深度学习正在重塑广播行业

深度学习已经成为许多领域的热词，广播组织也开始探索它的潜力，从新闻报道到电影和电视节目，无论是在电影院还是电视上。

正如TechRadar报道的那样，深度学习在视频制作、编辑和编目方面提供了很多机会。但是，如同所注意到的，这项技术不仅限于广播中重复性的任务，因为它还可以“增强创作过程，改善视频传输和帮助保存许多工作室的庞大视频档案。”

至于视频生成和编辑，提到华纳兄弟公司最近花了2500万美元重新拍摄《正义联盟》，部分资金用于数字移除明星亨利·卡维尔因与其他项目重叠而无法刮掉的胡须。在后期制作中，这些耗时且耗资的过程中，深度学习的使用将被充分利用。

即使像Flo这样的广泛可用的解决方案也可以通过描述您的想法来自动创建视频。软件然后在特定库中搜索可能相关的视频并自动编辑它们。

Flo还可以对视频进行排序和分类，使得找到特定的片段变得更容易。这种技术还可以轻松地删除不需要的片段或根据某人感兴趣的视频创建个人推荐列表。

谷歌已经开发出一个可以自动分离视频前景和背景的神经网络。“曾经需要绿幕的效果，现在可以在没有任何特殊设备的情况下实现。”

深度伪造已经为自己赢得了名声，无论是好坏，但其在特效方面的潜力已经达到了很高的水平。

深度学习将在恢复经典电影方面产生影响，因为UCLA电影和电视档案馆，几乎所有在1950年之前制作的电影都已经消失，90%的经典电影印刷品目前处于非常糟糕的状态。

为黑白片段上色仍然是电影制作者们争论的话题，但那些决定这样做的人现在可以使用Nvidia工具，这将大大缩短这种漫长的过程，因为现在只需要艺术家为一个场景着色一帧，深度学习将完成剩下的工作。另一方面，谷歌已经开发出一种可以根据开始和结束帧重新创建视频录制场景的一部分的技术。

面部/物体识别已经被广泛使用，从分类视频集合或档案，搜索特定演员或新闻人物的片段，或者计算视频或电影中演员的确切时间。TechRadar提到Sky News最近使用面部识别技术来识别皇家婚礼上的著名面孔。

这种技术现在被广泛应用于体育广播，例如“跟踪球的运动，或者识别游戏中的其他关键元素，例如进球。”在足球中，这项技术被称为VAR，实际上已经被用于许多官方锦标赛和国家联赛中，作为裁判在比赛期间的工具。

流媒体是广播的另一个方面，可以从深度学习中受益。神经网络可以从低分辨率输入中重新创建高分辨率帧，使得观众即使原始输入信号不完全达到标准，也可以享受到更好的观看体验。