蓝印花布纹样标准数据集的构建.pdf

Journal of Jilin UniversitIntormationScienceEditionMay20232023年5月No.3Vol.41吉林大学学（信息科学版）第3期第41卷文章编号：16 7 1-58 96(2 0 2 3)0 3-0 52 1-0 9蓝印花布纹样标准数据集的构建于翔12，张莉，沈美？（1.苏州大学计算机科学与技术学院，江苏苏州2 150 0 0；2.南通科技职业学院信息与智能工程学院，江苏南通2 2 6 0 0 7）摘要：针对在以数字化的方式传承和保护蓝印花布的技术中由于缺乏具有原始手工特征的蓝色印花图案数据集，极大地限制了深度学习技术在蓝印花布纹样识别领域的应用问题，构建了一个大规模蓝印花布纹样数据集。该数据集包含50 2 16 张蓝印花布纹样，从动物、植物、中国神话传说及复合四大题材的角度将数据分为85个子类。该数据集的创建不仅涉及到蓝印花布的数字化建设，如蓝印花布纹样检索及相关纹样命名，还能使相关研究人员设计和验证机器学习算法。在所构建的数据集基础上，提供了4个典型深度学习网络的实验结果，以此作为其性能基准。关键词：非物质文化遗产；蓝印花布纹样；图像识别；标准数据集；深度学习中图分类号：TP313文献标志码：AConstruction of the Standard Datasets of Blue Calico PatternsYU Xiang*2,ZHANG Lil,SHEN Mei?(1.School of Computer Science and Technology,Soochow University,Soochow 215000,China;2.School of Information and Intlligent Engineering,Nantong College of Science and Technology,Nantong 226007,China)Abstract:To inherit and protect the traditional blue calico patterns,it is necessary and challenging to protectblue calico in a digital manner.Due to the lack of blue calico pattern datasets with original manualcharacteristics,which limits the application of powerful deep learning technology on pattern recognition field likethe recognition of Blue Calico patters,therefore a large-scale dataset called Blue-Calico pattern dataset isprovided,which is the first publicly available benchmark for blue calico pattern recognition.This datasetcontains about 50 216 blue calico patterns,covering 85 pattern classes,such as animals,plants,myths andlegends.The construction of this dataset will concern the digital construction of blue calico,such as calico imageretrieval and caption,and enable researchers to design and validate data-driven algorithms.On the basis of thenew dataset,the experimental results of four state-of-the-art networks are provided as a baseline for future work.Key words:intangible cultural heritage;blue calico;image recognition;benchmark dataset;deep learning0引言根据联合国教科文组织的定义，非物质文化遗产（ICH：In t a n g i b l e Cu l t u r a l H e r i t a g e）是指“从祖先那里继承下来并传给后代的传统或生活方式”1。我国代表性的非物质文化遗产包括中国书法、端午节和皮影表演等。