الكشف عن التلاعب في الوجه يحظى باهتمام متزايد مؤخرًا في المجالات الأكاديمية والصناعية على حد سواء. مع ظهور حلول مختلفة تعتمد على شبكات العصبونات المت convoled (CNN)، أظهرت الأساليب متعددة الوسائط (RGB، العمق، والأشعة تحت الحمراء) التي تعتمد على CNN أداءً أفضل من المصنفات ذات الوسيلة الواحدة. ومع ذلك، هناك حاجة لتحسين الأداء وتقليل التعقيد. لذلك، تم اقتراح هندسة شبكة خفيفة للغاية (FeatherNet A/B) مع وحدة بث تحل مشكلة التجميع العالمي للوسطيات وتستخدم عددًا أقل من المعلمات. شبكتنا الواحدة FeatherNet التي تم تدريبها باستخدام صور العمق فقط توفر نقطة بداية أعلى بمعدل خطأ متوسط قدره 0.00168، ومعلمات بحجم 0.35 مليون، وعمليات عائمة بمقدار 83 مليون (FLOPS). بالإضافة إلى ذلك، تم تقديم إجراء دمج جديد بهيكل "المجموعة + التسلسل" لتحقيق حالات الاستخدام التي تفضل الأداء العالي. وفي الوقت نفسه، تم جمع مجموعة بيانات MMFD لتوفير المزيد من الهجمات والمتنوعية للحصول على تعميم أفضل. استخدمنا طريقة الدمج في تحدي الكشف عن هجمات التلاعب في الوجه @CVPR2019 وحققنا نتائج بلغت 0.0013 (ACER)، 0.999 (TPR@FPR=10e-2)، 0.998 (TPR@FPR=10e-3) و 0.9814 (TPR@FPR=10e-4).