Как глубокое обучение может революционизировать вещания

Телерадиокомпаний и киностудий, так начинают изучать огромный потенциал современных технологий , чтобы принести новое поколение киноиндустрия наших телевизоров и кинотеатров. Искусственного интеллекта, машинного обучения и глубокого обучения словечки, которые волнуют руководителей, видео с обещаниями революционно новые возможности для создания и редактирования видео.

Глубокого изучения, в частности, является новым рубежом для видео-индустрии, позволяющий видео профессионала, чтобы сделать все автоматически, что заняло бы недели работы в прошлом, а также некоторые вещи, которые было бы невозможно вообще. Как глубокое обучение отличается от других алгоритмов машинного обучения? И каковы ее практические приложения для телевещания и кино? Что такое наука и ее бизнес-результаты?

Искусственного интеллекта, машинного обучения и глубокого обучения

Искусственный интеллект – это попытка сделать компьютер так, как будто он обладает интеллектом. Компьютер может быть сказано, что именно нужно делать в той или иной ситуации, в этом случае он ничего не узнал. Машинного обучения стремится разрешить компьютеру научиться выполнять определенные задачи. Существует множество методов для этого, и почти все из них полагаются на компьютере, постоянно меняя параметры через процесс проб и ошибок. Одним из более сложных способов сделать это, имитируя нейроны биологического мозга. Когда мы делаем эти искусственные мозги, или нейронных сетей, более сложным, мы имеем глубокие познания.

Глубокое обучение позволяет компьютеру принимать что-то сложное в качестве входных данных, таких как пикселей в кадре видео, а на выходе что-то столь же сложное, как все пиксели в новых, измененных, кадр из видео. Например, они могут быть показаны кадры с нежелательными зерна в качестве входных данных, и его выход по сравнению с чистым кадров. Путем проб и ошибок, он научится извлекать зерно из входных данных. Поскольку все больше и больше изображений передаются через него, он может научиться делать то же самое для изображений, которые он никогда не был показан.

Пожалуй, первый впечатляющий использованием глубокого обучения, когда Гугл обученной нейронной сети, чтобы играть в го, лихо трудная и сложная настольная игра. Игра слишком сложна для инструкции человека для создания жизнеспособного соперника, и одного слоя нейронной сети никогда не хватит. Глубокое изучение стало возможным.

Глубокое обучение используется для широкого спектра других задач. Он используется для сопоставления генерируемых речь человеческую речь, поэтому текст в речь программы будет звучать более естественно. В аналогичных задач, она используется перевод с обучения компьютеры, как переводить с одного языка на другой. Самостоятельного вождения автомобилей, что несколько компаний работают над движет глубокое изучение. Отделы маркетинга используют его, чтобы изучить привычки покупателей и думаю, как клиент будет себя вести и какие стратегии они будут лучше реагировать на. Цифровые ассистенты использовать его, чтобы лучше понимать запросы, которые мы делаем из них.

Глубокое обучение для ТВ и кино

Есть много возможностей, чтобы применить глубокое изучение технологии в области видео производства, редактирования и каталогизации. Но технология не ограничивается автоматизации повторяющихся задач; он также может повысить творческий процесс, повышение качества видео и помочь сохранить массивный видео архив, что многие студии сохранить.

Поколение редактирования видео и

Компания Warner Bros. недавно пришлось потратить $25 млн на пересъемок для ‘Лига справедливости’ и часть этих денег пошла на цифровую удаление усов, что звезда Генри Кавилл вырос и не мог бриться из-за перекрытия обязательства. Это не просто “Лига Справедливости” – пост-производственной стадии любого кино является трудоемким и дорогостоящим. Глубокое обучение будет игра-чейнджер для этих типов задач.

Потребительского класса, прост в использовании решений, таких как Фло позволяют использовать глубокое обучение, чтобы автоматически создать видео с описанием того, что вы хотите в нем. Программное обеспечение будет найти соответствующие видео из вашей библиотеки и редактировать их вместе автоматически.

Google имеет нейронной сети, которое может автоматически отделить передний план и фон видео. То, что раньше требуют зеленого экрана теперь может быть сделано без специального оборудования.

Deepfakes попали в новостях довольно много в последнее время – когда лицо одного человека на видео в другой, аналогичным образом, глубокие портреты, которые применяются движения, чтобы все-таки картины, как Мона Лиза. Потенциал использования этой технологии в специальных эффектов великое множество.

Например, проблема усы на Уорнер Бразерс, который привлек Генри Кавилл в полемику с болельщиками. Кавилл, необходимых для роста усы для Миссия невыполнима: Фоллаут, и в то же время, необходимое для пересъемок для Лиги Справедливости. Кавилл, усе для Fallout, но нужно быть чисто выбритым Супермена. Он решил оставить усы, поэтому команды редактирования Лига справедливости пришлось удалить цифровой волосатые губы для каждой сцены он переснимает.

