La détection d'armes de poing de WiFireNet fonctionne avec l'ancien Wi-Fi, mais son meilleur résultat masque la partie difficile

La détection d'armes de poing de WiFireNet a atteint une précision moyenne de 72,5 % à l'aide de signaux fondés sur la norme 802.11a de 1999. Ce résultat provient d'une expérience en intérieur contrôlé comptant au plus quatre personnes en mouvement. C'est un résultat de recherche intrigant, mais il ne prouve pas que des routeurs ordinaires puissent contrôler de manière fiable des espaces publics.

Des chercheurs de l'Agence suédoise de recherche pour la défense, connue sous le nom de FOI, ont présenté WiFireNet dans un article soumis le 13 octobre 2026. Leur modèle analyse les informations d'état du canal, ou CSI, qui décrivent la manière dont un canal sans fil modifie un signal transmis. Le système tente d'identifier les personnes portant des armes de poing dissimulées en apprenant les signatures radio produites par les corps et les objets portés.

Le projet remet en question le choix habituel entre caméras et scanners de contrôle. Les caméras ne peuvent pas voir un objet caché sous des vêtements, tandis que les détecteurs de métaux obligent les personnes à emprunter des couloirs de contrôle désignés. WiFireNet explore une troisième voie : transformer les signaux radio qui circulent déjà dans une pièce en capteur complémentaire.

Le retournement est que la configuration Wi-Fi plus ancienne et plus simple a produit le meilleur résultat pour les armes de poing. Une configuration expérimentale étendue recueillait davantage de mesures directes du canal, mais a obtenu de moins bons résultats sur la tâche de détection globale. Cette constatation rend les travaux plus intéressants, mais elle révèle aussi à quel point les performances dépendent de la pièce, du jeu de données et du protocole d'évaluation.

La détection d'armes de poing de WiFireNet transforme des mesures radio en prédictions visuelles

L'expérience de FOI ne crée pas une image à travers le Wi-Fi. Elle convertit des mesures radio en une représentation qu'un détecteur de type vision peut traiter.

Les chercheurs ont constitué le jeu de données WiFire en enregistrant des signaux sans fil et des vidéos RGB synchronisées pendant que des participants se déplaçaient dans des pièces intérieures. Les vidéos ont fourni les annotations lors de l'entraînement et de l'évaluation. Lors de l'inférence, le modèle WiFireNet final fonctionnait uniquement à partir d'échantillons CSI, selon l'article WiFireNet.

Les CSI contiennent des mesures d'amplitude et de phase sur différentes portions d'un canal sans fil. L'amplitude décrit la puissance du signal, tandis que la phase enregistre la position d'une onde dans son cycle. Ensemble, ces mesures reflètent l'absorption, la diffusion et la propagation par trajets multiples dans une pièce.

La propagation par trajets multiples se produit lorsqu'un signal atteint un récepteur par plusieurs chemins réfléchis. Une personne, un mur, une bouteille, un téléphone ou une arme de poing peuvent modifier ces trajets. Le modèle recherche des différences répétables dans les mesures qui en résultent.

L'équipe a collecté quatre catégories d'objets portés : une arme de poing métallique désactivée, une arme de poing en plastique, une bouteille d'eau métallique et un téléphone mobile. Ces choix créent une confusion délibérée. La réplique en plastique partage la forme générale de l'arme de poing, tandis que la bouteille et le téléphone introduisent des matériaux familiers et des profils d'objets portés.

Au plus une personne dans chaque scène enregistrée portait l'arme de poing métallique désactivée. La zone de collecte la plus vaste mesurait 12 mètres carrés et comptait de zéro à quatre personnes. Une seconde pièce mesurait huit mètres carrés et ne comptait pas plus de deux personnes.

Les chercheurs ont utilisé deux ordinateurs portables, l'un connecté aux émetteurs et l'autre aux récepteurs. Une caméra USB reliée à l'ordinateur de réception capturait la vidéo destinée à l'annotation. Les CSI arrivaient par rafales à 80 Hz, tandis que la caméra enregistrait à 30 images par seconde.

Les configurations principales WiFi-regular et WiFi-plus contenaient chacune environ 100 000 échantillons CSI. La collecte dans la petite pièce contenait environ 40 000 échantillons. Il s'agit d'observations radio individuelles, et non de 240 000 pièces, participants ou essais de déploiement indépendants.

