WiFireNet 手槍偵測可於舊式 Wi‑Fi 運作，但最佳結果掩蓋了最棘手的難題
WiFireNet 手槍偵測利用基於 1999 年 802.11a 標準的訊號，達到 72.5% 平均精確度。這個結果來自受控室內實驗，移動中的人數不多於四人。這是令人感興趣的研究成果，但並不代表一般路由器能可靠地篩查公共場所。
瑞典國防研究局（FOI）的研究人員在 2026 年 10 月 13 日提交的論文中介紹 WiFireNet。其模型讀取通道狀態資訊（CSI），即描述無線通道如何改變傳輸訊號的數據。系統嘗試學習人體及隨身物品產生的無線電模式，從而辨識攜帶隱藏手槍的人士。
該項目挑戰了鏡頭與檢查站掃描器之間的常見取捨。鏡頭無法看見藏在衣物下的物件，而金屬探測器則要求人們經過指定的安檢通道。WiFireNet 探索第三條路徑：將已在房間內傳播的無線電訊號轉化為輔助感測器。
耐人尋味的是，較舊、較簡單的 Wi‑Fi 配置反而產生最強的手槍偵測結果。擴展實驗配置收集了更多直接通道量測數據，卻在整體偵測任務中的表現較差。這項發現令研究更具趣味，但同時顯示效能如何高度依賴房間、數據集及評估設計。
WiFireNet 手槍偵測將無線電量測轉化為視覺預測
FOI 的實驗並非透過 Wi‑Fi 生成影像，而是把無線電量測數據轉化為可供視覺式偵測器處理的表示方式。
研究人員透過記錄無線訊號與同步 RGB 影片，建立 WiFire 數據集，期間參與者在室內房間活動。影片為訓練及評估提供標籤。根據 WiFireNet 論文，在推論時，最終 WiFireNet 模型只使用 CSI 樣本。
CSI 包含無線通道各部分的振幅與相位量測。振幅描述訊號強度，而相位記錄波在其週期中的位置。這些量測共同反映房間內的吸收、散射及多徑傳播。
多徑傳播是指訊號經多條反射路徑到達接收器。一個人、牆壁、水樽、手機或手槍都可改變這些路徑。模型會在所得量測數據中尋找可重複出現的差異。
團隊收集了四類隨身物品：已停用的金屬手槍、塑膠手槍、金屬水樽及流動電話。這些選擇刻意製造混淆。塑膠複製品與手槍的整體形狀相近，而水樽和電話則引入常見材質及隨身物品輪廓。
每個錄製場景中，最多只有一人攜帶已停用的金屬手槍。較大的收集區域面積為 12 平方米，包含零至四人。第二個房間面積為八平方米，人數不多於兩人。
研究人員使用兩部手提電腦，其中一部連接發射器，另一部連接接收器。連接至接收電腦的 USB 鏡頭拍攝影片作標註用途。CSI 以 80 Hz 的突發方式傳送，鏡頭則以每秒 30 幀錄影。
主要的 WiFi-regular 及 WiFi-plus 配置各自包含約 100,000 個 CSI 樣本。小型房間的收集包含約 40,000 個樣本。這些是個別無線電觀測值，並非 240,000 個獨立房間、參與者或部署測試。
WiFireNet 每次預測會處理最近三個 CSI 樣本。作者形容該輸入涵蓋 37.5 毫秒。模型將相位與振幅分開，並把每個組成部分送入各自的卷積編碼器。
其後，模態轉換網絡將合併後的特徵重塑為合成空間表示。此表示經數個上採樣階段擴展，直至配合鏡頭影像的尺寸。這是一個學習得來的座標表面，並非由無線電波重建的相片。
特徵金字塔網絡會從多個空間尺度檢視該表面。區域建議網絡提出可能的邊界框，而偵測頭則加以細化和分類。這些部分大量借鑑既有的電腦視覺物件偵測器。
因此，即使最終推論時沒有使用鏡頭，鏡頭在過程中仍扮演重要角色。視覺模型透過跨模態知識蒸餾，在訓練時充當教師。此過程鼓勵 Wi‑Fi 特徵貼近從同步影像中提取的有用特徵。
