Twitter става Twttr, а Youtube пуска свои AR филтри

13 март, 2019

Няма коментари

Две новини от последните няколко часа разкриват нова посока на развитие за две от господстващите онлайн пространството медии.

Twitter пусна бета версия на последната си разработка на платформата, под името Twttr. Ако Twttr ви звучи познато, то е защото това е било името, с което платформата е била планирана за пускане (име, вдъхновенo от Flickr).

Новата версия улеснява потока на мисълта на потребителя, като му дава възможност за лесно проследяване на нишката на всеки един разговор. В сегашната версия на мрежата, отговорите под всеки туит се подреждат безразборно, без да се съобразяват с време или актуалност на отговора. Благодарение на TechCrunch разполагаме и с това тайно надникване отвъд стените на бета версията:

Ако искате да бъдете от малкото българи, които ще станат част от бета версията, можете да кандидатствате за достъп от тук.

Youtube пък попадна в мрежата на социалните мрежи, промотиращи използването на AR филтри. След като тенденцията направи бум в Snapchat, а по-късно в Instagram и Facebook, от най-голямата платформа за видеосподеляне не се сдържаха да тестват успеха и на своя територия.

В последната версия YouTube Stories в колаборация с ARCore предлагат API за лайв филтри, с които можете да добавяте очила, маски, шапки и други елементи на себе си и околните в видеоклипове. За целта е използвано машинно самообучение, което създава приблизителен 3D модел на повърхността. Резултатът е визуални ефекти, изискващи само една работеща камера, без да е необходим специален сензор за дълбочина. Този подход осигурява използването на AR ефекти в реално време, което става възможно благодарение на TensorFlow Lite, който може да работи на мобилно GPU. Технологията е достъпна за по-широката общност на разработчиците чрез най-новата версия на ARCore SDK и ML Kit Face Contour Detection API.

Как работи подобрената от Google технология?

ML технологията се състои от два модела в реално време с дълбоки невронни мрежи, които работят едновременно. Първият е детектор, който работи по целия мащаб на изображението и изчислява местоположението на лицето. Вторият е общ 3D модел на мрежата, който прогнозира приблизителната геометрия на повърхността чрез регресия. Възможността лицето да бъде точно селектирано и изрязано драстично намалява необходимостта от общи разширения на данни като афинни трансформации, състоящи се от ротации, транслации и промени в мащаба. Вместо това мрежата използва капацитета си за точност на предсказване на координатите, което е от решаващо значение за постигане на правилно позициониране на виртуалното съдържание.