Dypt læring former omkring kringkastingsindustrien

Dypt læring har blitt et populært begrep i mange sammenhenger, og kringkastingsorganisasjoner er også blant de som må begynne å utforske alle mulighetene det har å tilby, fra nyhetsrapportering til spillefilmer og programmer, både på kino og på TV.

Som TechRadar rapporterte, er antallet muligheter dypt læring presenterer i feltet video produksjon, redigering og katalogisering allerede ganske høyt. Men som det blir bemerket, er denne teknologien ikke bare begrenset til hva som anses for repetitive oppgaver i kringkasting, siden den også kan “forbedre den kreative prosessen, forbedre videoleveringen og hjelpe med å bevare de massive videoarkivene som mange studioer har.”

Når det gjelder video generering og redigering, er det nevnt at Warner Bros. nylig måtte bruke $25M på om-innspilling av ‘Justice League’ og en del av pengene gikk til å digitalt fjerne en mustasj som stjernen Henry Cavill hadde vokst og ikke kunne barbere på grunn av en overlappende forpliktelse. Bruken av dypt læring i slike tidkrevende og finansielt belastende prosesser i post-produksjon vil helt sikkert bli satt til god bruk.

Selv vidt tilgjengelige løsninger som Flo gjør det mulig å bruke dypt læring til å automatisk lage en video bare ved å beskrive din idé. Programvaren søker så etter mulige relevante videoer som er lagret i en bestemt bibliotek og redigerer dem sammen automatisk.

Flo er også i stand til å sortere og klassifisere videoer, noe som gjør det lettere å finne en bestemt del av opptaket. Slike teknologier gjør det også mulig å enkelt fjerne uønsket opptak eller lage en personlig anbefalingsliste basert på en video noen har uttrykt interesse for.

Google (GOOGL ) har kommet med et neuralt nettverk som “kan automatisk skille forgrunnen og bakgrunnen av en video. Det som tidligere krevde en grønn skjerm kan nå gjøres uten spesiell utstyr.”

Deep fake har allerede gjort seg bemerket, både godt og dårlig, men dens potensielle bruk i spesialeffekter har allerede nådd et ganske høyt nivå.

Området hvor dypt læring vil gjøre en forskjell er i restaureringen av klassiske filmer, da UCLA Film & Television Archive, nære halvparten av alle filmer produsert før 1950 har forsvunnet og 90% av de klassiske filmkopiene er for tiden i en svært dårlig tilstand.

Fargelegging av svart-hvite opptak er fortsatt et kontroversielt tema blant filmskaperne, men de som bestemmer seg for å gå den veien kan nå bruke Nvidia-verktøy, som vil forkorte en så langvarig prosess som nå krever at kunstneren farger bare ett bilde av en scene og dypt læring vil gjøre resten derfra. På den andre siden har Google kommet med en teknologi som kan gjenskape en del av en videoopptak basert på start- og sluttramper.

Ansikt/objektgjenkjenning brukes allerede aktivt, fra klassifisering av en video samling eller arkiv, søking etter klipp med en bestemt skuespiller eller nyhetsperson, eller telling av den nøyaktige tiden en skuespiller er i en video eller film. TechRadar nevner at Sky News nylig brukte ansiktsgjenkjenning til å identifisere kjente ansikter på den kongelige bryllupet.

Denne teknologien blir nå bredt brukt i sportskringkasting for å, for eksempel, “spore bevegelsene til ballen, eller å identifisere andre nøkkellementer i spillet, som målet.” I fotball brukes denne teknologien, som er gitt navnet VAR, faktisk i mange offisielle turneringer og nasjonale ligaer som et verktøy for dommeren under spillet.

Strømming er enda et aspekt av kringkasting som kan dra nytte av dypt læring. Neurale nettverk kan gjenskape høydefinisjonsrammer fra lavdefinisjonsinndata, noe som gjør det mulig for seeren å dra nytte av bedre visning, selv om det opprinnelige inndata signalet ikke er fullt ut på standard.