К сожалению, это было замечено фанатами, и это вызвало переполох. Если любителей работа на дому может поставить Николас Кейдж в фильмах, которые он никогда не был в пользовании глубокие средства обучения, можно только догадываться, сколько времени и денег Уорнер Бразерс мог бы спасти заменив Генри Кавилл со взрослыми кадры сам.

Восстановление Видео

Согласно фильму Лос-Анджелесе и телевидения архиве, почти половина всех фильмов, снятых до 1950 года, исчезли. Хуже, 90% из классических фильмокопий, которые существуют, находятся в неудовлетворительном состоянии. Процесс восстановления этих фильмов-это долго, нудно и дорого. Это область, в которой глубокое изучение собирается сделать большой разницы.

Процесс раскрашивания черно-белые кадры всегда было длительным. Есть тысячи кадров кадры в кино и окраски каждого занимает много времени. Даже с передовых инструментов, этот процесс может быть настолько автоматизированы. Благодаря технологии NVIDIA, глубинное обучение может существенно ускорить процесс, с помощью инструментов, которые требуют только художник, чтобы цвет один кадр сцены. Оттуда, глубокий сетевого обучения автоматически обрабатывает все остальное.

Ранее шоу-остановки проблема отсутствующие или поврежденные кадры из видео. Вы можете не пересъемок на то, что случилось много лет назад.

Восстанавливая, что типа фильм раньше означало редактирования недостающих кадров. Теперь, сетей глубокого обучения с целью Google, чтобы изменить это. Они разработали технологию, которая может реально воссоздать часть сцены, основанные на начальный и конечный кадр.

Лицо/Распознавание Объекта

При обнаружении лица всех в видео, глубокое изучение позволит вам быстро классифицировать видео коллекции. Можно, например, искать любой клип или фильм, который имеет определенный исполнитель. В качестве альтернативы, вы могли бы использовать технологию, чтобы подсчитать точное время для каждого актера в видео. Недавно “Скай Ньюс” использовать распознавание лиц, чтобы идентифицировать известные лица на королевской свадьбе.

Технология не ограничивается только обнаружение лица, хотя, спортивные трансляции полагаться на камеру людей, чтобы следить за передвижениями мяча, или выявить другие ключевые элементы в игре, такие как цель. Используя распознавания объектов, АИ-приведенные в действие инструменты могут быть использованы для автоматизации производства спортивной трансляции.

Анализ Видео

А Фло может определить, что такое сцена и использовать эти данные для создания видео о все, что вы хотите, что такая же технология может быть использована для сортировки и классификации видео, чтобы сделать его легко найти конкретную кадры просто поиск людей или действия, которые появляются в нем.

Это может использоваться, чтобы обнаружить и удалить нежелательный контент из видео, чтобы гарантировать, что они остаются пригодными для целевой аудитории. В таком же ключе, он может быть использован, чтобы соответствовать новым видео со старыми видео, что человек проявил интерес и предоставить им персональный список рекомендаций.

Лучше Потокового

Как мы движемся в потокового 4К, и производители телевизионного начать разворачивать 8K дисплеи, потоковое использует больше данных, чем когда-либо прежде. Кто-нибудь с плохим соединением знает, что проблема это может быть. Утилита блестящие 4K-дисплеем будет ослаблен, если ваше интернет-соединение не может справиться с пропускной способностью в полной мере воспользоваться ею. Благодаря нейронных сетей, которые могут воссоздать кадров высокой четкости с низким входным определения, мы могли бы скоро быть потоковое потоков определение за наш интернет, пока все еще наслаждающся высокой четкости славу, что наши экраны способны.

Будущее

Глубокий смысл учиться в пленку и транслировать только начали откусывать по краям, что это будет использоваться в будущем. Я считаю, что его будущее в видео-индустрии особенно ярко. Однако, как и все новые технологии, глубокое изучение не без недостатков. Как с deepfakes или лицом неправомерного признания, есть обоснованные опасения относительно конфиденциальности и доверия, которые возникают в результате быстрого развития этой технологии.

Как и с любой новой технологии, отрасли необходимо решить ряд вопросов. Видео-индустрии и технических специалистов должны объединиться, чтобы разработать стандарты, как завтра новый нормальный может выглядеть. Тем не менее, при правильном подходе, польза от этого, кроме элементов будет больше, чем можно себе представить сейчас, а с появлением звукового кино и цветного кино и сделал, прежде чем он, глубоко учиться кино и телевидения на новый уровень.

 

Макс Калмыков является вице-президент по медиа и развлечения в компании DataArt.