Manipulated videos and images, known as deepfakes, are more common than ever. They can be used to spread disinformation on social media and harm individuals. With more advanced deep learning methods on the horizon and harder-to-detect deepfakes, advancement in deepfake detection is crucial to detect manipulated videos. Thus, this thesis presents three variants of a novel deep-learning model with the purpose of improving the detection of deepfakes. The proposed models consist of a spatiotemporal convolutional neural network used as a feature extractor and a vision transformer used as a classifier. The performance, robustness, and knowledge transferability of the models were tested. The models were trained and evaluated on multiple datasets and compared to a state-of-the-art baseline model. The robustness of the models was tested by applying several perturbation techniques: Gaussian noise, blur, increased brightness, and change in compression rate. The knowledge transferability was tested by evaluating the models when trained on one dataset and tested on another. Lastly, the impact of the size of the temporal domain was investigated. The best-performing proposed model achieved competitive results with the state-of-the-art in terms of performance and robustness. It also showcased slightly better knowledge transferability, although neither model performed well when tested on unseen manipulation techniques. In summary, this thesis presents a novel spatiotemporal deep learning model achieving similar performance as current state-of-the-art methods when applied to deepfake detection. However, the proposed combined model did not display any increase in performance compared to already existing methods.

Manipulerade videor och bilder, kända som deepfakes, är vanligare än någonsin. De kan användas för att sprida desinformation på sociala medier och skada individer. Med mer avancerade metoder för djupinlärning vid horisonten och svårare deepfakes att upptäcka är framsteg inom deepfake-detektering avgörande för att upptäcka manipulerade videor. Därav presenterar denna avhandling varianter av en ny modell för djupinlärning med syftet att förbättra detektering av deepfakes. Den föreslagna modellen består av ett spatiotemporalt convolutional nerual netowrk som används som en funktionsextraktor och en vision transformer som en klassificerare. Modellens prestanda, robusthet och kunskapsöverföringsbarhet testades. Modellerna tränades och utvärderades på flera datamängder och jämfördes med en state-of-the-art basmodel. Ro- bustheten hos modellerna testades genom att tillämpa flera störningstekniker: Gaussiskt brus, oskärpa, ökad ljusstyrka och ändrad kompressionsnivå. Deras kunskapsöverföringsbarhet testades genom att utvärdera modellen när den tränades på en datamängd och testades på en annan. Den bästa förlagna modellen uppnådde konkurrenskraftiga resultat jämfört med state-of-the-art när prestanda och robusthet jämfördses. Den visade också ett litet övertag gällande dess kunskapsöverföringsbarhen, men ingen av modellerna presterade bra när de testades på osedda manipulationstekniker. Sammanfattningsvis presenterar denna avhandling en ny spatiotemporal djupinlärningsmodell som uppnår liknande prestanda som nuvarande state- of-the-art metoder när den tillämpas på deepfake-detektion.