第51卷收稿日期：2022年8月10日，修回日期：2022年9月21日作者简介：李芳慧，女，硕士，研究方向：深度学习，图像处理。裴腾达，男，硕士，研究方向：物联网工程。∗1引言目前人脸识别技术已经在社会诸多领域上得到了广泛应用，为社会的安全以及经济发展带来了巨大的便利。传统的人脸识别技术主要以浅层结构模型为主，它们在处理图像、视频、语音等高维数据方面表现较差，特征提取难以满足需求，而深度学习技术弥补了这一缺陷［1］。深度学习采用深层神经网络模型，即具有特殊训练方式的包含多个隐藏层的神经网络［2］。1989年LeCun提出了真正意义上的适用于深度学习训练的算法——卷积神经网络（ConvolutionalNeuralNetworks，CNN）［3］。CNN因其具有独特的结构优势，在图像分类、图像检索、人脸识别等领域得到了广泛应用［4］。目前比较成功的CNN网络模型有AlexNet［5］、GoogleNet［6］、VGG⁃Net［7］、ResNet［8］等。CNN网络对输入图像进行分类识别，然而在含有噪声干扰的环境下，采集到的图像质量差，使得网络的效果大幅度降低。在卷积神经网络中，池化层的重要作用是实现特征降维、提取关键信息并丢弃冗余信息。然而，传统的池化操作只是对数据进行简单的粗处理，如最大池化法只极端的保留最大值元素，很容易引进噪声；平均池化法取池化窗口内的均值，弱化了最大值关键元素。对此，国内外许多研究学者提出了改进模糊二值模式算法及其在卷积神经网络中的降噪性能∗李芳慧裴腾达（大连大学信息工程学院大连116622）摘要针对传统池化方法未考虑不同像素点信息贡献存在差异的问题，论文设计了融合改进模糊二值模式的加权池化方法，该算法利用模糊隶属度函数计算出各像素点为等价模式的概率，并对应生成合适的权重值，在卷积神经网络的池化阶段，结合输入特征图及权重图，得到其加权池化输出值。利用ORL人脸数据库进行的实验结果表明，在测试图像含有噪声的情况下，论文提出的加权池化算法比传统最大池化法具有更好的降噪能力和人脸识别效果。关键词模糊二值模式；卷积神经网络；加权池化；降噪中图分类号TP301.6DOI：10.3969/j.issn.1672-9722.2023.03.032ImprovedFuzzyBinaryPatternAlgorithmandNoiseReductionPerformanceinConvolutionalNeuralNetworksLIFanghuiPEITengda（SchoolofInformationEngineering，DalianUniversity，Dalian116622）AbstractSincethetraditionalpoolingmethoddoesnottakeintoaccountthedifferenceintheimportanceo...