WiFireNet traite les trois échantillons CSI les plus récents pour chaque prédiction. Les auteurs décrivent cette entrée comme couvrant 37,5 millisecondes. Le modèle sépare la phase de l'amplitude et envoie chaque composante dans son propre encodeur convolutionnel.

Un réseau de traduction de modalités remodèle ensuite les caractéristiques combinées en une représentation spatiale synthétique. Cette représentation s'agrandit au fil de plusieurs étapes de suréchantillonnage jusqu'à correspondre aux dimensions de l'image de la caméra. Il s'agit d'une surface de coordonnées apprise, et non d'une photographie reconstruite à partir d'ondes radio.

Un réseau de pyramide de caractéristiques examine cette surface à plusieurs échelles spatiales. Un réseau de propositions de régions suggère des boîtes englobantes possibles, et une tête de détection les affine et les classe. Ces éléments empruntent largement aux détecteurs d'objets établis de la vision par ordinateur.

La caméra joue donc un rôle important même si elle est absente lors de l'inférence finale. Un modèle de vision agit comme enseignant durant l'entraînement par distillation de connaissances intermodale. Ce processus encourage les caractéristiques Wi-Fi à ressembler aux caractéristiques utiles extraites des images synchronisées.

FOI a publié le code open source du projet et diffusé le jeu de données WiFire. Cela donne à d'autres chercheurs la possibilité d'examiner la conception, de reproduire les expériences et de tester des divisions de données plus exigeantes.

Le changement immédiat n'est pas un produit de sécurité déployable. C'est un ensemble de recherche reproductible qui présente la détection d'armes de poing dissimulées comme un problème dynamique de détection Wi-Fi impliquant plusieurs personnes.

Le résultat de 72,5 % est une précision moyenne, pas un taux de réussite en matière de sécurité

Le chiffre phare mesure les performances de détection classées dans une condition d'évaluation. Il ne signifie pas que le système autorise ou signale correctement 72,5 % des personnes.

Pour la configuration WiFi-regular, la précision moyenne de la catégorie des armes de poing a atteint 72,5 % à un seuil d'intersection sur union de 25 %. À un seuil plus strict de 50 %, le score pour les armes de poing est tombé à 53,8 %.

L'intersection sur union, ou IoU, mesure dans quelle mesure une boîte prédite chevauche la boîte annotée. Un seuil de 25 % accepte une localisation relativement approximative. Un seuil de 50 % exige une correspondance plus étroite entre la prédiction et sa référence.

La précision moyenne combine précision et rappel selon les seuils de confiance. Elle récompense un modèle qui classe les détections correctes au-dessus des fausses. Elle n'est pas interchangeable avec l'exactitude et ne décrit pas directement le taux de fausses alertes d'un point de contrôle.

Cette distinction importe car un système de sécurité déployé fonctionne avec un seuil d'alerte sélectionné. Les opérateurs doivent savoir combien de personnes armées il manque et combien de personnes non armées il signale. L'article rapporte des métriques de recherche, et non un seuil opérationnel choisi pour le contrôle du public.

Le chiffre de 72,5 % ne couvre par ailleurs que la catégorie des armes de poing. Lorsque toutes les catégories étaient incluses, WiFi-regular a produit une précision moyenne globale de 50,3 % à 25 % d'IoU. Ce résultat est tombé à 47,1 % à 50 % d'IoU.

Le rappel pour cette même configuration était plus élevé. WiFi-regular a rapporté un rappel de 91,5 % à 25 % d'IoU et de 89,5 % à 50 % d'IoU pour l'ensemble des catégories évaluées. Un rappel élevé peut coexister avec un nombre important de faux positifs, en particulier lorsque les seuils de confiance sont ajustés pour capturer davantage de cibles possibles.

Le résultat plus strict pour les armes de poing est particulièrement révélateur. WiFireNet a conservé des indices de la présence d'un porteur d'arme de poing, mais sa localisation prédite correspondait souvent imparfaitement. Le système associe une détection à une région de l'espace image autour d'une personne plutôt que d'identifier la position exacte de l'arme.

Cette limite n'annule pas le résultat sous-jacent. Détecter une arme de poing métallique dissimulée parmi des téléphones, des bouteilles et une réplique en plastique est plus spécifique que détecter du métal générique. Les chercheurs sont également allés au-delà des expériences statiques sur objets isolés en enregistrant plusieurs personnes en mouvement.

Cependant, l'expérience s'est toujours déroulée dans deux petites pièces contrôlées. La scène la plus vaste couvrait 12 mètres carrés, une surface plus petite que de nombreux bureaux, salles de classe ou entrées de commerces. Sa foule maximale comptait quatre personnes.