FOI 已發布項目的開源程式碼，並釋出 WiFire 數據集。這讓其他研究人員有機會檢視設計、重跑實驗，並測試要求更高的數據分割方式。
眼前的改變並非可部署的保安產品，而是一個可重現的研究套件，將隱藏手槍偵測界定為動態、多人的 Wi‑Fi 感測問題。
72.5% 結果是平均精確度，並非保安成功率
這個標題數字衡量的是單一評估條件下的排序偵測效能，並不表示系統正確放行或標記了 72.5% 的人。
在 WiFi-regular 配置中，手槍類別於 25% 交並比門檻下的平均精確度達 72.5%。在較嚴格的 50% 門檻下，手槍得分降至 53.8%。
交並比（IoU）量度預測框與標記框的重疊程度。25% 門檻接受相對寬鬆的位置定位；50% 門檻則要求預測結果與參考框更為接近。
平均精確度綜合不同置信度門檻下的精確率和召回率。它會獎勵能把正確偵測排在錯誤偵測之前的模型。它不能與準確率互換，也不會直接描述檢查站的誤報率。
這個分別很重要，因為已部署的保安系統會在選定的警報門檻下運作。操作人員需要知道系統漏掉多少持槍人士，以及標記多少未持槍人士。論文報告的是研究指標，而非為公眾篩查選定的操作門檻。
72.5% 這個數字亦只涵蓋手槍類別。納入所有類別後，WiFi-regular 在 25% IoU 下的平均精確度均值為 50.3%。在 50% IoU 下，該結果降至 47.1%。
同一配置的召回率則較高。WiFi-regular 在經評估類別中，於 25% IoU 報告 91.5% 召回率，於 50% IoU 報告 89.5%。高召回率可與大量誤報並存，尤其當調整置信度門檻以捕捉更多可能目標時。
較嚴格的手槍結果尤其具啟示性。WiFireNet 保留了手槍攜帶者存在的證據，但其預測位置往往未能與標記框高度吻合。系統把偵測結果關聯至人物周圍的影像空間區域，而非辨識武器的確切位置。
這項限制並不抹殺其基礎成果。在電話、水樽及塑膠複製品之中偵測隱藏金屬手槍，比偵測一般金屬更具針對性。研究人員亦透過記錄多名移動中的人士，超越靜態、孤立物件實驗。
不過，實驗仍只在兩個小型受控房間內進行。較大場景面積為 12 平方米，比許多辦公室、課室或零售入口更小。其最高人流只有四人。
真實篩查環境會出現更困難的類別失衡情況。絕大多數人不會攜帶手槍，因此即使誤報率只是中等，也可能產生大量警報。已發布的平均精確度數值無法說明 WiFireNet 在這種實際失衡下的表現。
保安採購方亦需要按衣著、身體姿勢、移動方向、手槍朝向及距離細分的結果。現有論文並未確立系統在這些變數下的一致效能。它只是為進一步測試提供基準。
審慎的結論是，WiFireNet 手槍偵測在 CSI 中發現了可用的統計結構。該實驗並未確立一個人持有武器的可靠機率。
這個分別將令人鼓舞的機器學習基準，與保安決策區分開來。一個模型可以表現得足以支持更多研究，但對自主部署而言仍然不安全。
更多 Wi‑Fi 量測數據反而帶來較差結果
WiFireNet 最具啟示性的結果並非最高分數，而是額外直接通道量測未能改善偵測的失敗。
團隊在兩種無線電配置下收集數據。WiFi-regular 遵循標準 IEEE 802.11a 配置，使用四個導頻子載波。其餘 48 個子載波的數值則透過線性插值取得。
相對地，WiFi-plus 使用 52 個可用子載波中的 48 個作為導頻。這為 92.3% 的可用子載波提供直接量測。該配置旨在提供更密集的通道資訊，並更接近雷達式感測。
