Merkkleuren op sociale media
Clemson University was de host voor de jaarlijkse IARIGAI onderzoeksconferentie. Naast Engineering, Computing en Applied Sciences is er ook een ‘Department of Graphic Communications’ waar je wordt onderwezen in print en andere vormen van visuele communicatie. Op de conferentie kregen we een mooi voorbeeld te zien van samenwerking tussen experten in artificiële intelligentie enerzijds en grafische (kleur) experten anderzijds. De uitdaging: hoe kan je merkkleuren uit diverse sociale media consistent reproduceren? We leven immers in een tijd waar evenementen zich vertalen in een stroom van foto’s en video’s op sociale media. Hoe krijg je daar een lijn in de weergave van belangrijke merkkleuren?
Clemson Orange
Als voorbeeld werd de merkkleur “Clemson Orange” genomen. Deze kleur vind je overal in Clemson terug: websites van de stad, universiteit, souvenir T-shirts, de uitrusting van het lokale sportteams, enz. Startpunt is de definitie in de huisstijlgids:
Colornet
Programmeurs gingen hiermee aan de slag om AI-Software (ColorNet) te ontwikkelen die in staat is om uit de inkomende foto of videostroom objecten met “Clemson Orange te herkennen en te transformeren richting huisstijlgids.
Uitvoering
Voor degene die vertrouwd zijn met AI weten dat het vertrekpunt een kwalitatieve set trainingsdata is. Hiervoor verzamelde het team uit de diverse social media platformen (Facebook, TikTok, YouTube, Twitter, Instagram,) random beeldmateriaal uit een twintigtal verschillende kanalen (o.a. diverse mannen -en vrouwensporten).
Met deze trainingsdata werd een leermodel uitgewerkt. Essentieel hierin is de invloed van omgevingslicht op kleur: een oranje T-shirt ziet er anders uit in zonlicht en kunstlicht! Door vijf verschillende licht-categorieën te definiëren kwam men tot een model met 2 soorten betrouwbaarheid: de betrouwbaarheid om de merkkleur te kunnen detecteren en te onderscheiden van huidskleuren en de betrouwbaarheid van de uitgevoerde kleurcorrectie.
Resultaten
Met de klassieke deltaE-berekening werd een score berekend tussen originele merkkleur in het beeld en het resultaat na passage door de ColorNet-software.
Conclusies
Het project toont het potentieel aan van de nieuwe generatie softwareontwikkeling. Met een goede set trainingsdata kan je een AI-systeem aanleren hoe merkkleuren uit een diverse beeldstroom te corrigeren. In dit geval gaat het over reproductie in digitale media: men gebruikt de gecorrigeerde beeldstroom o.a. voor de weergave op grote gekalibreerde beeldschermen in sportstadia. Merk op dat er een sterke analogie met print is: hoe krijg je merkkleuren zo consistent mogelijk gereproduceerd op verschillende substraten, met verschillende druktechnieken, enz.? Of out-of-the-box: hoe zou je AI kunnen inzetten om printjobs te herrekenen in functie van de lichtomstandigheden waar het product wordt uitgestald?