ხელოვნური ინტელექტი
ღრმა სწავლა ხელახლა აყალიბებს მაუწყებლობის ინდუსტრიას
ღრმა სწავლება გახდა ხმაურიანი სიტყვა მრავალ მცდელობაში და სამაუწყებლო ორგანიზაციები ასევე არიან მათ შორის, რომლებმაც უნდა დაიწყონ ყველა იმ პოტენციალის შესწავლა, რაც მას სთავაზობს, ახალი ამბების გაშუქებიდან დაწყებული მხატვრული ფილმებითა და გადაცემებით, როგორც კინოთეატრებში, ასევე ტელევიზიაში.
As TechRadar ცნობილია, რომ ღრმა სწავლების შესაძლებლობების რაოდენობა ვიდეოწარმოების, მონტაჟისა და კატალოგიზაციის სფეროში უკვე საკმაოდ მაღალია. მაგრამ, როგორც აღინიშნა, ეს ტექნოლოგია არ შემოიფარგლება მხოლოდ იმით, რაც განიხილება მაუწყებლობის განმეორებად ამოცანებად, რადგან მას ასევე შეუძლია ”გააძლიერე შემოქმედებითი პროცესი, გააუმჯობესე ვიდეო მიწოდება და დაეხმარე მასიური ვიდეო არქივის შენარჩუნებას, რომელსაც ბევრი სტუდია ინახავს“.
რაც შეეხება ვიდეო გენერაციას და მონტაჟს, აღნიშნულია, რომ Warner Brosახლახან მოუხდა 25 მილიონი დოლარის დახარჯვა "იუსტიციის ლიგის" გადაღებებზე და ამ თანხის ნაწილი მოხმარდა ვარსკვლავის ულვაშის ციფრულ მოცილებას ჰენრი Cavill გაიზარდა და არ შეეძლო გაპარსვა გადახურვის ვალდებულების გამო. ღრმა სწავლის გამოყენება პოსტწარმოების ასეთ შრომატევად და ფინანსურად დაბეგვრის პროცესებში, რა თქმა უნდა, კარგად იქნება გამოყენებული.
ფართოდ ხელმისაწვდომი გადაწყვეტილებებიც კი, როგორიცაა Flo, შესაძლებელს ხდის ღრმა სწავლის გამოყენებას ვიდეოს ავტომატურად შესაქმნელად მხოლოდ თქვენი იდეის აღწერით. შემდეგ პროგრამა ეძებს შესაძლო შესაბამის ვიდეოებს, რომლებიც ინახება გარკვეულ ბიბლიოთეკაში და ავტომატურად არედაქტირებს მათ.
Flo-ს ასევე შეუძლია ვიდეოების დახარისხება და კლასიფიკაცია, რაც აადვილებს კადრების კონკრეტული ნაწილის პოვნას. ასეთი ტექნოლოგიები ასევე შესაძლებელს ხდის არასასურველი კადრების მარტივად ამოღებას ან პერსონალური რეკომენდაციების სიის შედგენას ვიდეოზე დაყრდნობით, რომლითაც ვინმე დაინტერესდა.
Google-მა გამოიგონა ნერვული ქსელი“რომელსაც შეუძლია ავტომატურად გამოყოს ვიდეოს წინა პლანი და ფონი. რაც ადრე მოითხოვდა ა მწვანე ეკრანი ახლა შეიძლება გაკეთდეს სპეციალური აღჭურვილობის გარეშე. ”
ღრმა ყალბმა უკვე გაითქვა სახელი, კარგიც და ცუდიც, მაგრამ მისმა პოტენციურმა გამოყენებამ სპეცეფექტებში უკვე საკმაოდ მაღალ დონეს მიაღწია.
ის სფერო, სადაც ღრმა სწავლება აუცილებლად შეიტანს განსხვავებას კლასიკური ფილმების აღდგენაში, როგორც ეს UCLA კინოსა და ტელევიზიის არქივი, 1950 წლამდე წარმოებული ფილმების თითქმის ნახევარი გაქრა და კლასიკური ფილმების 90% ამჟამად ძალიან ცუდ მდგომარეობაშია.
შავი და თეთრი კადრების შეღებვა ჯერ კიდევ საკამათო თემაა კინორეჟისორებს შორის, მაგრამ მათ, ვინც გადაწყვეტს ამ გზით წასვლას, ახლა შეუძლიათ გამოიყენონ Nvidia ინსტრუმენტები, რაც საგრძნობლად შეამცირებს ისეთ ხანგრძლივ პროცესს, რომელიც ახლა მოითხოვს, რომ მხატვარმა სცენის მხოლოდ ერთი კადრის შეღებვა მოახდინოს, დანარჩენს კი ღრმა სწავლა იქიდან გააკეთებს. მეორეს მხრივ, Google-მა მოიფიქრა ტექნოლოგია, რომელსაც შეუძლია აღადგინოს ვიდეო ჩაწერილი სცენის ნაწილი საწყისი და დასასრული კადრების საფუძველზე.
სახის/ობიექტის ამოცნობა უკვე აქტიურად გამოიყენება, ვიდეო კოლექციის ან არქივის კლასიფიკაციით, მოცემულ მსახიობთან ან გაზეთთან კლიპების ძიებით ან ვიდეოში ან ფილმში მსახიობის ზუსტი დროის დათვლიდან. TechRadar აღნიშნავს ამას Sky News-მა ცოტა ხნის წინ გამოიყენა სახის ამოცნობა სამეფო ქორწილში ცნობილი სახეების იდენტიფიცირებისთვის.
ეს ტექნოლოგია ახლა ფართოდ გამოიყენება სპორტულ მაუწყებლობაში, ვთქვათ, ”თვალყური ადევნეთ ბურთის მოძრაობას ან თამაშის სხვა ძირითადი ელემენტების იდენტიფიცირებას, როგორიცაა გოლი.” ფეხბურთში (ფეხბურთში) ეს ტექნოლოგია, სახელწოდებით VAR, რეალურად გამოიყენება ბევრ ოფიციალურ ტურნირსა და ეროვნულ ლიგაში, როგორც თამაშის დროს მსაჯის ინსტრუმენტი.
სტრიმინგი არის მაუწყებლობის კიდევ ერთი ასპექტი, რომელსაც შეუძლია ისარგებლოს ღრმა სწავლით. ნერვულ ქსელებს შეუძლიათ ხელახლა შექმნან მაღალი გარჩევადობის ჩარჩოები დაბალი გარჩევადობის შეყვანისგან, რაც შესაძლებელს გახდის მაყურებელს ისარგებლოს უკეთესი ნახვით, მაშინაც კი, თუ ორიგინალური შეყვანის სიგნალი სრულად არ შეესაბამება სტანდარტს.