一個簡單預期是：更豐富的量測應讓物件更容易區分。結果並不支持這個預期。WiFi-plus 在 25% IoU 下的平均精確度均值只有 39.9%，在 50% IoU 下則為 37.2%。
WiFi-regular 在相同門檻下分別取得 50.3% 和 47.1%。其只計手槍的結果亦大幅領先。WiFi-plus 在兩個 IoU 門檻下均報告 44.2% 手槍平均精確度，相比之下 WiFi-regular 分別為 72.5% 及 53.8%。
作者並未聲稱有決定性的解釋。他們認為，相對乾淨的收集環境產生較少有用的多徑反射。額外的子載波數據，或會在複雜且雜亂的房間內更為重要。
數據集之間的隨機差異是另一種可能。WiFi-regular 與 WiFi-plus 分別以不同配置收集，因此兩者比較無法把無線電解像度與其他所有變異來源完全分離。論文將此結果列為未來研究問題。
這種模糊性說明 Wi‑Fi 感測的一項核心挑戰。更多訊號細節不會自動產生更可轉移的資訊。學習系統可能利用與房間、收集時段或硬件路徑綁定的模式，而非預期的物件特徵。
小型房間的結果進一步突顯此問題。其基準平均精確度均值在 25% IoU 下為 49.8%，在 50% IoU 下為 46.9%。儘管使用 WiFi-plus 配置，這些數字仍非常接近 WiFi-regular。
作者把較小房間較容易定位歸因於鄰近牆壁產生更強的多徑反射。換言之，房間可透過產生更豐富的無線電路徑來改善感測。
這種機制亦令部署變得困難。移動傢俬、打開門、增加隔板或改變人群密度，都可重塑這些路徑。在不離開大樓的情況下，於一種佈局訓練的模型便可能遇上不同的輸入分布。
網絡設計本身帶來了更明顯的增益。以參數量相同的多層感知器取代卷積式模態轉譯器後，在 25% IoU 下，WiFi-regular 的平均精確度均值由 50.3% 降至 35.5%。
在 50% IoU 下，同一改動令表現由 47.1% 降至 31.3%。卷積看來有助網絡捕捉相位及振幅輸入中的局部結構。
以視覺為基礎的知識蒸餾亦有助部分配置。移除該損失函數後，在 25% IoU 下，WiFi-regular 的表現由 50.3% 降至 42.4%。在 50% IoU 下，結果則由 47.1% 下跌至 39.4%。
不過，蒸餾損失並未改善 WiFi-plus。這種不均衡的貢獻再次顯示，系統行為取決於資料收集條件。
因此，核心機制具可信性，但仍未完全釐清。CSI 載有與人物及其攜帶物品相關的資訊。WiFireNet 能把其中部分結構轉換為空間偵測結果。
目前未知的是，學得的表徵究竟廣泛描述手槍，還是只記住這些房間內的穩定關聯。增加子載波數量並未消除這項不確定性。
真正的對手是房間依賴性，而非金屬探測器
較適合把 WiFireNet 理解為一項互補感測實驗，其主要障礙是環境泛化能力。
論文把 Wi-Fi 感測與攝影機及金屬探測器並列。這種框架合理，因為各種模態所看到的證據不同。攝影機捕捉外觀，金屬探測器對導電材料作出反應，而 CSI 則反映無線電通道的變化。
然而，WiFireNet 目前在可靠性方面仍未能與成熟的安檢硬件競爭。它眼前更直接的較量，是特定房間的訊號學習與可跨地點泛化的偵測器之間的較量。
訓練設定令這項較量尤其重要。研究人員按個別 CSI 樣本劃分資料集。一半樣本用於訓練，另一半構成測試集。訓練部分中的 20% 用作驗證資料。
