Το Deep Learning Αναμορφώνει τη Βιομηχανία Ραδιοφωνικής και Τηλεοπτικής Μεταδόσεων

Το deep learning έχει γίνει ένα buzz word σε πολλές επιχειρήσεις, και οι ραδιοφωνικές και τηλεοπτικές οργανώσεις είναι επίσης μεταξύ εκείνων που πρέπει να αρχίσουν να εξερευνούν όλες τις δυνατότητες που έχει να προσφέρει, από την αναφορά ειδήσεων μέχρι τις ταινίες και τα προγράμματα, και στις κινηματογραφικές αίθουσες και στην τηλεόραση.

Όπως ανέφερε το TechRadar, ο αριθμός των ευκαιριών που προσφέρει το deep learning στον τομέα της παραγωγής βίντεο, του μοντάζ και της καταλογογράφηση είναι ήδη khá υψηλός. Όμως, όπως σημειώνεται, αυτή η τεχνολογία δεν είναι περιορισμένη μόνο σε ότι θεωρείται επαναλαμβανόμενα καθήκοντα στη ραδιοφωνία και τηλεόραση, поскольку μπορεί επίσης να «βελτιώσει τη δημιουργική διαδικασία, να βελτιώσει την παράδοση βίντεο και να βοηθήσει στην διατήρηση των τεράστιων αρχείων βίντεο που διατηρούν πολλά στούντιο.”

Όσον αφορά τη γεννήτρια βίντεο και το μοντάζ, αναφέρεται ότι η Warner Bros. πρόσφατα έπρεπε να δαπανήσει 25 εκατομμύρια δολάρια για να ξαναγυρίσει σκηνές για την ταινία ‘Justice League’ και μέρος αυτού του ποσού πήγε για την ψηφιακή αφαίρεση ενός μουστακιού που ο ηθοποιός Henry Cavill είχε φυτέψει και δεν μπορούσε να ξυρίσει λόγω μιας επικαλύπτοντας δέσμευσης. Η χρήση του deep learning σε τέτοιες χρονοβόρες και οικονομικά επιβαρυντικές διαδικασίες στη μετα-παραγωγή θα βρεθεί σίγουρα σε καλό uso.

Ακόμη και οι ευρέως διαθέσιμες λύσεις όπως το Flo κάνουν δυνατή τη χρήση του deep learning για να δημιουργήσετε αυτόματα ένα βίντεο απλώς περιγράφοντας την ιδέα σας. Το λογισμικό αναζητά πιθανές σχετικές βίντεο που αποθηκεύονται σε μια βιβλιοθήκη και τα μοντάζ τους μαζί αυτόματα.

Το Flo μπορεί επίσης να ταξινομήσει και να ταξινομήσει βίντεο, καθιστώντας ευκολότερη την αναζήτηση ενός συγκεκριμένου μέρους της λήψης. Τέτοιες τεχνολογίες κάνουν επίσης δυνατή την εύκολη αφαίρεση μη επιθυμητών λήψεων ή τη δημιουργία μιας προσωπικής λίστας συστάσεων με βάση ένα βίντεο που κάποιος έχει εκφράσει ενδιαφέρον.

Η Google (GOOGL ) έχει δημιουργήσει ένα νευρωνικό δίκτυο «που μπορεί να分割 αυτόματα το προσκήνιο και το φόντο ενός βίντεο. Ό,τι ήταν απαραίτητο να γίνει με πράσινη οθόνη τώρα μπορεί να γίνει χωρίς ειδικό εξοπλισμό.”

Το deep fake έχει ήδη κάνει το όνομά του, και καλό και κακό, αλλά η πιθανή χρήση του σε ειδικά εφέ έχει ήδη φτάσει σε khá υψηλό επίπεδο.

Η περιοχή όπου το deep learning θα κάνει σίγουρα τη διαφορά είναι η αποκατάσταση κλασικών ταινιών, καθώς το Αρχείο Κινηματογράφου και Τηλεόρασης του UCLA, σχεδόν το ήμισυ όλων των ταινιών που παράγονται πριν από το 1950 έχουν εξαφανιστεί και το 90% των κλασικών εκτυπώσεων είναι目前 σε πολύ κακή κατάσταση.

Η χρωματισμός των ασπρόμαυρων λήψεων είναι ακόμη ένα αμφιλεγόμενο θέμα μεταξύ των κινηματογραφιστών, αλλά όσοι αποφασίζουν να ακολουθήσουν αυτή τη διαδικασία μπορούν τώρα να χρησιμοποιήσουν εργαλεία της Nvidia (NVDA ), τα οποία θα συντομεύσουν σημαντικά μια τόσο μακρά διαδικασία, καθώς τώρα απαιτείται από τον καλλιτέχνη να χρωματίσει μόνο ένα καρέ μιας σκηνής και το deep learning θα κάνει το υπόλοιπο από εκεί. Από την άλλη πλευρά, η Google έχει δημιουργήσει μια τεχνολογία που μπορεί να αναδημιουργήσει μέρος μιας σκηνής που έχει ηχογραφηθεί με βάση τα αρχικά και τελικά καρέ.

Η αναγνώριση προσώπου/αντικειμένου χρησιμοποιείται ήδη ενεργά, από την ταξινόμηση μιας συλλογής βίντεο ή αρχείου, την αναζήτηση κλιπ με έναν δεδομένο ηθοποιό ή δημοσιογράφο, ή την καταμέτρηση του ακριβούς χρόνου που ένας ηθοποιός εμφανίζεται σε ένα βίντεο ή ταινία. Το TechRadar αναφέρει ότι η Sky News χρησιμοποίησε πρόσφατα αναγνώριση προσώπου για να αναγνωρίσει διάσημα πρόσωπα στο γάμο του πρίγκιπα.

Αυτή η τεχνολογία χρησιμοποιείται τώρα ευρέως στις αθλητικές μεταδόσεις για να «ακολουθήσει τις κινήσεις της μπάλας, ή να αναγνωρίσει άλλα βασικά στοιχεία του παιχνιδιού, όπως το γκολ.” Στο ποδόσφαιρο αυτή η τεχνολογία, με το όνομα VAR, χρησιμοποιείται πραγματικά σε πολλά επίσημα τουρνουά και εθνικές ліги ως εργαλείο του διαιτητή κατά τη διάρκεια του παιχνιδιού.

Η ροή είναι ακόμη ένας τομέας της ραδιοφωνίας και τηλεόρασης που μπορεί να επωφεληθεί από το deep learning. Τα νευρωνικά δίκτυα μπορούν να αναδημιουργήσουν καρέ υψηλής ευκρίνειας από είσοδο χαμηλής ευκρίνειας, καθιστώντας δυνατή για τον θεατή να επωφεληθεί από καλύτερη προβολή, ακόμη και αν το αρχικό σήμα εισόδου δεν είναι πλήρως στα πρότυπα.