CN110309798A - 一种基于域自适应学习和域泛化的人脸欺骗检测方法 - Google Patents

Abstract

本发明公开了一种基于域自适应学习和域泛化的人脸欺骗检测方法，主要步骤如下：构建以深度残差网络为基础的编码器；构建用于检测人脸欺骗的分类器；构建用于指引特征符合拉普拉斯分布的判别器；利用三个部件组成训练网络；构建网络训练的损失函数；设置模型优化算法；处理训练数据集样本图像改变其尺寸；训练优化网络参数；处理测试图像改变其尺寸；利用训练好的编码器和分类器进行人脸欺骗的检测。本发明通过最大均值差异MMD训练编码器提取源域训练数据的共同特征，同时结合对抗自编码器AAE技术，使得特征符合拉普拉斯分布，进一步提高了检测方法的泛化性能，有效提升了该方法在面对实际应用中复杂条件下人脸欺骗攻击的检测性能。

Description

一种基于域自适应学习和域泛化的人脸欺骗检测方法

技术领域

本发明涉及计算机视觉和人工智能技术领域，具体涉及一种基于域自适应学习和域泛化的人脸欺骗检测方法。

背景技术

人脸识别一直是计算机视觉领域的热门研究方向。由于人脸识别的身份非侵入性和可交互性，使得其在用户身份认证中的应用越来越广泛。而与此同时，随着网络和各种智能设备的普及，人脸识别系统受到欺骗攻击的频率也越来越频繁，攻击方式也越来越多样化。因此，提高人脸识别系统的欺骗检测能力，能有效增强系统的安全性，具有重要的研究意义与迫切的实际需求。

人脸欺骗检测在近年得到了重视，许多学者围绕该领域开展研究，诞生了多种不同类型的人脸欺骗检测方法。Chingovska等人在2012年的BIOSIG(InternationalConference of the Biometrics Special Interest Group)国际会议上发表论文《On theeffectiveness of local binary patterns in face anti-spoofing》，探索了LBP算法在人脸欺骗检测中的有效性，并在REPLAY-ATTACK数据库的测试中达到了15％的半总误差率。Boulkenafet等人在2015年ICIP(IEEE International Conference on ImageProcessing)国际会议上发表论文《Face anti-spoofing based on color textureanalysis》，从亮度和颜色两方面联合分析了人脸欺骗图像的纹理信息，在CASIA和REPLAY-ATTACK这两个人脸反欺骗基准数据集上取得了较好的效果。除了上述基于传统特征工程的检测方法外，近年随着深度神经网络技术的发展，研究者们也纷纷尝试将深度学习应用到人脸欺骗检测领域。Lucena等人在2017年的International Conference Image Analysisand Recognition国际会议上发表论文《Transfer learning using convolutionalneural networks for face anti-spoofing》，使用迁移学习方法将在IMAGENET上训练好的卷积神经网络应用于人脸欺骗检测数据库，在选取并冻结了VGG的卷积层的基础上添加了自己的全连接层，分别在REPLAY-ATTACK和3DMAD数据库上取得了99.04％和100％的正确率以及1.20％和0.00％的半总误差率。Xu等人在2015年的ACPR(Asian Conference onPattern Recognition)国际会议上发表论文《Learning temporal features using LSTM-CNN architecture for face anti-spoofing》，使用结合长短时记忆网络单元和卷积神经网络的深度神经网络结构，在CASIA数据库上的检测错误率为5.93％。Feng等人在2016年Journal of Visual Communication and Image Representation期刊上发表论文《Integration of image quality and motion cues for face anti-spoofing:A neuralnetwork approach》，提出了一种基于分层神经网络的多线索集成框架，利用Shearlet进行人脸图像质量评估，并使用自动编码器自动学习基于动作的面部活性特征，在REPLAY-ATTACK和3DMAD数据库上均取得了100％的正确率。上述基于深度神经网络的人脸欺骗检测方法在单个数据集上训练并测试都已取得较好的效果，然而对于利用其它数据集进行跨库测试的情况，检测到准确率则往往明显下降，这表明上述人类欺骗检测方法的泛化能力仍不理想。

