Deep-fake photographs are difficult to discern from real ones, especially when utilized in social media platforms. Anyone can willfully create disinformation about public personalities, politicians, and celebrities using these deep fake photographs. So, it is an important need of society to work for an effective model for its detection. The models for deep fake detection commonly use CNN-based detectors. These detectors experience a drop in performance when used for transfer learning or continual learning techniques. A significant limitation in this process is CNN's catastrophe forgetting defect. For the solution of this problem, a Generative replay technique in the form of a GAN-CNN model is implemented that works to minimize this catastrophe forgetting issue that further helps for better detection. It involves generating and storing samples from previous tasks and then replaying them during the training of new tasks which makes CNN more robust to identify deep fakes. The GAN model used in this work is traditional DCGAN improved with necessary adjustments to achieve training stability. It is observed that the model attained a good accuracy of 98.67%(training),70.08% (testing) and minimum loss with a value of 0. 0337 for 100 epochs. Also, it acquired good precision values of 68% and 72%, Recall values are 74% and 66%, and F1 scores of 71% and 69% for classes 0 and 1 respectively. The model outcome is found stable and reliable in deep fake detection under dynamic training conditions. Optimum values of evaluation parameters ensure the model's capacity to learn new tasks preserving the existing task-learning knowledge.

This article offers with biometrics associated with price strategies. The approach uses biometrics Characteristics that permit an person to be diagnosed. Biometric systems - and powerful method of authentication machine. He makes use of one of a kind patterns of his fingerprints. Biometric charge system Safe and comfy, and notably easy to use without or with a password. Compared to the preceding technique, retaining mystery codes in thoughts, the loan disbursement approach, Movable loans, and many others. In daily life, buy of credit and debit playing cards, use of invitation Fees, journey and extra. The problem is that the individual desires to bear in mind their passwords. Always carry the name of the game code with you for safety. Biometric system will solve this hassle. Doubt Widespread adoption of biometric fee techniques is too fee-powerful for small groups. Business proprietors.

The intelligent Internet of Vehicles (IoV) provides superior results in effectively addressing complex transportation challenges. Predicting vehicle traffic, crashes, demand, location, communication, and travel safety are all critical issues in today's transportation systems. The proposed paper optimizes vehicle traffic by incorporating reroute recommendations, increasing the use of public transportation, and providing onboard vehicle drivers with intelligent health assistance using Federated Learning (FL). This research also focuses on resolving complex transportation issues such as a vehicle's current location, exact vehicle count information on each route, and onboard vehicle vacant seat information. Furthermore, vehicle communication contributes to the proposed system's efficiency by avoiding communication delays or information loss to registered users and the cloud server. An intelligent FL-based scheme for vehicle route optimization has been proposed as part of this research to prevent vehicle traffic in a real-time Internet of Things (IoT) connected IoV transportation system. The vehicle detection approach determines the number of vehicles traveling on each route to recommend the best route to registered users. The effective implementation of cluster-based vehicle communication and location estimation models enhances the efficiency of the proposed system.

The proliferation of digital video content in today's digital age has given rise to an increasing concern regarding the authenticity and integrity of video data. Video forgery, such as splicing, tampering, or manipulation, poses a significant threat to the credibility of multimedia content. This paper introduces a method for detecting spatial-video forgeries by leveraging a customized ResNet50 deep CNN. Within this investigation, we address the challenge of detecting spatial video forgeries by leveraging the power of deep learning We propose a Modified ResNet50 architecture that has been fine-tuned for the specific task of video forgery detection. The modified architecture is trained on a varied dataset comprising genuine and manipulated video frames, allowing it to learn intricate features and patterns indicative of forgery. Our approach benefits from the ResNet50 deep architecture, This approach naturally grasps hierarchical and abstract features within video frames. The results obtained from experiments on benchmark datasets validate the efficacy of our method, illustrating its precision in identifying spatial video forgeries. We evaluate the effectiveness of our model by comparing its performance with cutting-edge methods, showcasing its superior accuracy and robustness. Moreover, we evaluate the model's performance under various forgery scenarios, including copy-move, object insertion, and object removal.