Deep Learning verändert die Rundfunkbranche

Tiefes Lernen ist in vielen Unternehmungen zu einem Schlagwort geworden, und auch Rundfunkanstalten gehören zu denen, die damit beginnen müssen, das gesamte Potenzial auszuschöpfen, das es zu bieten hat, von der Nachrichtenberichterstattung bis hin zu Spielfilmen und -programmen, sowohl im Kino als auch im Fernsehen.

As TechRadar Berichten zufolge sind die Möglichkeiten, die Deep Learning im Bereich der Videoproduktion, -bearbeitung und -katalogisierung bietet, bereits recht hoch. Aber wie bereits erwähnt, ist diese Technologie nicht nur auf sich wiederholende Aufgaben im Rundfunk beschränkt, sondern kann auch „Verbessern Sie den kreativen Prozess, verbessern Sie die Videobereitstellung und tragen Sie dazu bei, die riesigen Videoarchive zu bewahren, die viele Studios führen.“

Was die Videogenerierung und -bearbeitung betrifft, wird erwähnt, dass Warner Bros. rKürzlich musste er 25 Millionen US-Dollar für Neuaufnahmen von „Justice League“ ausgeben und ein Teil dieses Geldes floss in die digitale Entfernung eines Schnurrbarts dieses Stars Henry Cavill war gewachsen und konnte sich aufgrund einer sich überschneidenden Verpflichtung nicht rasieren. Der Einsatz von Deep Learning bei solch zeitaufwändigen und finanziell belastenden Prozessen in der Postproduktion wird sicherlich sinnvoll sein.

Sogar weit verbreitete Lösungen wie Flo ermöglichen es, mithilfe von Deep Learning automatisch ein Video zu erstellen, indem Sie einfach Ihre Idee beschreiben. Die Software sucht dann nach möglicherweise relevanten Videos, die in einer bestimmten Bibliothek gespeichert sind, und bearbeitet sie automatisch.

Flo ist außerdem in der Lage, Videos zu sortieren und zu klassifizieren, wodurch es einfacher wird, einen bestimmten Teil des Filmmaterials zu finden. Solche Technologien ermöglichen es auch, unerwünschtes Filmmaterial einfach zu entfernen oder eine persönliche Empfehlungsliste auf der Grundlage eines Videos zu erstellen, an dem jemand Interesse bekundet hat.

Google hat ein neuronales Netzwerk entwickelt“die den Vorder- und Hintergrund eines Videos automatisch trennen kann. Was früher erforderlich war grüner Bildschirm kann jetzt ohne spezielle Ausrüstung durchgeführt werden.“

Der Deep Fake hat sich bereits einen Namen gemacht, beides, Gut und Böse, aber sein potenzieller Einsatz bei Spezialeffekten hat bereits ein recht hohes Niveau erreicht.

Der Bereich, in dem Deep Learning bei der Restaurierung klassischer Filme sicherlich einen Unterschied machen wird, wie z Im UCLA Film & Television Archive ist fast die Hälfte aller vor 1950 produzierten Filme verschwunden und 90 % der klassischen Filmkopien sind derzeit in einem sehr schlechten Zustand.

Das Einfärben von Schwarz-Weiß-Filmmaterial ist unter Filmemachern immer noch ein kontroverses Thema, aber wer sich für diesen Weg entscheidet, kann es jetzt nutzen Nvidia-Tools, was einen so langwierigen Prozess erheblich verkürzen wird, da der Künstler nun nur noch ein Bild einer Szene kolorieren muss und Deep Learning von dort aus den Rest erledigt. Andererseits hat Google eine Technologie entwickelt, die in der Lage ist, einen Teil einer Videoaufnahmeszene basierend auf Start- und Endbildern nachzubilden.

Die Gesichts-/Objekterkennung wird bereits aktiv eingesetzt, von der Klassifizierung einer Videosammlung oder einem Archiv über die Suche nach Clips mit einem bestimmten Schauspieler oder Journalisten bis hin zur Zählung der genauen Zeit eines Schauspielers in einem Video oder Film. TechRadar erwähnt das Sky News nutzte kürzlich die Gesichtserkennung, um berühmte Gesichter bei der königlichen Hochzeit zu identifizieren.

Diese Technologie wird mittlerweile in großem Umfang in Sportübertragungen eingesetzt, um beispielsweise „Verfolgen Sie die Bewegungen des Balls oder identifizieren Sie andere Schlüsselelemente des Spiels, beispielsweise das Tor.“ Im Fußball (Fußball) Diese Technologie mit dem Namen VAR wird tatsächlich in vielen offiziellen Turnieren und nationalen Ligen als Schiedsrichterwerkzeug während des Spiels eingesetzt.

Streaming ist ein weiterer Aspekt des Rundfunks, der von Deep Learning profitieren kann. Neuronale Netze können High-Definition-Frames aus Low-Definition-Eingaben wiederherstellen, sodass der Betrachter von einer besseren Anzeige profitiert, selbst wenn das ursprüngliche Eingabesignal nicht vollständig dem Standard entspricht.