在实际应用中，人脸欺骗检测系统的训练集数据和实际的攻击数据可能存在巨大差异，这要求人脸欺骗检测系统能在只有源域训练数据，而目标域测试数据未知的情况下，构建有效的预测模型。为了实现该要求，不少学者针对域自适应和域泛化技术进行了研究。Blitzer等人在2006年Conference on Empirical Methods in Natural LanguageProcessing会议上发表论文《Domain adaptation with structural correspondencelearning》，引入了结构对应学习以获取域的泛化特征。Yang等人在2013年IJCAI(International Joint Conference on Artificial Intelligence)会议上发表论文《Multi-view discriminant transfer learning》，提出了一种基于正则相关分析的模型，使用最大均值差异(Maximum Mean Discrepancy，MMD)测度作为域之间数据分布距离进行域泛化。Muandet等人在2013年ICML(International Conference on Machine Learning)会议发表论文《Domain generalization via invariant feature representation》，提出了域不变分量分析算法来学习基于多个源域数据的经验映射，在保持条件函数关系的同时最小化域间的数据分布匹配误差。Xu等人在2014年ECCV(European Conference onComputer Vision)会议上发表论文《Exploiting low-rank structure from latentdomains for domain generalization》，提出了一种基于样本支持向量机的方法来发现被发现的源域共享的潜在信息。上述方法对于提高检测系统的泛化性能具有一定效果，但仍然存在对已知源域数据过度拟合的问题。在现实条件下，人脸欺骗检测系统将面对不同的成像质量、分辨率、背景情况、光照强度等条件，获得的数据也将分布各异。同时系统面对的人脸欺骗攻击也可能包括照片攻击、视频攻击、面具攻击等多种形式，难以事先预计，进一步增加了检测方法泛化的难度。上述方法虽然使得人脸欺骗检测系统在跨库检测性能上有一定的提升，但距离直接应用于现实生活还存在一定差距。迄今为止，泛化性能达到实用要求的人脸欺骗检测方法尚未见报道。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于域自适应学习和域泛化的人脸欺骗检测方法。该方法有效克服了现有技术泛化能力不足的缺点，增强了人脸欺骗检测系统的跨库检测能力，提高了其实用性。

本发明利用最大均值差异MMD指引多源域数据共同特征的提取，使用深度残差网络作为提取特征的编码器，同时结合对抗自编码器(AdversarialAutoencoder，AAE)技术，使得从源域数据中提取的特征尽可能符合拉普拉斯分布，以抑制特征过拟合到源域，提高系统对于未知目标域检测数据的泛化能力。

本发明的目的可以通过采取如下技术方案达到：

一种基于域自适应学习和域泛化的人脸欺骗检测方法，该人脸欺骗检测方法包括如下步骤：

S1、构建以深度残差网络为基础的编码器E。编码器的输入为3通道的彩色图像，接着依次为步幅stride为1的16通道输出3×3卷积层、3个RESNET_BLOCK模块、1个32通道输出的RESNET_BLOCK2模块、2个RESNET_BLOCK模块、1个64通道输出的RESNET_BLOCK2模块、2个RESNET_BLOCK模块、1个128通道输出的RESNET_BLOCK2模块、2个RESNET_BLOCK模块和1个全局池化层，最终输出128维特征。

其中，RESNET_BLOCK模块输入特征图后经过两个分支，分支1不经过任何处理，分支2依次包括步幅stride为1的3×3卷积层、BN层、ReLU激活函数、步幅stride为1的3×3卷积层、BN层，其后两分支特征图按位置相加融合，再经过ReLU激活函数输出。模块内所有特征图的分辨率和通道数保持不变。

其中，RESNET_BLOCK2模块输入特征图后经过两个分支，分支1包括1个步幅stride为2且输出通道数翻倍的1×1卷积层，分支2依次包括步幅stride为2且输出通道数翻倍的3×3卷积层、BN层、ReLU激活函数、stride为1的3×3卷积层、BN层，其后两分支特征图按位置相加融合，再经过ReLU激活函数输出。特征图经过该模块后分辨率缩减1/2，通道数增加1倍。

S2、构建用于检测人脸欺骗的分类器C。分类器输入为128维特征，依次经过1单元的全连接层、sigmoid激活函数，输出真实人脸与攻击人脸的二分类结果。

S3、构建用于指引特征符合拉普拉斯分布的判别器D。判别器输入为128维特征，依次经过128单元的全连接层、ReLU激活函数、1单元的全连接层、sigmoid激活函数，输出特征来自编码器或来自随机拉普拉斯分布序列的二分类结果。

