Das Thema Face Anti-Spoofing (Gesichtserkennungssicherheit) erhält in letzter Zeit sowohl im akademischen als auch im industriellen Bereich vermehrte Aufmerksamkeit. Mit der Einführung verschiedener CNN-basierter Lösungen zeigten sich mehrmodalige Methoden (RGB, Tiefen- und IR-Bilder) auf Basis von CNNs als überlegen gegenüber einmodaligen Klassifizierern. Dennoch besteht ein Bedarf an der Verbesserung der Leistung und der Reduzierung der Komplexität. Deshalb wurde eine extrem leichte Netzwerkarchitektur (FeatherNet A/B) vorgeschlagen, die mit einem Streaming-Modul arbeitet, das die Schwächen des Globalen Durchschnittspoolings behebt und weniger Parameter verwendet. Unser einzelnes FeatherNet, das ausschließlich mit Tiefenbildern trainiert wurde, liefert einen höheren Baseline-Wert von 0,00168 ACER, 0,35 Mio. Parametern und 83 Mio. FLOPS. Darüber hinaus wird ein neues Fusionsverfahren mit einer „Ensemble + Kaskade“-Struktur vorgestellt, um Anwendungsfälle zu bedienen, bei denen eine hohe Leistung bevorzugt wird. Gleichzeitig wurde das MMFD-Datensatz (Multi-Modal Face Anti-Spoofing Dataset) gesammelt, um mehr Angriffe und Vielfalt bereitzustellen und so eine bessere Generalisierung zu erzielen. Wir haben die Fusionsmethode im Face Anti-Spoofing Attack Detection Challenge@CVPR2019 eingesetzt und dabei folgende Ergebnisse erzielt: 0,0013 (ACER), 0,999 (TPR@FPR=10^-2), 0,998 (TPR@FPR=10^-3) und 0,9814 (TPR@FPR=10^-4).