себе по стандартам Козерога (LMAO), я связался со своим исследовательским комитетом и представил им предварительную презентацию по проблеме, которую я хотел решить.
Они были очень впечатлены (😉), потому что Deepfake — это новое явление в исследовательском мире. Очень немногие исследователи сосредоточены на обнаружении дипфейков и их влиянии на нас. Я был очень взволнован, когда я узнал, что правительство. агентства заинтересованы в исследованиях Deepfake и поощряют людей находить решения для него.
На втором этапе моего исследования я решил предварительно обучить модели EfficientNet-B4 и B7, а затем сравнить их с эталонным набором данных дипфейков. Это здорово, как будто мы подключаем эти модели к реальному миру, и он учится сам, регулярно сталкиваясь с дипфейками и обнаруживая их как результат.
да да изобразительное представление это ключ 🤭
Довольно простой, но эффективный способ сравнения двух современных EfficientNets B4 и B7.
Мой план на ближайшую неделю состоит в том, чтобы обучить и собрать данные о производительности для обеих фаз исследования и сравнить их с хи-квадратом Макнемара, используя таблицы непредвиденных обстоятельств, чтобы понять истинно положительные, ложноположительные, истинно отрицательные и ложноотрицательные результаты для EfficientNet-B4 и B7.
Хи-квадрат Макнемара — подходящий статистический тест для моделей машинного обучения и более удобный для задач классификации, таких как обнаружение дипфейков. таким образом, результаты методов обнаружения являются бинарными (например, изображение или видеоконтент является дипфейковым или реальным).
БРАВО БРАВО 👏 до следующего раза!!