如果一个民族的非物质文化遗产缺失，人们就会失去集体记忆的根源和民族的情感基因。然而，随着现代工业化的快速发展，受全球经济一体化的影响以及自然灾害、战争、人为破坏等多种收稿日期：2 0 2 2-0 3-2 1基金项目：江苏省南通市科技计划基金资助项目（JC2022059）；江苏省高校哲学社会科学研究基金资助项目（2 0 2 0 SJA1678）；江苏省高等学校大学生创新创业训练计划基金资助项目（1910 18 30 2 33）；江苏省高等学校高级访问学者研修计划基金资助项目（2 0 2 0 12 6 8 40 13Y）作者简介：于翔（197 5一），男，江苏南通人，南通科技职业学院副教授，主要从事深度学习、图像分类与识别研究，（Tel）8 6-13275298562（E-ma i l)6 0 50 2 6 2 7 6 q q.c o m；张莉（197 4一），女，江苏苏州人，苏州大学教授，博士生导师，主要从事机器学习、模式识别和图像处理研究，（Tel)86-15295659028（E-m a i l）z h a n g l i m l s u d a.e d u.c n。第41卷吉林大学学学报（信息科学版）522因素对全球范围内的非物质文化遗产造成了不同程度的损坏2 。因此，必须重视对非物质文化遗产的保护。目前有越来越多的数字化方法应用于保护非物质文化遗产3，例如构建虚拟博物馆（the ScrovegniChapel和Giza 3D）和关于非物质文化遗产的严肃游戏（如APA（A c t i v e Pa i d A c c o u n t）3】）。数字技术的应用不仅有利于信息的传播，而且还有利于技艺的传授3。非物质文化遗产数据库、图像恢复、分类、仿真研究等相关技术的实现，为非物质文化遗产的继承和保护做出了巨大贡献4。Rallis等5 利用机器学习技术对非物质文化遗产的重要组成部分民间舞蹈进行了深人的分析。Bakalos等6 提出了利用3种深度学习方法对希腊舞蹈姿势分类的方案。为保存东南亚与表演艺术相关的非物质文化遗产，Do等7 探索了包括深度学习和支持向量机等机器视觉技术处理非物质文化遗产图像分类任务方案。Liu等8 利用机器学习技术对我国江西非物质文化遗产瑞昌竹编纹样进行分类研究。针对传统手工艺的非物质文化遗产，其数字化的重点工作不仅是为了保存，还应该包括再现并传播其文化内涵9。例如在50 年前的中国南方随处可见的蓝印花布10 】，它不但具有主题丰富、制作工艺巧妙、纯手工制作等特点，而且还有深蕴传统文化和丰富多样表现形式的纹样。但这些优势却在时代发展过程中，转变成很难实现大规模机器生产的劣势，也促使蓝印花布逐渐淡出大众视野4，成为中国非物质文化遗产。二十世纪九十年代，中国工艺美术大师吴元新先生在中国唯一一个自明朝一直传承民间蓝印花布的地区一南通建立了第1个蓝印花布博物馆10 ，并在馆内保存了上万件明清时期的蓝印花布实物及相关图片资料。结合人工智能、深度学习技术对蓝印花布进行传承与保护是一件极具意义的任务。最近深度学习在许多领域都得到广泛应用】，而深度学习成功与否主要在于任务数据集的规模和质量2 。目前，已经有专注于蓝色印花图案的现代化再设计研究4，但由于没有公开的数据集，他们只能从互联网上获取大约2 0 0 个样本，并最终通过数据增强方法扩展到2 0 30 个样本。但这些样本并不能支撑训练深度学习模型。因此，构建一个蓝印花布纹样数据集，对实现保护、传承和发展蓝印花布纹样及其文化内涵都是十分必要和迫切的。并且在构建数据集的基础上，还可以极大地促进设计和验证基于数据驱动的深度学习算法，进一步推动蓝印花布纹样文化内涵的数字化建设。为更好地保护和传承蓝印花布，笔者构建了一个大型的蓝印花布纹样标准数据集。由于蓝印花布本身的多样性和复杂性，建设蓝印花布纹样数据集具有极大的挑战性。首先，在南通蓝印花布博物馆采集了大量蓝印花布的实物原始照片；随后，将这些原始照片按植物、动物、中国神话与传说、复合纹样四大题材进行划分，分为8 5个子类，共50 2 16 幅蓝印花布纹样。在该数据集的基础上，训练了4种典型的深度学习算法识别和检测蓝色花布纹样。所构建的蓝印花布纹样数据集、源代码和经过训练的模型都是公开的（https：/g i t h u b.c o m/f a c e b o o k/r e a c t）。期望蓝印花布纹样数据集能极大地促进未来蓝印花布纹样识别处理算法的发展。蓝印花布纹样图像数据集的构建蓝印花布是在我国人民的日常生活中，尤其在华东地区非常常见的一种传统植物染色的全手工制作织物。蓝印花布纹样是纯手工雕刻在牛皮纸板上，再将两层或3层牛皮纸粘合在一起形成底板。这些粗扩有力的图案，标志着中国古代印染技艺的发展水平。然而，在现代工业的强烈冲击下，仅有南通地区不但保存及收藏了足以代表我国传统蓝印花布制造技艺整体水平的纹样，而且还保留了传统的蓝印花布纹样制造、印染技艺及其传统艺术风格。