Cycle GANs for Forgery Detection

Abstract

Med den økende egenskapene til dype læringsmodeller blir bekymringene reist om bruk av maskinlæring som et verktøy for å generere falsk media. Dette gjøres vanligvis ved hjelp av generative nevrale nettverksarkitekturer som generative adversarial networks (GANs). Temaet for denne oppgaven er en slik problemstilling, potensialet for den generative dyp læringsmodellen CycleGAN for å generere og detektere falsk håndskrift. Oppgaven demonstrerer CycleGAN-arkitekturens evne til å generere tekst i en håndskrift stil ved å bruke stiloverføring og etablerer noen fordeler og begrensninger ved å bruke CycleGANs for å generere håndskrift og detektere forfalsket håndskrift. Dette gjøres ved å trene CycleGAN-modeller for å mappe mellom håndskriftsdomener i forskjellige stiler. Dette gir generatorer som er trent til å mappe håndskrift eksempler fra ett stildomene til et tilsvarende eksemplar i det andre stildomenet, og diskriminatorer som er trent til å detektere om håndskrift eksempler er reelle eller generert av generatorene. Disse modellene blir deretter testet i deres evne til å generere og detektere henholdsvis falsk håndskrift.

With the increasing capabilities of deep learning models concerns are being raised about the use of machine learning as a tool for generating fake media. This usually done using using generative neural network architectures such as generative adversarial networks (GANs). The topic of this thesis is one such issue, the potential of the generative deep learning architecture CycleGAN for generating and detecting fake handwriting. The thesis demonstrate the ability of the CycleGAN architecture to generate text in the style of handwriting using style transfer and establish some of the advantages and limitations of using CycleGANs for generating handwriting and detecting forged handwriting. This is done by training CycleGAN models to map between domains of handwriting in different styles. This yields generators trained to map handwriting samples from one style domain to an equivalent sample in the other style domain, and discriminators trained to detect if handwriting samples are real or generated by the generators. These models are then tested in their ability to generate and detect fake handwriting respectively.