In den letzten Jahren hat die Wi-Fi-Sensing-Technologie aufgrund ihrer zahlreichen Vorteile wie Datenschutz, geringen Kosten und Durchdringungsfähigkeit erhebliche Aufmerksamkeit erfahren. Umfangreiche Forschungen wurden in diesem Bereich durchgeführt, wobei Schwerpunkte auf Gebieten wie Gestenerkennung, Personenidentifikation und Sturzerkennung gelegt wurden. Viele datengetriebene Methoden stoßen jedoch auf Herausforderungen im Zusammenhang mit dem Domänenversatz, bei dem das Modell in Umgebungen versagt, die sich von den Trainingsdaten unterscheiden. Ein wesentlicher Faktor, der zu diesem Problem beiträgt, ist die begrenzte Verfügbarkeit von Wi-Fi-Sensing-Datensätzen, was dazu führt, dass Modelle übermäßige irrelevantes Wissen erlernen und sich an den Trainingsdatensatz überanpassen. Leider ist das Sammeln umfangreicher Wi-Fi-Sensing-Datensätze in verschiedenen Szenarien eine herausfordernde Aufgabe. Um dieses Problem anzugehen, schlagen wir CrossFi vor, einen Ansatz basierend auf einem Siamesischen Netzwerk, der sowohl in in-domänen als auch in cross-domänen Szenarien hervorragt, einschließlich Few-Shot-, Zero-Shot-Szenarien und sogar in Few-Shot-New-Class-Szenarien, wo der Testdatensatz neue Kategorien enthält. Das Kernstück von CrossFi ist ein Stichprobenähnlichkeitsberechnungsnetzwerk namens CSi-Net (CrossFi Similarity Network), das die Struktur des Siamesischen Netzwerks durch die Verwendung eines Aufmerksamheitsmechanismus verbessert, um Ähnlichkeitsinformationen zu erfassen, anstatt einfach nur den Abstand oder die Kosinus-Ähnlichkeit zu berechnen. Basierend darauf entwickeln wir ein zusätzliches Weight-Net (Gewichtungsnetzwerk), das für jede Klasse eine Vorlage generieren kann, sodass unser CrossFi in verschiedenen Szenarien effektiv arbeiten kann. Experimentelle Ergebnisse zeigen, dass unser CrossFi über verschiedene Szenarien hinweg Spitzenleistungen erzielt. Bei der Gestenerkennung erreicht unser CrossFi eine Genauigkeit von 98,17 % im in-domänen Szenario, 91,72 % im One-Shot-Cross-Domänen-Szenario, 64,81 % im Zero-Shot-Cross-Domänen-Szenario und 84,75 % im One-Shot-New-Class-Szenario. Der Code für unser Modell ist öffentlich verfügbar unter https://github.com/RS2002/CrossFi.