Les environnements de contrôle réels créent des déséquilibres de classes plus difficiles. La plupart des personnes ne porteront pas d'arme de poing ; même un taux de faux positifs modeste peut donc générer de nombreuses alertes. Les valeurs de précision moyenne publiées ne répondent pas à la question de savoir comment WiFireNet se comporte face à ce déséquilibre opérationnel.

Les acheteurs de solutions de sécurité auraient également besoin de résultats ventilés selon les vêtements, la position du corps, le sens du mouvement, l'orientation de l'arme de poing et la distance. L'article actuel n'établit pas de performances cohérentes pour ces variables. Il offre une référence pour des tests ultérieurs.

La conclusion prudente est que la détection d'armes de poing de WiFireNet a identifié une structure statistique exploitable dans les CSI. L'expérience n'établit pas une probabilité fiable qu'une personne soit armée.

Cette différence sépare un benchmark encourageant d'apprentissage automatique d'une décision de sécurité. Un modèle peut être suffisamment performant pour justifier davantage de recherche tout en restant dangereux pour un déploiement autonome.

Davantage de mesures Wi-Fi ont produit de moins bons résultats

Le résultat le plus instructif de WiFireNet n'est pas son meilleur score. C'est l'échec de mesures directes supplémentaires du canal à améliorer la détection.

L'équipe a collecté des données selon deux configurations radio. WiFi-regular suivait l'organisation standard IEEE 802.11a et utilisait quatre sous-porteuses pilotes. Les valeurs des 48 sous-porteuses restantes étaient obtenues par interpolation linéaire.

WiFi-plus utilisait à la place 48 des 52 sous-porteuses disponibles comme pilotes. Cela fournissait des mesures directes sur 92,3 % des sous-porteuses disponibles. La configuration devait offrir des informations de canal plus denses et se rapprocher de la détection de type radar.

Une attente simple en découle : des mesures plus riches devraient faciliter la distinction entre les objets. Les résultats n'ont pas confirmé cette attente. WiFi-plus n'a atteint que 39,9 % de précision moyenne globale à 25 % d'IoU et 37,2 % à 50 % d'IoU.

WiFi-regular a obtenu 50,3 % et 47,1 % selon ces mêmes seuils. Son résultat pour les armes de poing seules était également largement supérieur. WiFi-plus a rapporté une précision moyenne de 44,2 % pour les armes de poing aux deux seuils d'IoU, contre 72,5 % et 53,8 % pour WiFi-regular.

Les auteurs ne revendiquent pas d'explication définitive. Ils suggèrent que l'environnement de collecte relativement épuré a généré moins de réflexions utiles par trajets multiples. Des données supplémentaires sur les sous-porteuses pourraient davantage compter dans une pièce complexe et encombrée.

Des différences aléatoires entre les jeux de données constituent une autre possibilité. WiFi-regular et WiFi-plus ont été collectés comme des configurations distinctes ; leur comparaison n'isole donc pas la résolution radio de toute autre source de variation. L'article identifie ce résultat comme une question pour de futurs travaux.

Cette ambiguïté illustre un défi central de la détection Wi-Fi. Davantage de détails de signal ne produisent pas automatiquement davantage d'informations transférables. Un système d'apprentissage peut exploiter des motifs liés à une pièce, à une session de collecte ou à un chemin matériel plutôt qu'à l'objet visé.

Les résultats de la petite pièce renforcent ce problème. Sa précision moyenne globale de référence a atteint 49,8 % à 25 % d'IoU et 46,9 % à 50 % d'IoU. Ces chiffres se sont rapprochés de ceux de WiFi-regular malgré l'utilisation de la configuration WiFi-plus.

Les auteurs attribuent la localisation plus facile dans la petite pièce à des réflexions par trajets multiples plus fortes provenant des murs proches. En d'autres termes, la pièce peut améliorer la détection en créant un ensemble plus riche de chemins radio.

Ce mécanisme rend également le déploiement difficile. Déplacer des meubles, ouvrir une porte, ajouter des cloisons ou modifier la densité de la foule peut remodeler ces chemins. Un modèle entraîné dans une configuration peut rencontrer une distribution d'entrée différente sans quitter le bâtiment.

La conception même du réseau a produit des gains plus nets. Le remplacement du traducteur de modalités convolutionnel par un perceptron multicouche à nombre de paramètres équivalent a fait chuter la précision moyenne WiFi-regular de 50,3 % à 35,5 % à 25 % d’IoU.