因此，南通也成为我国民间蓝印花布研究、开发、生产、传承的重点基地，被中国民间艺术协会誉为“蓝印花布之乡”。2 0 0 6 年，南通蓝印花布印染技艺被列人中国国家非物质文化遗产名录。1.1蓝印花布纹样同手写汉字一样，蓝印花布纹样也具有极其丰富的多样性。这完全是由蓝印花布纹样底版的纯手工雕刻特性所决定的。由于底版制作者的刻版风格及其所处时代等原因，内涵完全相同的蓝印花布纹样会展现出完全不同的风格。然而，灵活多变的蓝印花布图案大致可以分为两类：蓝底白纹和白底蓝纹，如523于翔，蓝印花布纹样标准数据集的构建第3期图1所示。a蓝底白纹凤戏牡丹b白底蓝纹凤戏牡丹图1蓝底白纹和白底蓝纹的“凤戏牡丹”蓝印花布纹样示例Fig.1Example of“phoenix playing peony blue calico pattern with white pattern onblue background and blue pattern on white background南通蓝印花布博物馆收藏了上万件古代或现代工匠制作的蓝印花布。笔者采用Cannon60D拍摄了5000多幅不同分辨率的蓝印花布照片。不同的分辨率导致图像内容的偏移、粗糙纹理、部分失真等现象，因此逐一核查了所有的蓝印花布照片，删掉了模糊或损坏以及不符合要求的照片。最终选定30 0 0多幅照片。1.2蓝印花布纹样的提取每幅蓝印花布照片中都可能包含数量不等的各种复杂纹样，如图2 所示。图2 展示了南通蓝印花布博物馆所收藏的一幅喜庆被面的照片。这幅照片包含了14种类型的吉庆纹样，如梅花、菊花和蝙蝠等。为获得这些蓝印花布纹样，必须从蓝印花布照片中手动分割照片，从而提取出纹样，并将其保存为单独的图像文件。蓝印花布纹样具有异常丰富的多样性。比如复合类型的纹样，虽然是由大量独立的、不同意义的小纹样组成，但其复合后所表现出的意义却大相径庭。不能单从表面上确定纹样的类型，必须根据我国传统文化的内涵进行归类整理。图3展示了4种复合的“喜上眉梢”纹样。显然，每幅纹样图像都包含了喜鹊和梅花两种不同风格的小纹样。复合纹样的内容是喜鹊站在梅花枝尖上。在我国传统文化中，梅花象征着高贵、纯洁，喜鹊则象征着喜庆的到来。当这两种独立的小纹样结合在一起时，则变为梅枝通眉梢，喜鹊通喜事。整个复合纹样通过描述人的面部表情变化表达出普通中国人的美好愿望，这里被定义为“喜上眉梢”。“喜上眉梢”纹样也仅仅是成千上万个蓝色印花纹样中最普通，也是较为简单纹样中的一种。蝙蝠福到眼前长寿纹-五福同寿梅花兰花如意风戏牡丹竹麦穗牡丹蝴蝶菊花菊花纹样图2蓝印花布照片和其包含的纹样图像Fig.2Blue calico patterns contained image图3由喜鹊、梅花两个独立小纹样所组成的复合纹样一“喜上眉梢”Fig.3The compound pattern composed of magpie and plum blossom-happy eyebrow tip524第41卷吉林大学学报（信息科学版）1.3数据增强及归一化所提取的纹样图像大小各有不同，通常的网络模型需要输入图像具有统一的尺寸。图像大小对训练精度及时间都会产生影响。如输人图像尺寸较大时，图像含有更多的信息，但同时也增加了噪声和方差，就需要更多的卷积层和池化层处理，增加了计算量及训练时间；反之，输人小尺寸的图像，则会丢失一些重要的分类特征信息，降低了训练精度。笔者通过实验验证了上述观点，对同一个模型进行不同尺寸和不同迭代次数的训练，大尺寸图像需要更多的迭代次数才能达到较好的精度，而小尺寸的图像虽然迭代次数减少了，但精度却显著下降。最终经过多次实验，确定纹样的尺寸归一化为2 2 42 2 4像素。数据增强技术就是人为地生成真实数据集的不同版本以增加其数据大小。神经网络模型在小数据集上训练时，容易产生过拟合。通过数据增强策略不但能解决数据稀缺和数据多样性不足的问题，而且还有助于防止过拟合，提高准确率13。因此，通过数据增强技术对数字化纹样进行数据增强，具体的数据增强技术包括旋转、宽度偏移、高度偏移、缩放、剪切、变焦范围及水平翻转、垂直翻转和填充等。图4给出了一个数据增强的例子，对一个凤凰纹样进行数据增强处理后得到的8 张纹样。a 10414.jpgb 10415.jpgc 10416.jpgd 10417.jpge10421.jpgf 10422.jpgg 10423.jpgh 10424.jpg图4凤凰纹样数据增强后的8 张样本Fig.4Eight samples after phoenix pattern data augmentation整个数据增强和归一化大约用时6 个月。最终收集、分类形成了近50 2 16 张蓝色印花纹样图像的数据集。图5展示了蓝印花布纹样数据集的部分截图。