DAStatFormer：一種混合多分支Transformer，結合統計特徵用於DAS模式識別
本文提出DAStatFormer，一種混合多分支Transformer，透過提取多域統計特徵（時域、波形、譜域）並利用門控注意力機制融合，顯著降低資料維度，在DAS事件分類任務上達到99.4%準確率，且引數更少、推理更快。
來源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
分散式聲學感測（DAS）透過光纖實現大規模監測，但其高維度和複雜的時空模式使得事件分類極具挑戰。現有深度學習方法（CNN、迴圈模型、Transformer變體）要麼無法捕獲長程依賴，要麼需要高昂代價處理原始DAS矩陣。對此，研究人員提出DAStatFormer——一種混合多分支Transformer，將緊湊的多域統計特徵與門控Transformer網路相結合。該方法為每個通道提取24個經ANOVA篩選的屬性，涵蓋時域、波形和譜域，將資料量降低數個數量級的同時保留判別資訊。每個域透過專用的步進和通道注意力分支處理，並由自適應門控機制融合。在公開的Φ-OTDR基準和真實場景DAS資料集上的實驗顯示，DAStatFormer實現了高達99.4%的準確率和近乎完美的實際效能，同時使用的引數和推理成本遠低於DASFormer和DeepViT等模型。這些結果證明了其在可擴充套件、即時DAS監測中的適用性。研究團隊已公開發布程式碼。