À 50 % d’IoU, ce même changement a réduit les performances de 47,1 % à 31,3 %. La convolution semble aider le réseau à capturer la structure locale des entrées de phase et d’amplitude.

La distillation des connaissances fondée sur la vision a également aidé certaines configurations. La suppression de cette perte a réduit les performances WiFi-regular de 50,3 % à 42,4 % à 25 % d’IoU. À 50 % d’IoU, le résultat est passé de 47,1 % à 39,4 %.

Toutefois, la perte de distillation n’a pas amélioré WiFi-plus. Cette contribution inégale suggère de nouveau un système dont le comportement dépend des conditions de collecte.

Le mécanisme principal est donc crédible, mais reste à confirmer. Les CSI contiennent des informations liées aux personnes et aux objets qu’elles transportent. WiFireNet peut traduire une partie de cette structure en détections spatiales.

Ce qui reste inconnu est de savoir si la représentation apprise décrit largement les armes de poing ou mémorise des corrélations stables propres à ces pièces. Un plus grand nombre de sous-porteuses n’a pas levé cette incertitude.

Le véritable adversaire est la dépendance à la pièce, pas les détecteurs de métaux

WiFireNet se comprend mieux comme une expérience de détection complémentaire dont le principal obstacle est la généralisation environnementale.

L’article place la détection Wi-Fi aux côtés des caméras et des détecteurs de métaux. Ce cadrage est raisonnable, car chaque modalité observe des indices différents. Les caméras capturent l’apparence, les détecteurs de métaux réagissent aux matériaux conducteurs et les CSI reflètent les changements dans un canal radio.

Pourtant, WiFireNet ne rivalise pas encore avec les équipements de contrôle matures en matière de fiabilité. Son enjeu immédiat oppose davantage l’apprentissage de signaux spécifiques à une pièce à un détecteur généralisable d’un lieu à l’autre.

La configuration d’entraînement rend cette opposition particulièrement importante. Les chercheurs ont réparti les jeux de données au niveau des échantillons CSI individuels. La moitié des échantillons a servi à l’entraînement, tandis que l’autre moitié constituait l’ensemble de test. Vingt pour cent de la partie d’entraînement ont servi de données de validation.

Des échantillons individuels enregistrés à 80 Hz peuvent être étroitement liés dans le temps. Des observations voisines peuvent montrer les mêmes personnes, objets, positions et état de la pièce. Une séparation aléatoire au niveau des échantillons peut donc placer des instants très similaires de part et d’autre de la frontière d’entraînement.

L’article suit des précédents issus de recherches connexes sur la détection Wi-Fi, mais cela ne résout pas la question du déploiement. Une évaluation plus robuste exclurait des participants entiers, des sessions d’enregistrement, des pièces ou des configurations matérielles complètes.

L’étude ne présente pas d’évaluation où une pièce est entièrement exclue. Elle ne décrit pas non plus de test du modèle entraîné dans un bâtiment inconnu. Par conséquent, les affirmations concernant les performances dans des configurations inédites restent non étayées.

Tom’s Hardware a relevé que le prototype rencontre des difficultés dans des configurations intérieures inconnues. Cette limite découle directement du rôle de la structure de trajets multiples. L’environnement radio n’est pas un bruit de fond pour WiFireNet ; il fait partie des entrées du modèle.

Des travaux antérieurs montrent que l’idée générale n’est pas nouvelle. Une étude de 2018 sur le Wi-Fi grand public a exploré la détection non intrusive d’objets métalliques dissimulés. D’autres projets ont utilisé les CSI pour la reconnaissance d’activités humaines, la localisation, l’estimation de pose et le comptage de personnes.

Une étude évaluée par les pairs sur les objets dissimulés, publiée en 2025, a rapporté une exactitude de 87,5 % pour une arme réelle lors de tests en intérieur. Ce projet classait des cas corps-plus-arme plutôt que de produire les détections multi-personnes en coordonnées d’image de WiFireNet.

Ces chiffres ne doivent pas être comparés directement. L’exactitude et la précision moyenne mesurent des comportements différents, tandis que les jeux de données et les conceptions des scènes diffèrent également. Leur coexistence montre que la détection d’objets par radio a dépassé le stade d’une seule démonstration en laboratoire.

WiFireNet fait progresser cette ligne de recherche grâce à des groupes dynamiques, des objets ambigus, des détections spatiales et des ressources publiques. Son jeu de données ouvert facilite également un examen indépendant par rapport à un prototype fermé.

