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其潜力，从新闻报道到特色电影和节目，无论是在电影院还是电视上。

正如TechRadar报道，深度学习在视频制作、编辑和目录方面提供了许多机会。但是，如同所提到的，这项技术不仅限于广播中的重复性任务，因为它还可以“增强创作过程，提高视频传递速度，并帮助保存许多工作室保有的大量视频档案。”

关于视频生成和编辑，提到华纳兄弟最近花了2500万美元重新拍摄《正义联盟》，其中部分资金用于数字移除主演亨利·卡维尔因重叠的承诺而无法剃须的胡须。深度学习在此类耗时且昂贵的后期制作过程中的应用将是非常有用的。

即使像Flo这样的广泛可用解决方案也可以通过描述您的想法来自动创建视频。软件然后搜索某个库中可能相关的视频，并自动将它们编辑在一起。

Flo还可以对视频进行排序和分类，使得找到特定部分的片段变得更容易。这种技术还可以轻松地删除不需要的片段，或根据某人对某个视频的兴趣创建个人推荐列表。

谷歌已经开发出一种神经网络“可以自动分离视频的前景和背景。过去需要绿幕的效果，现在可以在没有任何特殊设备的情况下完成。”

深度伪造已经在特效方面取得了很高的水平，其潜力无论是好还是坏，都已经引起了人们的关注。

深度学习将在恢复经典电影方面产生影响，因为UCLA电影与电视档案馆，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，但那些选择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，深度学习将完成其余的工作。另一方面，谷歌已经开发出一种可以根据开始和结束帧重现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，搜索具有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名人面孔。

这种技术现在被广泛应用于体育广播，例如“跟踪球的运动，或识别游戏中的其他关键元素，例如进球。”在足球中，这种技术被称为VAR，实际上已经被用于许多官方比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。神经网络可以从低定义输入中重新创建高清帧，使得观众即使原始输入信号不完全符合标准，也可以享受到更好的观看体验。