Syväoppiminen muuttaa lähetysalaa

Syväoppiminen on tullut kuuluisaksi monilla aloilla, ja lähetysorganisaatiot ovat myös aloittaneet sen potentiaalin tutkimisen uutisoinnista elokuviin ja ohjelmiin, sekä elokuvateattereissa että televisiossa.

Kuten TechRadar raportoi, syväoppimisen mahdollisuuksia videotuotannossa, editoinnissa ja katalogoinnissa on jo paljon. Mutta kuten mainitaan, tämä teknologia ei ole rajoitettu vain toistuviin tehtäviin lähetysalalla, sillä se voi myös “parantaa luovaa prosessia, parantaa videon toimittamista ja auttaa säilyttämään valtavat videokokoelmat, joita monet studiot pitävät.”

Videoiden luomiseen ja editointiin liittyen mainitaan, että Warner Bros. joutui viimeksi käyttämään 25 miljoonaa dollaria uudelleenfilmatisointiin elokuvaan “Justice League” ja osa rahoituksesta meni digitaaliseen partansa poistamiseen, jota tähti Henry Cavill oli kasvattanut eikä voinut ajaa partaansa pois toisen sitoutumisen vuoksi. Syväoppimisen käyttäminen tällaisissa aikaa vievissä ja kalliissa prosesseissa jälkituotannossa on varmasti hyödyllistä.

Jopa laajasti saatavilla olevat ratkaisut kuten Flo mahdollistavat syväoppimisen käytön videon luomiseen vain kuvaamalla ideasi. Ohjelmisto etsii sitten mahdollisesti asiaankuuluvia videoita, jotka tallennetaan tietyn kirjaston sisällä, ja editoi ne yhteen automaattisesti.

Flo pystyy myös lajittelemaan ja luokittelemaan videoita, mikä tekee helpoksi löytää tiettyä osaa kuvamateriaalista. Tällaiset teknologiat mahdollistavat myös helposti epätoivottavan kuvamateriaalin poistamisen tai henkilökohtaisten suositusten luomisen videon perusteella, josta joku on osoittanut kiinnostusta.

Google (GOOGL ) on kehittänyt neurverkon, joka “pystyy automaattisesti erottamaan videon etualan ja taustan. Se, mitä aiemmin vaati vihreää ruutua, voidaan nyt tehdä ilman erityistä laitteistoa.”

Syväväärennös on jo saavuttanut mainetta, sekä hyvän että pahannäköisen, mutta sen käyttö erikoistehosteissa on jo saavuttanut korkean tason.

Alue, jolla syväoppiminen varmasti tekee eroa, on klassisten elokuvien entisöinnissä, sillä UCLA Film & Television Archive, lähes puolet kaikista ennen vuotta 1950 tuotetuista elokuvista on hävinnyt ja 90% klassisten elokuvien tulosteista on tällä hetkellä hyvin huonossa kunnossa.

Mustavalkoisten kuvamateriaalien värikäsittely on edelleen kiistanalainen aihe elokuvantekijöiden keskuudessa, mutta ne, jotka päättävät käydä tämän reitin, voivat nyt käyttää Nvidia-työkaluja, jotka lyhentävät merkittävästi tällaista pitkää prosessia, koska se vaatii vain, että taiteilija värjää yhden kehyksen kohtauksesta ja syväoppiminen tekee loput siitä. Toisaalta Google on kehittänyt teknologian, joka pystyy luomaan osan videonauhasta perustuen aloitus- ja lopetuskehyksiin.

Kasvo-/objektin tunnistus on jo laajasti käytössä, esimerkiksi videokokoelmien tai arkistojen luokittelussa, etsimällä klippejä, joissa on tietty näyttelijä tai uutisankkuri, tai laskemalla tarkasti näyttelijän ruutuaikaa videossa tai elokuvassa. TechRadar mainitsee, että Sky News käytti kasvontunnistusta tunnistamaan kuuluisia kasvoja kuninkaallisissa häissä.

Tämä teknologia on jo laajasti käytössä urheilulähetyksissä, esimerkiksi “seuraamaan pallon liikkeitä tai tunnistamaan muita avainasioita peliin, kuten maalin.” Jalkapalossa tämä teknologia, jolle on annettu nimi VAR, on todella käytössä monissa virallisissa turnauksissa ja kansallisissa liigoissa tuomarin työkaluna pelin aikana.

Suoratoisto on vielä yksi lähetysalan puoli, josta syväoppiminen voi hyötyä. Neuroverkot voivat luoda korkean resoluution kehyksiä matalan resoluution syötteen perusteella, mikä mahdollistaa katsojalle paremman katselukokemuksen, vaikka alkuperäinen syötesignaali ei olekaan täysin standardin mukainen.