Deep Learning muokkaa yleisradioalaa uudelleen

Syvällinen oppiminen Siitä on tullut suosittu sana monissa yrityksissä, ja myös lähetysorganisaatiot ovat niitä, joiden on alettava tutkia kaikkea sen tarjoamaa potentiaalia uutisraportoinnista elokuviin ja ohjelmiin sekä elokuvateattereissa että televisiossa.

As TechRadar on raportoitu, syvän oppimisen tarjoamien mahdollisuuksien määrä videotuotannon, editoinnin ja luetteloinnin alalla on jo melko korkea. Mutta kuten todettiin, tämä tekniikka ei rajoitu vain siihen, mitä pidetään toistuvina lähetystehtävinä, koska se voi myös "tehostaa luovaa prosessia, parantaa videoiden jakelua ja auttaa säilyttämään valtavat videoarkistot, joita monet studiot säilyttävät."

Mitä tulee videoiden luomiseen ja editointiin, mainitaan, että Warner Bros. räskettäin jouduttiin käyttämään 25 miljoonaa dollaria Justice Leaguen uusintakuvauksiin, ja osa rahoista meni tuon tähden viiksien poistamiseen digitaalisesti. Henry Cavill oli kasvanut eikä voinut ajaa parranajoa päällekkäisen sitoumuksen vuoksi. Syväoppimisen käyttö näin aikaa vievissä ja taloudellisesti raskaissa jälkituotannon prosesseissa tulee varmasti hyödynnettyä.

Jopa laajasti saatavilla olevat ratkaisut, kuten Flo, mahdollistavat syväoppimisen hyödyntämisen videon luomisessa automaattisesti pelkällä idean kuvauksella. Ohjelmisto etsii sitten mahdollisia asiaankuuluvia videoita, jotka on tallennettu tiettyyn kirjastoon, ja muokkaa niitä yhdessä automaattisesti.

Flo pystyy myös lajittelemaan ja luokittelemaan videoita, mikä helpottaa materiaalin tietyn osan löytämistä. Tällaisten tekniikoiden avulla on myös mahdollista poistaa helposti ei-toivottua materiaalia tai tehdä henkilökohtainen suositusluettelo videon perusteella, josta joku on ilmaissut kiinnostuksensa.

Google on keksinyt hermoverkonjoka voi automaattisesti erottaa videon etualan ja taustan. Mitä ennen vaadittiin a vihreä näyttö voidaan nyt tehdä ilman erikoislaitteita."

Syvä väärennös on jo tehnyt itselleen nimen, sekä hyviä että huonoja, mutta sen mahdollinen käyttö erikoistehosteissa on jo saavuttanut melko korkean tason.

Alue, jolla syvä oppiminen tulee varmasti vaikuttamaan klassisten elokuvien entisöintiin, kuten UCLA:n elokuva- ja televisioarkiston mukaan lähes puolet kaikista ennen vuotta 1950 valmistetuista elokuvista on kadonnut ja 90 % klassisista elokuvatulosteista on tällä hetkellä erittäin huonossa kunnossa.

Mustavalkoisen materiaalin värittäminen on edelleen kiistanalainen aihe elokuvantekijöiden keskuudessa, mutta tälle tielle päättävät voivat nyt käyttää Nvidian työkaluja, mikä lyhentää merkittävästi niin pitkää prosessia kuin nyt vaatii, että taiteilija värittää vain yhden otoksen kohtauksesta ja syvä oppiminen hoitaa loput sieltä. Toisaalta Google on kehittänyt teknologian, joka pystyy luomaan uudelleen osan videolle tallennetusta kohtauksesta alku- ja loppukehysten perusteella.

Kasvojen/objektien tunnistusta käytetään jo aktiivisesti videokokoelman tai -arkiston luokittelusta, klippien etsimisestä tietyn näyttelijän tai uutistoimittajan kanssa tai näyttelijän tarkan ajan laskemisesta videossa tai elokuvassa. TechRadar mainitsee sen Sky News käytti hiljattain kasvojentunnistusta tunnistaakseen kuuluisat kasvot kuninkaallisissa häissä.

Tätä tekniikkaa käytetään nyt laajalti urheilulähetyksissä esimerkiksi "seurata pallon liikkeitä tai tunnistaa muita pelin avainelementtejä, kuten maali." Jalkapallossa (jalkapallossa) Tätä VAR-nimistä tekniikkaa käytetään itse asiassa monissa virallisissa turnauksissa ja kansallisissa liigoissa erotuomarin työkaluna pelin aikana.

Suoratoisto on jälleen yksi lähetyksen osa, joka voi hyötyä syvästä oppimisesta. Neuroverkot voivat luoda teräväpiirtoisia kehyksiä matalan tarkkuuden syötteestä, jolloin katsoja voi hyötyä paremmasta katselusta, vaikka alkuperäinen tulosignaali ei olisi täysin standardin mukainen.