Dyb læring former om igen udsendelsesindustrien

Dyb læring er blevet et buzzord i mange fremtidsrettende tiltag, og udsendelsesorganisationer er også blandt dem, der skal begynde at udforske alle de muligheder, det har at tilbyde, fra nyhedsrapportering til spillefilm og programmer, både i biografen og på tv.

Som TechRadar har rapporteret, er antallet af muligheder, dyb læring præsenterer i feltet video-produktion, redigering og katalogisering allerede ret højt. Men som det også nævnes, er denne teknologi ikke kun begrænset til, hvad der anses for repetitive opgaver i udsendelse, da den også kan “forbedre den kreative proces, forbedre videoleveringen og hjælpe med at bevare de massive video-arkiver, som mange studier har.

Vedrørende video-generering og redigering nævnes det, at Warner Bros. for nylig har brugt 25 millioner dollars på omoptagelser til ‘Justice League’ og en del af pengene gik til at digitalt fjerne en skæg, som stjernen Henry Cavill havde vokset og ikke kunne barbere på grund af en overlappende forpligtelse. Brugen af dyb læring i sådanne tidskrævende og finansielt belastende processer i post-produktion vil bestemt blive sat til god användelse.

Selv vidt tilgængelige løsninger som Flo gør det muligt at bruge dyb læring til at automatisk skabe en video ved blot at beskrive din idé. Softwaren søger derefter efter mulige relevante videoer, der er gemt i en bestemt bibliotek, og redigerer dem sammen automatisk.

Flo kan også sortere og klassificere videoer, hvilket gør det lettere at finde en bestemt del af optagelsen. Sådanne teknologier gør det også muligt at let fjerne uønsket optagelse eller lave en personlig anbefalingsliste baseret på en video, som nogen har udtrykt interesse for.

Google (GOOGL ) har udviklet et neuralt netværk “der kan automatisk adskille forgrunden og baggrunden af en video. Det, der tidligere krævede en grøn skærm, kan nu gøres uden speciel udstyr.

Den dybe fake har allerede gjort sig bemærket, både godt og dårligt, men dens potentiale brug i specialeffekter har allerede nået et ret højt niveau.

Området, hvor dyb læring bestemt vil gøre en forskel, er i restaureringen af klassiske film, da UCLA Film & Television Archive, næsten halvdelen af alle film, der er produceret før 1950, er forsvundet og 90% af de klassiske filmkopier er i øjeblikket i en meget dårlig tilstand.

At farvelægge sort-hvid optagelse er stadig et kontroversielt emne blandt filminstruktører, men de, der vælger at gå den vej, kan nu bruge Nvidia (NVDA ) -værktøjer, som vil forkorte en sådan længerevarende proces, da det kun kræver, at kunstneren farvelægger ét billede af en scene, og dyb læring vil gøre resten derefter. På den anden side har Google udviklet en teknologi, der kan genskabe en del af en video-optagelse baseret på start- og slutrammer.

Ansigt/genkendelse er allerede aktivt brugt, fra klassificering af en video-samling eller arkiv, søgning efter klip med en given skuespiller eller nyhedsudsender, eller tælling af den præcise tid, en skuespiller er i en video eller film. TechRadar nævner, at Sky News for nylig brugte ansigtsgenkendelse til at identificere berømte ansigter ved det kongelige bryllup.

Denne teknologi bliver nu bredt brugt i sportsudsendelser til at “spore boldens bevægelser eller identificere andre nøgleelementer i spillet, såsom målet. I fodbold bruges denne teknologi, der er kendt som VAR, i mange officielle turneringer og nationale ligaer som et værktøj for dommeren under spillet.

Streaming er endnu et aspekt af udsendelse, der kan få glæde af dyb læring. Neurale netværk kan genskabe højdefinitionsbilleder fra lavdefinitionindgang, hvilket gør det muligt for seeren at nyde bedre visning, selv hvis den oprindelige indgangssignal ikke er fuldt op til standarden.