将AR引入传统影评,时光网推出兴趣社交平台”侃侃猩“

1月18日,时光网宣布旗下兴趣社交平台「侃侃猩」正式上线,通过 AR 表情评价体系、电影沉浸式体验和视频社交等互动模式,为年轻人打造兴趣分享社交平台。

候凯文

时光网 CEO 侯凯文表示:「侃侃猩以电影娱乐生活和社交为切入点,改变传统社交平台的工具属性,让有志趣相投的年轻人以自己想要的方式勇敢、自由的表达自己,从而产生更高效的连接,并赋予社交更多元的价值。」

AR 表情评价,影评也有小情绪

数据显示,2017年的观影群体中,30 岁以下的年轻群体占 6 成,他们也恰恰是「猩人类」和核心人群。侃侃猩研发团队调查显示,这部分年轻人对传统电影观看和评价模式并不满意,尤其是当前普遍的单一文字影评模式完全无法满足他们多元表达的需求。

而为了让这些年轻用户更直观、更有趣、更生动的表达观影情绪态度,侃侃猩颠覆了传统的文字、图片和视频的影评模式,首次将 AR 技术引入影评,开发出独有的电影 AR 表情评价体系。通过面部追踪+AR 动画表情+情绪识别,用户仅需对着手机做出表情就可以对影片打分,既简单又有趣。

据侃侃猩产品经理介绍,AR 表情评价体系的动画形象可根据用户真实面部动作做相应的虚拟表情。为了让更多人体验到这项有趣的功能,侃侃猩还专门对 AR 识别技术进行了兼容性优化,用户无需使用特定手机也能轻松体验这项有趣的 AR 表情评价体系。

此外,为满足不同用户的使用习惯,侃侃猩也同时兼容了图文和视频等富媒体影评模式,用户可以根据自身喜好,在图文、视频和 AR 间随意切换,用最舒服的方式发表影评。

电影沉浸式体验,人人都是主角

除了颠覆式的 AR 表情评价体系,侃侃猩还从影迷喜好入手,特别打造出一套独特的电影沉浸式体验系统,通过 3D 贴图和滤镜,创造出优质且趣味横生的内容,让普通人也可以瞬间化身电影主角,并和好友一起随时进入电影世界,展现自我的同时也能为喜爱的电影打 call。

3D

除了 3D 面具,侃侃猩还挑选了一批在色彩运用上极具代表性的经典影片,并通过分析它们的色彩构成,进而打造出一批具有电影艺术效果的滤镜,用户无需专业技术也能分分钟上手成为拍片大师。

值得一提的是,3D 面具和电影滤镜除了可供用户自己创作和分享内容,还能应用于视频影评中,从而增添了影评的独特性和趣味性。为了鼓励用户贡献更多的视频影评,侃侃猩也为每部影片设置了引导问题,使用户可以在更加放松的状态下表达自我。同时在时光网电影数据库的支撑下,每一个用户都可以轻松生产出高品质的影评内容。

视频社交,和达人零距离

侯凯文表示,侃侃猩希望调动更多用户的积极性,并生产更多视频 UGC 社交内容,从而让年轻人们展现最好的自己。

为此,侃侃猩也着重在视频社交领域加以打造,并希望通过视频社交和兴趣社交的结合引导更多优质原创内容的产出。侃侃猩同时聚集了各个领域的兴趣达人,其中不乏新锐画手、变形金刚收藏家、知名 coser 和声优等。借助这样的方式,用户可在直播间中与志趣相投的朋友进行实时语音、视频的经验交流与知识分享,找到更多有着相同兴趣爱好的朋友。

最后,侯凯文透露,接下来侃侃猩将陆续推出多人一起观看长视频和影视主题知识竞技等功能,聚焦电影只是侃侃猩深耕兴趣内容社交的起点,未来将延展至更丰富的兴趣领域当中。

深度学习是机器学习的一个子领域,它基于人工神经络的研究,特别是利用多层次的神经络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经络(Neural Networks)**:深度学习的基础是人工神经络,它是由多个层组成的络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经络(Feedforward Neural Networks)**:这是最常见的神经络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经络(Convolutional Neural Networks, CNNs)**:这种络特别适合处理具有格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经络(Recurrent Neural Networks, RNNs)**:这种络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长期记忆络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗络(Generative Adversarial Networks, GANs)**:由两个络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经络中用于添加非线性,使得络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值