Deep Learning Vormt De Uitzendingenindustrie Opnieuw

Deep learning is een buzzword geworden in veel ondernemingen, en uitzendingorganisaties zijn ook een van degenen die moeten beginnen met het verkennen van alle potentieel dat het te bieden heeft, van nieuwsrapporten tot speelfilms en programma’s, zowel in de bioscopen als op tv.

Zoals TechRadar meldde, zijn de mogelijkheden die deep learning biedt in het veld van videoproductie, bewerking en catalogisering al behoorlijk hoog. Maar zoals opgemerkt, is deze technologie niet alleen beperkt tot wat wordt beschouwd als repetitieve taken in uitzendingen, aangezien het ook “de creatieve proces kan verbeteren, videodistributie kan verbeteren en helpen bij het behoud van de enorme video-archieven die veel studios hebben.”

Wat betreft videogeneratie en -bewerking wordt vermeld dat Warner Bros. onlangs $25M moest uitgeven aan herschietingen voor ‘Justice League’ en een deel van dat geld werd besteed aan het digitaal verwijderen van een snor die ster Henry Cavill had laten groeien en niet kon scheren vanwege een overlappende verplichting. Het gebruik van deep learning in dergelijke tijdrovende en financieel belastende processen in de postproductie zal zeker op goede wijze worden gebruikt.

Zelfs algemeen beschikbare oplossingen zoals Flo maken het mogelijk om deep learning te gebruiken bij het automatisch maken van een video door alleen maar uw idee te beschrijven. De software zoekt dan naar mogelijke relevante video’s die zijn opgeslagen in een bepaalde bibliotheek en bewerkt ze automatisch samen.

Flo kan ook video’s sorteren en classificeren, waardoor het gemakkelijker wordt om een bepaald deel van de beeldmateriaal te vinden. Dergelijke technologieën maken het ook mogelijk om gemakkelijk ongewenste beeldmateriaal te verwijderen of een persoonlijke aanbevelingslijst te maken op basis van een video waar iemand interesse in heeft getoond.

Google (GOOGL ) heeft een neurale netwerk ontwikkeld “dat automatisch de voorgrond en achtergrond van een video kan scheiden. Wat vroeger een groene scherm vereiste, kan nu worden gedaan zonder speciale apparatuur.”

De deep fake heeft al een naam voor zichzelf gemaakt, zowel goed als slecht, maar het potentieel gebruik ervan in speciale effecten heeft al een hoog niveau bereikt.

Het gebied waar deep learning zeker een verschil zal maken, is de restauratie van klassieke films, aangezien de UCLA Film & Television Archive, bijna de helft van alle films die vóór 1950 zijn gemaakt, zijn verdwenen en 90% van de klassieke filmkopieën momenteel in een zeer slechte staat verkeren.

Het kleuren van zwart-witbeelden is nog steeds een omstreden onderwerp onder filmmakers, maar voor degene die ervoor kiezen om deze route te volgen, zijn er nu Nvidia-hulpmiddelen beschikbaar, die een dergelijk langdurig proces aanzienlijk zullen verkorten, aangezien het nu vereist is dat de artiest slechts één frame van een scène kleurt en deep learning het resterende deel vanaf dat moment doet. Aan de andere kant heeft Google een technologie ontwikkeld die in staat is om een deel van een video-opgenomen scène te reconstrueren op basis van start- en eindframes.

Gezichts-/objectherkenning wordt al actief gebruikt, van het classificeren van een videocollectie of -archief, het zoeken naar clips met een bepaalde acteur of nieuwslezer, of het tellen van de exacte tijd van een acteur in een video of film. TechRadar meldt dat Sky News onlangs gezichtsherkenning heeft gebruikt om beroemde gezichten te identificeren op de koninklijke bruiloft.

Deze technologie wordt nu op grote schaal gebruikt in sportuitzendingen om, bijvoorbeeld, “de bewegingen van de bal te volgen, of om andere sleutel-elementen van het spel te identificeren, zoals het doel.” In voetbal (voetbal) wordt deze technologie, met de naam VAR, daadwerkelijk gebruikt in veel officiële toernooien en nationale competities als hulpmiddel voor de scheidsrechter tijdens de wedstrijd.

Streaming is nog een ander aspect van uitzendingen dat kan profiteren van deep learning. Neurale netwerken kunnen high-definition frames reconstrueren uit low-definition invoer, waardoor het voor de kijker mogelijk wordt om te profiteren van beter beeld, zelfs als het oorspronkelijke invoersignaal niet volledig aan de standaard voldoet.