1047.jpg1048.jpg1049.jpg21.jpg22.jpg23.jpg25.jpg26.jpg27.jpg10000.jpg10001.jpg10002.jpg1061.jpg1062.jpg1063.jpg36.jpg37.jpg38.jpg50.jpg52.jpg54.jpg10014.jpg10015.jpg10016.jpg福1075.jpg1076.jpg1077.jpg50.jpg51.jpg52.jpg73.jpg74.jpg75.jpg10028.jpg10029.jpg10030.jpg10130.jpg10131.jpg10132.jpg10003.jpg10004.jpg10005.jpg10001.jpg10002.jpg10003.jpg10042.jpg10043.jpg10044.jpg图5蓝印花布纹样数据集中部分图像展示Fig.5Partial image display in blue calico dataset第3期于翔，蓝印花布纹样标准数据集的构建5251.4蓝印花布纹样数据集的构建蓝印花布纹样数据集是一个包含50 2 16 张蓝花布纹样图像的分层结构数据集。根据不同文化内涵及意义，将纹样图像分为动物、植物、中国神话传说及复合题材4个超级大类，动物、植物两个超级大类多以单独纹样出现，主要起装饰作用，或相互组合成神话传说、复合纹样；神话传说、复合纹样则以蓝印花布图像的主题出现，辅以单独纹样共同组成一个蓝印花布图像。超级大类下共分成8 5种不同的子类，如图6 所示给出了部分分类，其中动物、植物两类纹样属于单独纹样，这类纹样都有属于自己的文化意义；而中国神话传说与复合题材两类纹样属于组合纹样，组合纹样多由动物、植物等多个单独纹样组成，且意义与单独纹样原有意义完全不同。蝙蝠风凰鱼蝴蝶兰花牡丹梅花狮子葡萄动物兰花仙鹤竹植物葫芦喜鹊蟾菊花人物寿桃佛手灵芝童子仙人石榴菊花喜鹊梅花喜鹊鹿灵芝数据集菊报平安仙人蟾蜍鹿衔灵芝喜上眉档童子刘海戏金蟾铜钱纹吉庆有余莲花鱼仙人如意纹双鹤延年鹤人和合二仙祥云纹狮子绣球状元及第楼宇神话楼宇鱼跃龙门传说莲花鱼寿字纹狮子舞绣球连年有鱼复合鱼龙风呈祥楼宇蝙蝠寿桃平升三级风凰龙麒麟送子旗开得胜福寿双全品清莲莲花麒麟童子五福同寿蝴蝶风戏牡丹蝶恋花蝙蝠寿字纹花凤凰牡丹图6蓝印花布纹样数据集结构的部分展示Fig.6Partial display of the structure of blue calico pattern data set二仙，在我国传统纹样中二仙指唐代高僧寒山和拾得，后神化为仙，一人执荷花，一人捧例如和合王我国专凯纹件盒，有一群蝙蝠从盒内飞出。但蓝印花布纹样中的和合二仙多是一人执荷花，是由动物超级类中的人物子类下属的仙人纹样植物超级类中的莲花纹样构成，“荷”谐音“和”、“合”，取和谐好合之意，但与“荷”本意相去甚远。因而，数据注释是数据集构建中最重要的步骤之一。在南通蓝印花布实物进行采集过程中，实物多有严重磨损、破洞缺角等问题，如图7 所示。另外，因为纹样的多样性，相同文化意义的纹样，图7 严重磨损、破洞缺角的蓝印花布实物Fig.7HBlue calico with serious wear,holes and corners526第41卷吉林大报（信息科学版）会有完全不同形式的表征；而有些意义完全不同的纹样，却从某种角度表现出相似性，如兰花纹样，其形态多样，但有些与竹子纹样非常相似；凤凰独特形态，但其团纹却与仙鹤的团纹相似，如图8 所示。这些现象在蓝印花布纹样中比比皆是，在很大程度上增加了对南通蓝印花布纹样注释的难度。因此，对每种纹样，都邀请南通蓝印花布专家对其进行研究、鉴定，并多次组织蓝印花布博物馆的专家进行研讨，确保每种纹样注释的正确性。a兰花b竹c鹤d凤凰图8“兰花”与“竹”、“鹤”与“凤凰”纹样示例Fig.8Example of“orchidandbamboo”,craneand“phoenix对蓝印花布纹样数据集进行了统计。图9给出了10 种最常见的蓝印花布纹样类型，其中“凤凰”纹样是数据集中出现得最多的，超过了30 0 0 幅；其次是“蝴蝶”纹样和“牡丹”纹样，也接近30 0 0 幅。这些以精神生活世界的神话传说、戏曲故事、动植物等为题材的纹样，分体现了蓝印花布纹样受传统文化、江南文化、宗教信仰以及乡土文化、民俗诸多因素的影响，反映出普通老百姓对美好生活的向往、对婚姻生活幸福的渴望以及对生命繁衍、生生不息的憧憬。为了在南通蓝印花布数据集上获得更可靠的测试结果，在测试集上每个类别应该有足够的样本。因此，在子类级别上遵循8：2 对数据进行划分。具体划分是将数据集分为390 0 0 个训练图像和11216个测试图像。蓝印花布数据集中部分纹样的训练与测试个数如表1所示。