CrossFi : Un Cadre de Détection Wi-Fi Inter-domaines Basé sur un Réseau Siamese

Ces dernières années, la détection par Wi-Fi a suscité une attention considérable en raison de ses nombreux avantages, tels que la protection de la vie privée, le faible coût et la capacité de pénétration. De nombreuses recherches ont été menées dans ce domaine, se concentrant sur des applications telles que la reconnaissance de gestes, l'identification des personnes et la détection de chutes. Cependant, de nombreuses méthodes basées sur les données rencontrent des défis liés au décalage de domaine (domain shift), où le modèle échoue à bien performer dans des environnements différents de ceux des données d'entraînement. Un facteur majeur contribuant à ce problème est la disponibilité limitée de jeux de données pour la détection par Wi-Fi, ce qui entraîne l'apprentissage d'informations excessivement non pertinentes et un surapprentissage sur l'ensemble d'entraînement. Malheureusement, collecter des jeux de données à grande échelle pour la détection par Wi-Fi dans divers scénarios est une tâche difficile.Pour résoudre ce problème, nous proposons CrossFi, une approche basée sur un réseau siamois qui excelle tant dans les scénarios du même domaine que dans les scénarios inter-domaines, y compris les scénarios à tirage limité (few-shot), sans tirage (zero-shot) et même dans les scénarios à tirage limité avec nouvelles classes (one-shot new-class) où l'ensemble de test contient des catégories inédites. Le composant central de CrossFi est un réseau de calcul de similarité d'échantillons appelé CSi-Net (CrossFi Similarity Network), qui améliore la structure du réseau siamois en utilisant un mécanisme d'attention pour capturer les informations de similarité, plutôt que simplement calculer la distance ou la similarité cosinus. À partir de cela, nous avons développé un Weight-Net supplémentaire capable de générer un modèle pour chaque classe, permettant ainsi à notre CrossFi de fonctionner dans différents scénarios.Les résultats expérimentaux montrent que notre CrossFi atteint des performances d'état de l'art dans divers scénarios. Dans la tâche de reconnaissance de gestes, notre CrossFi obtient une précision de 98,17 % dans le scénario intra-domaine, 91,72 % dans le scénario inter-domaine à un seul tirage (one-shot), 64,81 % dans le scénario inter-domaine sans tirage (zero-shot) et 84,75 % dans le scénario à un seul tirage avec nouvelles classes (one-shot new-class). Le code source de notre modèle est disponible publiquement sur https://github.com/RS2002/CrossFi.