以 80 Hz 記錄的個別樣本，在時間上可以高度相關。相鄰觀察結果可能呈現相同人物、物件、位置及房間狀態。因此，隨機的樣本層級劃分可讓高度相似的時刻落在訓練邊界的兩側。
論文沿用了相關 Wi-Fi 感測研究的先例，但這並未解決部署層面的問題。更嚴格的評估應保留完整參與者、錄製時段、房間或硬件配置作測試。
研究並未報告以保留房間作測試的評估，亦沒有描述在陌生建築物內測試已訓練模型。因此，對未見過的空間配置之表現主張仍欠缺支持。
Tom’s Hardware 指出，該原型在陌生的室內配置中表現吃力。這項限制直接源於多徑結構的角色。對 WiFireNet 而言，無線電環境並非背景雜訊，而是模型輸入的一部分。
較早期的研究顯示，這個更廣泛的概念並不新鮮。一項 2018 年商用 Wi-Fi 研究 探討了非侵入式偵測藏匿金屬物件。其他項目則利用 CSI 進行人體活動辨識、定位、姿態估計及人數統計。
一項於 2025 年發表、經同行評審的藏匿物件研究報告，在室內測試中辨識真槍的準確率為 87.5%。該項目分類的是人體加武器的情況，而非產生 WiFireNet 的多人影像座標偵測結果。
這些數字不應直接比較。準確率與平均精確度衡量的是不同表現，而資料集與場景設計亦不同。它們同時存在，顯示以無線電為基礎的物件感測已超越單一實驗室示範。
WiFireNet 透過動態群組、易混淆物件、空間偵測及公開資源推進了這條研究路線。其開放資料集亦令獨立審視較封閉原型更容易。
不過，公開程式碼無法彌補狹窄的訓練資料。開放模型可供檢查及擴展，但它仍承襲其錄製資料所代表的條件。
「普通 Wi-Fi」一詞亦需加以限定。實驗採用了經修改的開源 IEEE 802.11a 實作，並在 GNU Radio 中運行。系統使用 5.68 GHz 頻段及 20 MHz 頻寬。
這個設定採用既有的無線標準，但並不等同於在任何消費級路由器上安裝應用程式。部署需要相容的 CSI 存取、已知的發射器及接收器位置、經校準的時序，以及能夠處理量測結果的軟件。
新一代 Wi-Fi 可提供更寬頻道及更詳細的量測資料。這些能力帶來研究機會，但 WiFireNet 自身的 WiFi-plus 結果提醒我們，不能假設更多資料必然帶來更佳偵測效果。
在討論廣泛採用前，這個系統促使研究人員先解決泛化問題。它尚未促使學校、機場或辦公室更換既有保安設備。
開源有助驗證，但也令私隱問題更尖銳
毋須攝影機便能感測藏匿物件的系統，可以降低一種私隱風險，同時製造另一種無形觀察。
WiFireNet 在推論期間不會產生可辨識的照片。這項特性可限制收集臉部外觀、衣著細節及其他視覺資訊，亦支援在黑暗或視覺遮擋情況下進行感測。
然而，私隱並不僅取決於是否存在攝影機。無線電系統仍可推斷從未與之互動的人是否存在、如何移動、身處何處或攜帶甚麼物品。
Wi-Fi 感測可能難以察覺。人們通常明白可見的攝影機正在觀察某個空間，但未必會預期存取點及接收器會對衣物下的物件作出分類。
這種落差造成知情同意問題。公共部署需要清晰規則，涵蓋告知、允許用途、保留期限、存取及覆核，亦需要讓人質疑警報的程序。
在這個情境中，誤報所帶來的不只是輕微不便。把某人標示為可能攜帶手槍的人，可能引發保安應對。後果取決於操作人員如何解讀信心分數，以及如何結合其他證據。
現有研究不足以支持自主介入。WiFireNet 不應判定意圖、合法性或身分；它只嘗試在其實驗範圍內，分類與攜帶物件相關的模式。
在合法隱蔽攜槍存在的地方，這項區別尤其重要。無線電預測無法判定某人是否獲得授權，亦無法推斷物件為何存在。
