新上线今天0 投票
DAStatFormer：融合统计特征的混合多分支Transformer，革新分布式声学传感模式识别
快讯：DAS事件分类迎来高效新方案
分布式声学传感（DAS）技术利用光纤实现大规模监测，但高维度与复杂的时空模式让事件分类成为难题。现有深度学习方法（如CNN、循环模型及Transformer变体）要么难以捕捉长程依赖，要么处理原始DAS矩阵成本过高。近日，来自IMT Nord Europe的研究团队提出DAStatFormer——一种混合多分支Transformer架构，通过紧凑的多域统计特征与门控Transformer网络相结合，在显著降低计算开销的同时实现高达99.4% 的分类准确率。
核心创新：从原始信号到统计特征
DAStatFormer的突破在于避开原始高维信号，转而从每个通道提取24个经ANOVA筛选的统计属性，覆盖时域、波形和频谱三个域。这一策略将数据规模压缩数个数量级，同时保留关键判别信息。每个域由专用的逐步注意力分支和逐通道注意力分支处理，最后通过自适应门控机制融合。
性能对比：轻量级下的卓越表现
实验基于公开的Φ-OTDR基准数据集和真实场景DAS数据集。结果显示，DAStatFormer不仅准确率接近完美（真实场景近乎100%），且参数量和推理成本远低于DASFormer、DeepViT等模型。这意味着它更适用于实时、大规模的DAS监测部署。
行业意义：边缘智能的潜力
DAS在油气管道监控、地震预警、安防等领域应用广泛，但传统方案依赖昂贵计算设备。DAStatFormer的轻量设计为边缘端部署打开了可能——只需提取少量统计特征即可完成精准分类，有望推动DAS从实验室走向工程现场。
研究团队已开源代码（见论文链接），为后续工作提供了坚实基础。