DAStatFormer：一种混合多分支Transformer，结合统计特征用于DAS模式识别
本文提出DAStatFormer，一种混合多分支Transformer，通过提取多域统计特征（时域、波形、谱域）并利用门控注意力机制融合，显著降低数据维度，在DAS事件分类任务上达到99.4%准确率，且参数更少、推理更快。
来源arXiv Machine Learning作者: Michel Dione (CERI SN - IMT Nord Europe), Jerry Lonlac (CERI SN - IMT Nord Europe), H\'el\`ene Louis (CERI SN - IMT Nord Europe), Anthony Fleury (CERI SN - IMT Nord Europe), Stephane Lecoeuche
分布式声学传感（DAS）通过光纤实现大规模监测，但其高维度和复杂的时空模式使得事件分类极具挑战。现有深度学习方法（CNN、循环模型、Transformer变体）要么无法捕获长程依赖，要么需要高昂代价处理原始DAS矩阵。对此，研究人员提出DAStatFormer——一种混合多分支Transformer，将紧凑的多域统计特征与门控Transformer网络相结合。该方法为每个通道提取24个经ANOVA筛选的属性，涵盖时域、波形和谱域，将数据量降低数个数量级的同时保留判别信息。每个域通过专用的步进和通道注意力分支处理，并由自适应门控机制融合。在公开的Φ-OTDR基准和真实场景DAS数据集上的实验显示，DAStatFormer实现了高达99.4%的准确率和近乎完美的实际性能，同时使用的参数和推理成本远低于DASFormer和DeepViT等模型。这些结果证明了其在可扩展、实时DAS监测中的适用性。研究团队已公开发布代码。