S4、将编码器E的输出作为分类器C的输入，同时将编码器E的输出与随机拉普拉斯序列发生器的输出一同作为判别器D的输入，构建训练网络，使用He方法对训练网络参数进行初始化，即对于输入节点数为N_l的一层神经网络，从均值为0，方差为2/N_l的正态分布中随机抽取数值，作为网络中参数的初始值。

S5、构建训练网络的损失函数。将分类器C的损失函数设置为：

其中y为训练样本的标签，为训练样本的预测值，n为一批同时送入网络进行训练的样本数量。将判别器D的损失函数设置为：

J_gan＝E_h～p(h)[logD(h)]+E_x～p(x)[log(1-D(E(x))]

其中h为随机生成的拉普拉斯分布序列，x为编码器输入的图像样本，E(·)表示编码器的输出，D(·)表示判别器的输出。设置两个源域数据编码器输出特征之间的MMD损失函数为：

其中H_i和H_j分别为源域i和j经编码器生成的一批128维特征，n₀为一个源域中同时送入网络进行训练的样本数量，a_ip表示H_i中的第p个128维特征，a_iq、a_jp和a_jq的定义与之类似。k(·)为高斯核函数，在计算时将标准差参数分别取为1、5、10，以三次计算结果的均值作为核函数值，即有：

对于总共有K个源域的情况，各源域训练样本数量和总样本数量的关系为n＝K×n₀，定义多域的MMD损失函数为：

最终得到系统整体的损失函数为：

L＝L_error+λ₀R_mmd+λ₁J_gan+λ₂Ω(θ)

其中Ω(θ)为编码器和分类器参数的L2正则项，即编码器和分类器所有参数的平方均值。各权重的取值为λ₀＝2，λ₁＝0.1，λ₂＝0.0001。

S6、设置模型优化算法，采用Adam算法进行参数优化，设置学习率为0.0001，一阶平滑参数β₁＝0.9，二阶平滑参数β₂＝0.999，e＝10^-8。

S7、对源域的训练数据进行处理，利用Lanczos插值算法，将所有训练集的图像尺寸统一变为64×64×3。

S8、冻结判别器D参数，解冻编码器E和分类器C参数，从各源域获取相同数量的样本，送入网络进行训练，以损失函数L最小化为目标调整参数。

S9、冻结编码器E和分类器C参数，解冻判别器D参数，从各源域获取相同数量的样本，同时从随机拉普拉斯序列发生器获取同样数量的样本，送入网络进行训练，以损失函数L最大化为目标调整参数。

S10、重复进行步骤S8和S9的操作，直至网络参数稳定。

S11、处理目标域测试数据，同样利用Lanczos插值算法，将所有测试图像尺寸统一变为64×64×3。

S12、将测试图像送入训练好的编码器E，再将其输出送入训练好的分类器C，得到测试图像是否为人脸欺骗攻击的检测结果。

在上述方法的步骤S1中，RESNET_BLOCK模块可以在保持特征图分辨率和通道数不变的情况下采用其他残差网络模块结构。

在上述方法的步骤S2中，RESNET_BLOCK2模块可以在保证特征图分辨率缩减1/2，通道数增加1倍的情况下采用其他残差网络模块结构。

在上述方法的步骤S7和步骤S11中，可以利用Lanczos插值算法，将图像尺寸变为128×128×3。

在上述方法的步骤S1中，RESNET_BLOCK模块可以在保持特征图分辨率和通道数不变的情况下采用其他残差网络模块结构。

在上述方法的步骤S1中，RESNET_BLOCK2模块可以在保证特征图分辨率缩减1/2，通道数增加1倍的情况下采用其他残差网络模块结构。

在上述方法的步骤S5中，可以使用其他任意参数初始化方法对网络参数进行初始化。

在上述方法的步骤S7中，可以使用其他任意参数优化算法对网络参数进行调整。

本发明相对于现有技术具有如下的优点及效果：

1、本发明提供了一种基于域自适应学习和域泛化的人脸欺骗检测方法，通过利用MMD损失函数与AAE相关技术，促使从多个源域训练数据集中提取的共同特征符合拉普拉斯分布，提高了检测方法的泛化性能，有效提升了该方法在面对实际应用中复杂条件下人脸欺骗攻击的检测性能；