Cependant, le code public ne peut pas compenser des données d’entraînement limitées. Un modèle ouvert peut être inspecté et étendu, mais il hérite des conditions représentées dans ses enregistrements.

L’expression « Wi-Fi ordinaire » doit aussi être nuancée. L’expérience a utilisé une implémentation open source modifiée d’IEEE 802.11a dans GNU Radio. Elle fonctionnait à 5,68 GHz avec une bande passante de 20 MHz.

Cette configuration utilise une norme sans fil établie, mais elle n’équivaut pas à l’installation d’une application sur n’importe quel routeur grand public. Les déploiements nécessiteraient un accès CSI compatible, un positionnement connu de l’émetteur et du récepteur, une synchronisation calibrée et un logiciel capable de traiter les mesures.

Les générations modernes de Wi-Fi peuvent exposer des canaux plus larges et des mesures plus détaillées. Ces capacités offrent des possibilités de recherche, mais le résultat de WiFi-plus avertit qu’il ne faut pas supposer que davantage de données garantissent une meilleure détection.

Le système pousse les chercheurs à résoudre la question de la généralisation avant d’envisager une adoption large. Il ne pousse pas encore les écoles, les aéroports ou les bureaux à remplacer leurs équipements de sécurité existants.

L’open source facilite la validation, mais renforce aussi la question de la vie privée

Un système qui détecte des objets dissimulés sans caméra peut réduire un risque pour la vie privée tout en créant une autre forme d’observation invisible.

WiFireNet ne produit pas de photographie identifiable lors de l’inférence. Cette propriété peut limiter la collecte de traits du visage, de détails vestimentaires et d’autres informations visuelles. Elle permet également la détection dans l’obscurité ou à travers une occlusion visuelle.

Toutefois, la vie privée ne dépend pas uniquement de la présence d’une caméra. Un système radio peut toujours inférer la présence, les mouvements, la position ou les effets personnels de personnes qui n’interagissent jamais avec lui.

La détection Wi-Fi peut être difficile à remarquer. Les gens comprennent généralement qu’une caméra visible surveille un espace. Ils peuvent ne pas s’attendre à ce qu’un point d’accès et un récepteur classifient des objets sous les vêtements.

Ce décalage crée un problème de consentement. Un déploiement public nécessiterait des règles claires portant sur l’information, les usages autorisés, la conservation, l’accès et le contrôle. Il nécessiterait également des procédures permettant de contester une alerte.

Les faux positifs représentent plus qu’un simple désagrément dans ce contexte. Un système qui désigne quelqu’un comme porteur potentiel d’une arme de poing peut déclencher une réponse de sécurité. Les conséquences dépendent de la manière dont les opérateurs interprètent les scores de confiance et les combinent à d’autres éléments.

Les recherches actuelles ne justifient pas une intervention autonome. WiFireNet ne devrait pas déterminer l’intention, la légalité ou l’identité. Il tente seulement de classer des motifs associés à des objets transportés dans son domaine expérimental.

Cette distinction est particulièrement importante dans les lieux où le port dissimulé légal existe. Une prédiction radio ne peut pas déterminer si une personne est autorisée. Elle ne peut pas non plus déduire pourquoi un objet est présent.

Les tests de biais devront aller au-delà des catégories démographiques conventionnelles. La propagation radio peut varier selon la corpulence, les vêtements, les accessoires, les aides à la mobilité, les appareils électroniques transportés et les schémas de mouvement. Une représentation inégale pourrait entraîner des taux d’alerte inégaux.

Les quatre classes d’objets enregistrées constituent un point de départ réfléchi, mais les environnements publics présentent bien davantage de variations. Parapluies, outils, appareils photo, batteries externes, dispositifs médicaux, ordinateurs portables et groupes denses peuvent créer des signatures radio inconnues.

Le comportement adversarial soulève une autre question sans réponse. Une personne pourrait modifier l’orientation, la position, le matériau de couverture de l’arme de poing ou sa proximité avec d’autres objets métalliques. L’article n’évalue pas les tentatives délibérées d’échapper à la détection.

Les opérateurs d’infrastructure doivent également considérer la cybersécurité. Un système de détection dépend de flux CSI fiables, d’appareils synchronisés, de poids entraînés et de logiciels d’alerte. Des mesures manipulées ou des modèles compromis pourraient supprimer de véritables détections ou générer de fausses alertes.