train set30validationset20100梅花兰花菊花蝴蝶牡丹风凰蝙蝠狮子舞麒麟寿桃绣球送字图910种最常见的蓝印花布纹样类型Fig.9Ten most common patterns of blue calico表1部分蓝印花布纹样的情况说明Tab.1Description of some blue calico pattern classes超级类训练集验证集超级类训练集验证集植物梅花1500385蝙蝠1300328菊花1442361神话传说刘海戏金蟾38396兰花1404352和合二仙818205牡丹2.344586麒麟送子1872469石榴416104鱼跃龙门397100寿桃1400353复合福寿双全898225动物狮子1948487双鹤延年1 099275鹿29073龙凤呈祥674169蝴蝶2.380596蝶恋花602151凤凰2.5966492深度学习算法在蓝印花布纹样数据集上的表现为实现对蓝印花布纹样识别，利用4种经典深度学习算法处理笔者构建的蓝印花布纹样数据集合的神对这10 种常见别纹样使用图10 给出第3 期于翔，等蓝印花布纹样标准数据集的构建5272.1实验设置为获得一个较好的模型，深度学习都需要大量的训练数据。从表1和图9都可看出纹样数据的不平衡性，笔者暂不考虑数据的不平衡性，只考虑满足深度学习训练的基本要求。另外，由于大多数神话纹样和复合纹样在蓝印花布实物中是以主题形式出现的，会包含两种以上的纹样类型，而且纹样分布不紧密。这里忽略包括3种以上的分布不紧密的复杂纹样类别。因此在实验中，对超过10 0 0 幅样本的纹样作为实验对象，即图9中展示的10 个最常见的纹样类别，其中除狮子滚绣球与麒麟送子外，其余均为单独纹样。笔者采用top-1精度作为主要指标评估4种典型的卷积神经网络（CNN：Co n v o l u t i o n a l Ne u r a lNetwork)结构在蓝花布纹样数据集上的分类性能。这4种典型网络是 AlexNetl14、G o o g l e In c e p t i o n 15VGGNet-1616和50 层ResNet17（Re s Ne t-50）。实验环境是3.7 GHzIntel Core i59600KFCPU、NVID IAGTXTITANGPU和8 GByte RAM(Random Access Memory）的的Linux系统，编程采用TensorFlow框架。2.2实验结果直接使用包含10 个类别的训练集数训练每个网络，并对每个模型的参数进行微调。表2 给出了4种网络的迭代次数和分类精度。结果表明，与其他3种模型相比，ResNet的性能明显优于其他几种模型，AlexNet、G o o g l e In c e p t i o n（V1）和VGGNet-16的性能不尽人意。Google Inception（V1）的准确率最低，仅为56.3%。主要原因是Google Inception（V1)的网络结构比较深，而且包含不同尺寸的卷积，感受野扩大，使整个网络模型提取到更多更细致的特征后也吸取了更多无用的噪声与杂质，最终导致其准确率最低。深度与宽度的扩展也使其在耗时方面得以体现，其迭代次数是4个模型中仅次于ResNet(50），耗时相对较多，但准确度却最低。VCCNet-16的准确率为7 3.6%，其原因也主要是网络结构较深。同GoogleInception(V1）相比，VGGNet-16仅增加了网络的深度，但其卷积尺寸没有变化，感受野也没有扩大，即在网络模型宽度方面没有扩展。因此，该模型同样也提取到了更多的特征，并吸收了很多不必要的信息及噪声，但因为在宽度方面没有扩展，因此，该模型吸收噪声与杂质没有Google Inception（V1）多，对准确率的影响没有Google Inception（V1）大，其准确率也高于Google Inception（V1）。网络结构相对较为简单的AlexNet仅经过350 次迭代，就能达到8 7.4%的准确率，明显高于较为复杂的网络。但增加AlexNet的迭代次数，则会出现过拟合现象，准确率却反而会下降。ResNet-50使用残差技术，将前面特征层的信息补充到后面，使其精度更高。表2210种最常见纹样类别的Top-1精度Tab.2Top-1 accuracy of the ten most common pattern categories模型送代次数精度/%模型送代次数精度/%AlexNet35087.40VGGNet-162.50073.60Google Inception(V1)10 00056.30ResNet(50)30 00093.80ResNet-50进行分类所获得的精度。结果表明，组个话传说与复合纹样如狮子滚绣球、麒麟送子的分类准确率远低于单独纹样，其原因是因为组合纹样比单独纹样更复杂，也更难分类。而蝙蝠、蝴蝶、梅花等纹样的准确率高于寿桃、兰花等纹样，则明显与其纹样样本数量相关。通过上述实验可以确定，蓝印花布纹样是一种纹样轮廓相对粗扩、且因其“笔断意连”的表现手法而造成其细节与噪声较难区分的纹样。