2、本发明深度利用残差网络作为特征提取的编码器基础，借助深度残差网络强大的特征提取能力，充分挖掘图像信息，提高了模型提取有用特征的能力，从而实现了复杂条件下人脸欺骗检测准确率的提升；

3、本发明对原有AAE框架进行了优化，根据检测任务的实际需要，去除了解码器，从而有效压缩了模型规模，提高了模型训练效率。

附图说明

图1是本发明公开的基于域自适应学习和域泛化的人脸欺骗检测方法的整体流程框图；

图2是本发明实施例的编码器结构图；

图3是本发明实施例的编码器中RESNET_BLOCK模块结构图；

图4是本发明实施例的编码器中RESNET_BLOCK2模块结构图；

图5是本发明实施例的分类器结构图；

图6是本发明实施例的判别器结构图；

图7是本发明方法的训练网络整体结构图；

图8是本发明方法的测试网络整体结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例公开了一种基于域自适应学习和域泛化的人脸欺骗检测方法，包括模型训练和模型测试两部分。

下面REPLAY-ATTACK数据库为例详细介绍本发明的实施过程。是在不同光照环境下拍摄制作的，一共由1300段视频组成。视频分辨率均为320×240，帧率均为25fps。根据视频背景的复杂程度，视频可以分为背景单一的controlled类型和背景复杂的adverse类型。根据欺骗攻击的情况，攻击视频可以分为人脸保持稳定的fixed类型和人脸出现晃动的hand类型。将上述两对不同的类型相互组合，获得四组不同的攻击视频。结合对应的原始真实视频，将视频分帧保存为图像，组成四个数据集，分别命名为fixed_adverse，fixed_controlled，hand_adverse，hand_controlled。四个数据集分布差异很大，可以验证检测方法的跨库泛化性能。以其中一个数据集作为目标域测试数据，其余三个作为源域训练数据，分别进行实验。实验在Win10系统上进行的，使用3.6.7版本的Python，2.2.4版本的Keras，Keras的后端为1.12.0版本的TensorFlow，CUDA版本为9.0.0，cudnn版本为7.1.4。整体的实施流程如图1所示，具体的实施步骤如下：

S1、构建以深度残差网络为基础的编码器E。

编码器的网络结构如图2所示，其输入为64×64×3的图像数据，输出为128维的特征向量。编码器中的RESNET_BLOCK模块结构如图3所示，RESNET_BLOCK2模块结构如图4所示。

S2、构建用于检测人脸欺骗的分类器C。

分类器的网络结构如图5所示，其输入为128维特征，输出真实人脸与攻击人脸的二分类结果。

S3、构建用于指引特征符合拉普拉斯分布的判别器D。

判别器的网络结构如图6所示，其输入为128维特征，输出为特征来自编码器或来自随机拉普拉斯分布序列的二分类结果。

S4、构建训练网络。

将编码器E的输出作为分类器C的输入，同时将E的输出与随机拉普拉斯序列发生器的输出一同作为判别器D的输入，构建训练网络，如图7所示，并使用He方法对网络参数进行初始化，即对于输入节点数为N_l的一层神经网络，从均值为0，方差为2/N_l的正态分布中随机抽取数值，作为网络中参数的初始值。

S5、构建网络训练的损失函数。

将分类器C的损失函数设置为：

其中y为训练样本的标签，为训练样本的预测值，n为一批同时送入网络进行训练的样本数量，在本实施例中n＝64×3＝192。将判别器D的损失函数设置为：

J_gan＝E_h～p(h)[logD(h)]+E_x～p(x)[log(1-D(E(x))]

其中h为随机生成的拉普拉斯分布序列，x为编码器输入的图像样本，E(·)表示编码器的输出，D(·)表示判别器的输出。设置两个源域数据编码器输出特征之间的MMD损失函数为：