偏差測試需要超越傳統人口統計類別。無線電傳播可受身形、衣著、配飾、行動輔具、攜帶電子裝置及移動模式影響。代表性不均可能導致警報率不均。
四個已記錄物件類別是周詳的起點，但公共環境包含更多變化。雨傘、工具、攝影機、充電電池、醫療裝置、手提電腦及密集人群，都可能產生陌生的無線電訊號特徵。
對抗性行為亦帶來另一個未解問題。有人可能改變手槍的方向、位置、覆蓋材料，或其與其他金屬物件的距離。論文未有評估蓄意規避偵測的嘗試。
基礎設施營運者亦必須考慮網絡安全。感測系統依賴可信的 CSI 串流、同步裝置、已訓練權重及警報軟件。遭操控的量測資料或被入侵的模型，可能壓制真正偵測結果或製造警報。
開源發布有助防禦性評估。研究人員可測試不同劃分方式、檢視預處理程序、重現模型消融實驗，以及尋找失敗案例。獨立團隊亦可判斷已公布分數能否在不同硬件及房間中維持。
同樣的開放性也降低了在正式機構以外進行實驗的門檻。這並不令發布本身變得不負責任，但會提高技術驗證以外進行管治的重要性。
合適的短期模式是輔助感測。WiFireNet 最終或可與攝影機、實體安檢及情境判斷一同，向受過訓練的人員提供另一項訊號。它不應被視為無形的自動指控系統。
三項測試將決定 WiFireNet 能否走出實驗室
下一階段需要更嚴格的驗證，而不只是從更新無線標準取得更高分數。
第一個值得關注的訊號，是保留參與者及保留錄製時段的評估。研究人員應使用部分人士及錄製時段訓練，再以完全分開的人士及時段作測試。這可降低相鄰樣本或重複移動軌跡誇大表現的機會。
若在這種劃分下取得強勁結果，將支持 WiFireNet 學到與物件相關模式的主張。若表現大幅下跌，則顯示模型高度依賴訓練時見過的參與者、動作或錄製條件。
第二個訊號是保留房間測試。一項有用的實驗，是在數個房間中訓練，再在另一棟建築物內、毋須微調下進行評估。傢俬、牆身物料、發射器位置、人群密度及無關的無線流量都應有所變化。
這項測試針對系統的主要對手：環境依賴性。穩定表現將加強可轉移 Wi-Fi 感測的理據；失敗則會把技術限制於經校準、針對特定場地的安裝。
第三個訊號是來自更大人群的操作錯誤概況。研究人員需要報告在指定門檻下，每人或每小時的誤報數目。他們亦應公布不同武器位置、衣著類型及移動模式下的漏報率。
這些證據比單一平均精確度標題數字更重要。保安操作人員須作出門檻決策，而這些決策帶來實際後果。一個基準表現合理的模型，若警報過於頻繁，仍可能變得無法使用。
未來實驗亦可研究 Wi-Fi 7 或新興 Wi-Fi 8 的能力。更寬頻道及額外空間量測或可提升解像度。現有研究沒有理由可假定必會如此，因為 WiFi-plus 已產生相反結果。
獨立重現應先於對硬件的樂觀預期。已發布的模型與資料讓外部團隊可重建已公布的流程。更具價值的一步，是以不同裝置、房間及參與者收集新資料集。
WiFireNet 手槍偵測已跨過重要的研究門檻。它僅利用推論期間的 CSI，便在動態、多人室內場景中偵測到與藏匿手槍相關的證據。
它尚未跨過部署門檻。系統只在兩個小房間中、針對四個物件類別，並以樣本層級資料劃分進行測試。在更嚴格的定位條件下，其最佳數字亦有所下降。
開發者及保安研究人員現在應問：這個訊號能否經受原始模型從未見過的變化？它能否在毋須持續重新校準下，跨越建築物、硬件、人員、衣著、雜物及更大人群而泛化？
這些測試將決定 WiFireNet 會成為有用的次級感測器，還是仍然只是具啟發性的實驗室基準。在此之前，其 72.5% 結果應開啟一項研究計劃，而非採購程序。