对其单独纹样分类的网络模型结构不需要太深或太宽，但细节的准确提取比较难把握，ResNet-50网络模型也准确地反映了这一事实。另一方面，组合纹样的复杂性10080%/率6040200狮子舞麒麟兰花蝴蝶凤凰蝙蝠梅花菊花牡丹寿桃绣球送子纹样图1010种常见纹样在ResNet_50网络中的准确率Fig.10Ten common patterns in ResNet-50 accuracy528吉林大学学报（信息科学版）第41卷是造成其分类准确率低下的重要原因之一。组合纹样通常是通过数个不同的单独纹样组合而成的，其特征是通过多个不同单独纹样而表现的，即其特征表现的维度明显要高于单独纹样的特征。另外，组合纹样的样本数量也明显低于单独纹样，这不但造成组合纹样分类准确度低，从而形成长尾分布；同时也是蓝印花布数据集不平衡的主要原因。因此，在后续工作中，将通过加强细粒度分类、重采样等方面的工作解决该问题。3结语笔者通过对真实蓝印花布实物的拍摄，采集了近30 0 0 多幅原始照片。对这些照片进行处理，生成50216幅独立的蓝色印花纹样图像，构建了一个大规模的蓝印花布纹样数据集。在该数据集中，不但极大地保留了蓝花布纹样的原始多样性信息，而且还根据我国传统文化内涵对纹样进行了归类。最后，通过AlexNet、VG G Ne t-16、Re s Ne t-50 以及GoogleInception（V1)4种深度学习方法，验证了采用该数据集实现在蓝印花布纹样识别上的可行性，也证明了中国传统纹样数据集的构建对传统纹样识别的重要性。该数据集的构建将极大地促进人们在蓝印花布纹样检测和识别方面的研究。参考文献：1 JUNESCO.Convention for the Safeguarding of Intangible Cultural Heritage DB/OL.(2018-11-02)2022-03-28.http:/www.unesco.org/new/en/santiago/culture/intangible-heritage/.2 JXIANG L.Intangible Cultural Heritage Protection Based on Information Technology C/Proc of the International Conferenceon Information and Business Intelligence.Berlin,Heidelberg:Springer,2012,267:741-746.3 JDAGNINOOTT F M,POZZI F,TAVELLA M.Widening Access to Intangible Cultural Heritage:Towards the Development ofan Innovative Platform C/LNCS 8514:UAHCI/HCII Part II.Cham:Springer,2014:705-713.4 JWANG Y Y,FU R R.Research on the Regenerated Design of Blue Calico Based on Computer Image Processing C/Proc ofthe 8th International Conference on Culture and Computing.Copenhagen,Denmark:s.n.J,2020:428-437.5JRALLIS I,VOULODIMOS A,BAKALOS N,et al.Machine Learning for Intangible Cultural Heritage:A Review ofTechniques on Dance Analysis M.Cham:Springer,2020:103-119.6 JBAKALOS N,RALLIS I,DOULAMIS N,et al.Choreographic Pose Identification Using Convolutional Neural Networks C/Proc of the 1lth International Conference on Virtual Worlds and Games for Serious Applications(VS-Games).Vienna,Austria:IEEE,2019:1-7.7 JDO T N,PHAM T P,PHAM N K,et al.Stacking of SVMs for Classifying Intangible Cultural Heritage Images CJ/Proc ofthe International Conference on Computer