其中H_i和H_j分别为源域i和j经编码器生成的一批128维特征，n₀为一个源域中同时送入网络进行训练的样本数量，本实施例中n₀＝64，a_ip表示H_i中的第p个128维特征，a_iq、a_jp和a_jq的定义与之类似。k(·)为高斯核函数，在计算时将标准差参数分别取为1、5、10，以三次计算结果的均值作为核函数值，即有：

对于总共有K个源域的情况，定义多域的MMD损失函数为：

在本实施例中K＝3。最终得到系统整体的损失函数为：

L＝L_error+λ₀R_mmd+λ₁J_gan+λ₂Ω(θ)

其中Ω(θ)为编码器和分类器参数的L2正则项，即编码器和分类器所有参数的平方均值。各权重的取值为λ₀＝2，λ₁＝0.1，λ₂＝0.0001。

S6、设置模型优化算法。

本实施例采用Adam算法进行参数优化，设置学习率为0.0001，一阶平滑参数β₁＝0.9,二阶平滑参数β₂＝0.999，e＝10^-8。

S7、对源域的训练数据进行处理。

利用Lanczos插值算法，将所有训练集的图像尺寸统一变为64×64×3。

S8、训练编码器及分类器。

冻结判别器D参数，解冻编码器E和分类器C参数，从各源域分别获取64幅图像，送入网络进行训练，以损失函数L最小化为目标调整参数。

S9、训练判别器。

冻结编码器E和分类器C参数，解冻判别器D参数，从各源域分别获取64幅图像，同时从随机拉普拉斯序列发生器获取64个序列，送入网络进行训练，以损失函数L最大化为目标调整参数。

S10、迭代调整参数。

重复进行步骤S8和步骤S9的操作，直至网络参数稳定。

S11、处理目标域测试数据。

同样利用Lanczos插值算法，将所有测试图像尺寸统一变为64×64×3。

S12、组成测试网络进行检测。

将训练好的编码器E和分类器C组合构成测试网络，如图8所示。将测试图像送入其中，得到测试图像是否为人脸欺骗攻击的检测结果。

本实施例以0.5为检测阈值，将分类器输出大于阈值的样本判断为真实人脸图像，将不大于阈值的样本判断为人脸欺骗攻击图像。以前述四个数据集其中一个作为目标域测试数据，其余三个作为源域训练数据，分别进行训练与测试，所得结果如下表所示：

表1.不同数据集的训练与测试结果表

从上述实验结果可见，本发明方法对于源域训练数据与目标域测试数据分布差异较大的情况，仍然能保持较高的跨库检测性能，表明本发明所提出的检测方法具有良好的泛化能力，可应用于复杂的实际检测情况，证明了本发明方法的有效性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于域自适应学习和域泛化的人脸欺骗检测方法，其特征在于，所述的人脸欺骗检测方法包括如下步骤：

S1、构建以深度残差网络为基础的编码器E；

S2、构建用于检测人脸欺骗的分类器C；

S3、构建用于指引特征符合拉普拉斯分布的判别器D；

S4、将编码器E的输出作为分类器C的输入，同时将编码器E的输出与随机拉普拉斯序列发生器的输出一同作为判别器D的输入，构建训练网络，使用He方法对训练网络参数进行初始化，即对于输入节点数为N_l的一层神经网络，从均值为0，方差为2/N_l的正态分布中随机抽取数值，作为网络中参数的初始值；

S5、构建训练网络的损失函数，首先将分类器C的损失函数设置为：

其中y为训练样本的标签，为训练样本的预测值，n为一批同时送入网络进行训练的样本数量；

然后将判别器D的损失函数设置为：

J_gan＝E_h～p(h)[logD(h)]+E_x～p(x)[log(1-D(E(x))]

其中h为随机生成的拉普拉斯分布序列，x为编码器输入的图像样本，E(·)表示编码器的输出，D(·)表示判别器的输出；

接着设置两个源域数据编码器输出特征之间的MMD损失函数为：

其中H_i和H_j分别为源域i和j经编码器生成的一批128维特征，n₀为一个源域中同时送入网络进行训练的样本数量，a_ip表示H_i中的第p个128维特征，a_iq、a_jp和a_jq的定义与之类似，k(·)为高斯核函数，在计算时将标准差参数分别取为1、5、10，以三次计算结果的均值作为核函数值，即有：