La publication open source soutient l’évaluation défensive. Les chercheurs peuvent tester d’autres répartitions, inspecter le prétraitement, reproduire les ablations du modèle et rechercher des cas d’échec. Des équipes indépendantes peuvent également déterminer si les scores publiés résistent à des matériels et à des pièces différents.

Cette même ouverture abaisse le seuil d’expérimentation en dehors des institutions formelles. Cela ne rend pas la publication intrinsèquement irresponsable, mais augmente l’importance de la gouvernance parallèlement à la validation technique.

Le modèle approprié à court terme est la détection assistée. WiFireNet pourrait à terme fournir un signal supplémentaire au personnel formé, aux côtés des caméras, du contrôle physique et du jugement contextuel. Il ne devrait pas être traité comme un système invisible d’accusation automatisée.

Trois tests détermineront si WiFireNet quitte le laboratoire

La prochaine phase exige une validation plus rigoureuse, et non simplement un score plus élevé issu d’une norme sans fil plus récente.

Le premier signal à surveiller est une évaluation excluant des participants et des sessions. Les chercheurs devraient entraîner le modèle sur certaines personnes et sessions d’enregistrement, puis le tester sur d’autres entièrement distinctes. Cela réduirait la probabilité que des échantillons voisins ou des trajectoires répétées gonflent les performances.

Un résultat solide avec cette répartition étayerait l’affirmation selon laquelle WiFireNet apprend des motifs liés aux objets. Une forte baisse montrerait que le modèle dépend fortement de participants, de mouvements ou de conditions d’enregistrement vus pendant l’entraînement.

Le deuxième signal est le test avec une pièce entièrement exclue. Une expérience utile entraînerait le modèle dans plusieurs pièces et l’évaluerait dans un autre bâtiment sans ajustement fin. Le mobilier, les matériaux des murs, le placement de l’émetteur, la densité de la foule et le trafic sans fil non lié devraient tous varier.

Ce test cible le principal adversaire du système : la dépendance environnementale. Des performances stables renforceraient l’argument en faveur d’une détection Wi-Fi transférable. Un échec limiterait la technologie à des installations calibrées et spécifiques à un site.

Le troisième signal est un profil d’erreurs opérationnel obtenu auprès de foules plus importantes. Les chercheurs doivent rapporter les fausses alertes par personne ou par heure à des seuils sélectionnés. Ils devraient aussi publier les taux de non-détection selon les différentes positions de l’arme, les types de vêtements et les schémas de mouvement.

Ces éléments comptent davantage qu’un seul titre fondé sur la précision moyenne. Les opérateurs de sécurité prennent des décisions de seuil, et ces décisions ont des conséquences pratiques. Un modèle affichant des performances de référence raisonnables peut néanmoins devenir inutilisable si les alertes surviennent trop fréquemment.

Les expériences futures peuvent également examiner les capacités du Wi-Fi 7 ou du futur Wi-Fi 8. Des canaux plus larges et des mesures spatiales supplémentaires pourraient améliorer la résolution. L’étude actuelle ne donne aucune raison de supposer ce résultat, car WiFi-plus a déjà produit l’effet inverse.

La reproduction indépendante devrait précéder l’optimisme matériel. Le modèle et les données publiés permettent à des équipes externes de reconstruire le pipeline présenté. L’étape la plus utile consiste à collecter de nouveaux jeux de données avec des appareils, des pièces et des participants différents.

La détection d’armes de poing par WiFireNet a franchi un seuil important de recherche. Elle a détecté des indices associés à des armes de poing dissimulées dans des scènes intérieures dynamiques et multi-personnes, en utilisant uniquement les CSI lors de l’inférence.

Elle n’a pas franchi le seuil du déploiement. Le système a été testé dans deux petites pièces, sur quatre classes d’objets, avec des répartitions de données au niveau des échantillons. Son meilleur chiffre s’est également dégradé sous une localisation plus stricte.

Les développeurs et chercheurs en sécurité devraient désormais se demander si le signal résiste aux changements que le modèle d’origine n’a jamais rencontrés. Peut-il se généraliser à travers les bâtiments, le matériel, les personnes, les vêtements, l’encombrement et des foules plus importantes sans recalibrage constant ?

Ces tests détermineront si WiFireNet devient un capteur secondaire utile ou demeure une référence instructive de laboratoire. D’ici là, son résultat de 72,5 % devrait ouvrir un programme de recherche, et non lancer un processus d’acquisition.