Djupinlärning omformar sändningsindustrin

Djupinlärning har blivit ett modeord i många företag, och sändningsorganisationer är också bland dem som måste börja utforska all potential det har att erbjuda, från nyhetsrapportering till långfilmer och program, både på bio och på TV.

Som TechRadar rapporterade, är antalet möjligheter djupinlärning presenterar inom området video produktion, redigering och katalogisering redan ganska högt. Men som noteras, är denna teknik inte bara begränsad till vad som anses vara repetitiva uppgifter i sändning, eftersom den också kan “förbättra den kreativa processen, förbättra video leverans och hjälpa till att bevara de stora video arkiven som många studior har.”

När det gäller video generering och redigering nämns det att Warner Bros. nyligen var tvungna att spendera 25 miljoner dollar på omfilmering av “Justice League” och en del av pengarna gick till att digitalt ta bort en mustasch som stjärnan Henry Cavill hade växt och inte kunde raka på grund av en överlappande åtagande. Användningen av djupinlärning i sådana tidskrävande och ekonomiskt betungande processer i post-produktion kommer säkert att komma till nytta.

Även allmänt tillgängliga lösningar som Flo gör det möjligt att använda djupinlärning för att skapa en video automatiskt genom att beskriva din idé. Programvaran söker sedan efter möjliga relevanta videor som lagras i en viss bibliotek och redigerar dem samman automatiskt.

Flo kan också sortera och klassificera videor, vilket gör det lättare att hitta en specifik del av filmen. Sådana tekniker gör det också möjligt att enkelt ta bort önskad film eller skapa en personlig rekommendationslista baserad på en video som någon har uttryckt intresse för.

Google (GOOGL ) har kommit med ett neuronnätverk “som kan automatiskt separera förgrunden och bakgrunden i en video. Det som tidigare krävde en grön skärm kan nu göras utan någon speciell utrustning.”

Den djupa feiken har redan gjort sig ett namn, både bra och dåligt, men dess potentiella användning i specialeffekter har redan nått en ganska hög nivå.

Området där djupinlärning säkert kommer att göra en skillnad är i restaureringen av klassiska filmer, eftersom UCLA Film & Television Archive, nästan hälften av alla filmer som producerats före 1950 har försvunnit och 90% av de klassiska filmerna är för närvarande i mycket dåligt skick.

Att färglägga svart-vita filmer är fortfarande ett kontroversiellt ämne bland filmskapare, men de som bestämmer sig för att gå den vägen kan nu använda Nvidia-verktyg, som kommer att förkorta en sådan lång process, eftersom det nu kräver att konstnären färglägger bara en ram i en scen och djupinlärning kommer att göra resten från där. Å andra sidan har Google kommit med en teknik som kan återskapa en del av en video-inspelad scen baserat på start- och slutramar.

Ansikts-/objektigenkänning används redan aktivt, från att klassificera en video samling eller arkiv, söka efter klipp med en given skådespelare eller nyhetsperson, eller räkna den exakta tiden för en skådespelare i en video eller film. TechRadar nämner att Sky News nyligen använde ansiktsigenkänning för att identifiera kända ansikten på bröllopet.

Denna teknik används nu allmänt i sport sändning för att, säg, “spåra bollens rörelser, eller identifiera andra nyckelelement i spelet, som målet.” I fotboll används denna teknik, som har fått namnet VAR, faktiskt i många officiella turneringar och nationella ligor som en domares verktyg under spelet.

Strömning är ytterligare en aspekt av sändning som kan dra nytta av djupinlärning. Neuronnätverk kan återskapa högupplösta ramar från lågupplösta indata, vilket gör det möjligt för tittaren att dra nytta av bättre visning, även om den ursprungliga ingångssignalen inte är fullt ut upp till standarden.