对于总共有K个源域的情况，各源域训练样本数量和总样本数量的关系为n＝K×n₀，定义多域的MMD损失函数为：

最终得到系统整体的损失函数为：

L＝L_error+λ₀R_mmd+λ₁J_gan+λ₂Ω(θ)

其中Ω(θ)为编码器和分类器参数的L2正则项，即编码器和分类器所有参数的平方均值，各权重的取值为λ₀＝2，λ₁＝0.1，λ₂＝0.0001；

S6、采用Adam算法进行参数优化，设置Adam算法参数；

S7、对源域的训练数据进行处理，利用Lanczos插值算法，将所有训练集的图像尺寸统一；

S8、冻结判别器D参数，解冻编码器E和分类器C参数，从各源域获取相同数量的样本，送入网络进行训练，以损失函数L最小化为目标调整参数；

S9、冻结编码器E和分类器C参数，解冻判别器D参数，从各源域获取相同数量的样本，同时从随机拉普拉斯序列发生器获取同样数量的样本，送入网络进行训练，以损失函数L最大化为目标调整参数；

S10、重复进行步骤S8和S9的操作，直至网络参数稳定；

S11、处理目标域测试数据，同样利用Lanczos插值算法，将所有测试图像尺寸统一；

S12、将测试图像送入训练好的编码器E，再将其输出送入训练好的分类器C，得到测试图像是否为人脸欺骗攻击的检测结果。

2.根据权利要求1所述的一种基于域自适应学习和域泛化的人脸欺骗检测方法，其特征在于，所述的编码器E的输入为3通道的彩色图像，接着依次为步幅stride为1的16通道输出3×3卷积层、3个RESNET_BLOCK模块、1个32通道输出的RESNET_BLOCK2模块、2个RESNET_BLOCK模块、1个64通道输出的RESNET_BLOCK2模块、2个RESNET_BLOCK模块、1个128通道输出的RESNET_BLOCK2模块、2个RESNET_BLOCK模块和1个全局池化层，最终输出128维特征；

其中，所述的RESNET_BLOCK模块输入特征图后经过两个分支，分支1不经过任何处理，分支2依次包括步幅stride为1的3×3卷积层、BN层、ReLU激活函数、步幅stride为1的3×3卷积层、BN层，其后两分支特征图按位置相加融合，再经过ReLU激活函数输出；

其中，所述的RESNET_BLOCK2模块输入特征图后经过两个分支，分支1包括1个步幅stride为2且输出通道数翻倍的1×1卷积层，分支2依次包括步幅stride为2且输出通道数翻倍的3×3卷积层、BN层、ReLU激活函数、stride为1的3×3卷积层、BN层，其后两分支特征图按位置相加融合，再经过ReLU激活函数输出。

3.根据权利要求1所述的一种基于域自适应学习和域泛化的人脸欺骗检测方法，其特征在于，所述的分类器C输入为128维特征，依次经过1单元的全连接层、sigmoid激活函数，输出真实人脸与攻击人脸的二分类结果。

4.根据权利要求1所述的一种基于域自适应学习和域泛化的人脸欺骗检测方法，其特征在于，所述的判别器D输入为128维特征，依次经过128单元的全连接层、ReLU激活函数、1单元的全连接层、sigmoid激活函数，输出特征来自编码器或来自随机拉普拉斯分布序列的二分类结果。

5.根据权利要求1所述的一种基于域自适应学习和域泛化的人脸欺骗检测方法，其特征在于，所述的步骤S6中Adam算法的参数设置如下：

设置学习率为0.0001，一阶平滑参数β₁＝0.9，二阶平滑参数β₂＝0.999，e＝10^-8。

6.根据权利要求1所述的一种基于域自适应学习和域泛化的人脸欺骗检测方法，其特征在于，所述的RESNET_BLOCK模块内所有特征图的分辨率和通道数保持不变。

7.根据权利要求1所述的一种基于域自适应学习和域泛化的人脸欺骗检测方法，其特征在于，所述的RESNET_BLOCK2模块输入特征图后，特征图经过该模块后分辨率缩减1/2，通道数增加1倍。

8.根据权利要求1所述的一种基于域自适应学习和域泛化的人脸欺骗检测方法，其特征在于，所述的步骤S4和步骤S11中，利用Lanczos插值算法，将图像尺寸变为128×128×3。