Science,Applied Mathematics and Applications.Cham:Springer,2019:186-196.8 JLIU M,WANG C,ZHOU J.Study on the Development of Ruichang Bamboo Weaving Patterns Based on Computer Graphicsand Machine Learning C/Proc of the 8th International Conference on Culture and Computing.Copenhagen,Denmark:Spring,2020:19-24.【9 王文章，陈飞龙非物质文化遗产保护与国家文化发展战略J华中师范大学学报（人文社会科学版），2 0 0 8，47(2):81-89.WANG W Z,CHEN F L.Intangible Cultural Heritage Protection and National Cultural Development Strategy JJ.Journal ofCentral China Normal University(Humanities and Social Sciences),2008,47(2):81-89.10China Today.Textile Art in White and Blue J.China Today,2018,67(8):70-73.2022-03-25.https:/ T L,ZHU Z,XU K,et al.A Large Chinese Text Dataset in the Wild J.Journal of Computer Science andTechnology,2019,34(3):509-521.12 JSONG X,XUE G,DING Y,et al.A Handwritten Chinese Characters Recognition Method Based on Sample Set Expansion andCNN C/Proc of the 3rd International Conference on Systems and Informatics(ICSAI).Shanghai,China:IEEE,2017:843-849.13JKRIZHEVSKY ALE X.Learning Multiple Layers of Features from Tiny Images D.Toronto,Canada:Department ofComputer Science,University of Toronto,2012.责任编辑：张洁）第3 期于翔，蓝印花布纹样标准数据集的构建52914 JKRIZHEVSKY A,SUTSKEVER I,HINTON G E.ImageNet Classification with Deep Convolutional Neural Networks C/Proc of the 26th Annual Conference on Neural Information Processing Systems.Nevada,USA:s.n.J,2012:1106-1114.15 JSZEGEDY C,WEI L,JIA Y,et al.Going Deeper with Convolutions C/Proc of the IEEE Conference on Computer Visionand Pattern Recognition(CVPR).Boston,MA,USA:IEEE,2015:1-9.16JSIMONYAN K,ZISSERMAN A.Very Deep Convolutional Networks for Large-Scale Image Recognition J.ComputerScience,2014（2 0 15-0 4-10）2 0 2 2-0 3-15 .h t t p s:./x u e s h u.b a i d u.c o m/u s e r c e n t e r/p a p e r/s h o w?p a p e r i d 二2801f41808e377al897a3887b6758c59&site=xueshu_se.17JHE K,ZHANG X,REN S,et al.Deep Residual Learning for Image Recognition C/Proc of the 29th IEEE Conference onComputer Vision and Pattern Recognition.Las Vegas,NV,USA:IEEE,2016:770-778.