DAStatFormer：統計的特徴統合を備えたハイブリッドマルチブランチTransformerによるDASベースのパターン認識

分散型音響センシング（DAS）は、光ファイバーによる大規模監視を可能にするが、その高次元性と複雑な時空間パターンによりイベント分類は困難である。既存の深層学習アプローチ（CNN、リカレントモデル、Transformer変種）は、長距離依存関係を捕捉できないか、生のDAS行列を処理するのに膨大なコストを要する。これに対し、本研究ではDAStatFormerを提案する。これは、コンパクトなマルチドメイン統計的特徴をゲート付きTransformerネットワークと組み合わせたハイブリッドマルチブランチTransformerである。生信号の代わりに、時間領域、波形領域、スペクトル領域からチャネルあたり24のANOVA選択属性を抽出し、データサイズを数桁削減しつつ識別情報を保持する。各領域は専用のステップ単位およびチャネル単位の注意ブランチで処理され、適応的ゲーティング機構で融合される。公開のΦ-OTDRベンチマークと実シナリオのDASデータセットでの実験により、DAStatFormerは最大99.4%の精度とほぼ完璧な実世界性能を達成し、DASFormerやDeepViTなどのモデルよりも大幅に少ないパラメータと低い推論コストで動作する。これらの結果は、スケーラブルでリアルタイムなDASベース監視への適合性を示している。研究チームはコードを公開している。