El reconocimiento de actividades humanas basado en Wi-Fi está emergiendo como una tecnología de apoyo crucial para diversas aplicaciones. Aunque se ha logrado un gran éxito en tareas de reconocimiento dependientes de la ubicación, esto depende de una recolección de datos adecuada, la cual es particularmente laboriosa y consume mucho tiempo, siendo impráctica para escenarios de aplicación reales. Por lo tanto, mitigar el impacto adverso en el rendimiento debido a variaciones de ubicación con muestras de datos restringidas sigue siendo un problema desafiante. En este documento, proporcionamos un enfoque de reconocimiento de actividades humanas independiente de la ubicación. Específicamente, con el objetivo de adaptar bien el modelo en diferentes ubicaciones con muestras bastante limitadas, proponemos un método de aprendizaje de pocas muestras mejorado con un Mecanismo de Atención Canal-Tiempo-Subportadora (CTS-AM) que cumple con las tareas de representación de características y reconocimiento. En consecuencia, la capacidad de generalización del modelo se mejora significativamente. Experimentos extensos muestran que se puede lograr una precisión promedio de más del 90% para el reconocimiento de actividades humanas independiente de la ubicación cuando hay muy pocas muestras disponibles.