Глубокое обучение меняет индустрию вещания

Глубокое обучение стал модным словом во многих начинаниях, и вещательные организации также должны начать использовать весь потенциал, который он может предложить, от репортажей новостей до художественных фильмов и программ, как в кинотеатрах, так и на телевидении.

As TechRadar сообщается, что количество возможностей глубокого обучения в области производства, редактирования и каталогизации видео уже довольно велико. Но, как уже отмечалось, эта технология не ограничивается только тем, что считается повторяющимися задачами в вещании, поскольку она также может «улучшите творческий процесс, улучшите доставку видео и помогите сохранить огромные видеоархивы, которые хранятся во многих студиях».

Что касается создания и редактирования видео, упоминается, что Warner Bros.Недавно пришлось потратить 25 миллионов долларов на пересъёмки «Лиги справедливости», и часть этих денег ушла на цифровое удаление усов, которые снимали главную роль. Генри Кавилл вырос и не мог побриться из-за перекрывающихся обязательств. Использование глубокого обучения в таких трудоемких и финансово затратных процессах постпродакшна, безусловно, принесет пользу.

Даже широко доступные решения, такие как Flo, позволяют использовать глубокое обучение для автоматического создания видео, просто описывая вашу идею. Затем программа ищет возможные релевантные видео, которые хранятся в определенной библиотеке, и автоматически редактирует их вместе.

Flo также может сортировать и классифицировать видео, что упрощает поиск определенной части отснятого материала. Такие технологии также позволяют легко удалять нежелательные кадры или составлять персональный список рекомендаций на основе видео, которым кто-то заинтересовался.

Google придумал нейросеть»который может автоматически разделять передний план и фон видео. Что раньше требовало зеленый экран Теперь это можно сделать без специального оборудования».

Дипфейк уже сделал себе имя, и хорошо, и плохо, но его потенциальное использование в спецэффектах уже достигло достаточно высокого уровня.

Область, в которой глубокое обучение, безусловно, будет иметь значение при восстановлении классических фильмов, поскольку Архив кино и телевидения Калифорнийского университета в Лос-Анджелесе, почти половина всех фильмов, снятых до 1950 года, исчезла, а 90% классических фильмов в настоящее время находятся в очень плохом состоянии.

Раскрашивание черно-белых кадров все еще является спорным вопросом среди кинематографистов, но те, кто решит пойти по этому пути, теперь могут использовать инструменты Nvidia, которые значительно сократят столь длительный процесс, поскольку теперь требуется, чтобы художник раскрашивал только один кадр сцены, а глубокое обучение сделает все остальное. С другой стороны, Google придумала технологию, которая способна воссоздать часть видеозаписанной сцены на основе начальных и конечных кадров.

Распознавание лиц/объектов уже активно используется: от классификации видеоколлекции или архива до поиска клипов с заданным актером или журналистом или подсчета точного времени актера в видео или фильме. TechRadar отмечает, что Недавно Sky News использовала распознавание лиц для идентификации знаменитостей на королевской свадьбе.

Эта технология сейчас широко используется в спортивных трансляциях, чтобы, скажем, «отслеживать движения мяча или определять другие ключевые элементы игры, такие как цель». В футболе (футбол) эта технология, получившая название VAR, фактически используется во многих официальных турнирах и национальных лигах в качестве инструмента судьи во время игры.

Потоковая передача — еще один аспект вещания, который может извлечь выгоду из глубокого обучения. Нейронные сети могут воссоздавать кадры высокой четкости из входных данных низкой четкости, позволяя зрителю лучше просматривать изображение, даже если исходный входной сигнал не полностью соответствует стандарту.