DAStatFormer：一种融合统计特征的混合多分支Transformer，用于基于DAS的模式识别

arXiv cs.LG 论文
transformers hybrid-model statistical-features distributed-acoustic-sensing pattern-recognition deep-learning

摘要

DAStatFormer是一种混合多分支Transformer，它通过门控注意力机制整合统计特征，实现分布式声学传感（DAS）中高效且准确的事件分类，在显著降低计算成本的同时达到高达99.4%的准确率。

arXiv:2606.00081v1 公告类型：新论文 摘要：分布式声学传感（DAS）通过光纤实现大规模监控，但其高维度和复杂的时空模式使得事件分类颇具挑战。现有的深度学习方法——卷积神经网络（CNN）、循环模型和Transformer变体——要么无法捕捉长程依赖关系，要么需要以高昂成本处理原始DAS矩阵。我们提出了DAStatFormer，一种混合多分支Transformer，它将紧凑的多域统计特征与门控Transformer网络相结合。我们不使用原始信号，而是从每个通道的时域、波形和频域中提取24个经ANOVA选择的属性，将数据规模缩减数个数量级，同时保留判别性信息。每个域通过专用的逐步骤和逐通道注意力分支处理，并由自适应门控机制融合。在开放的Φ-OTDR基准数据集和真实场景DAS数据集上的实验表明，DAStatFormer实现了高达99.4%的准确率和接近完美的实际性能，同时使用的参数和推理成本远低于DASFormer和DeepViT等模型。这些结果证明了其适用于可扩展、实时的DAS监控。我们在 https://github.com/MichelD-git/DAStatFormer 发布代码。
查看原文
查看缓存全文

缓存时间: 2026/06/02 15:39 

# DAStatFormer：一种结合统计特征与混合多分支Transformer的DAS模式识别方法
来源：https://arxiv.org/abs/2606.00081
查看PDF（https://arxiv.org/pdf/2606.00081）

> 摘要：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任务颇具挑战。现有的深度学习方法——包括CNN、循环模型及Transformer变体——要么难以捕捉长程依赖关系，要么需要以惊人的计算成本处理原始DAS矩阵。为此，我们提出DAStatFormer——一种混合多分支Transformer，它将紧凑的多域统计特征与门控Transformer网络相结合。我们不使用原始信号，而是从每个通道的时域、波形和频域中提取24个经ANOVA筛选的特征，将数据规模降低数个数量级，同时保留判别信息。每个域通过专用的逐步骤和逐通道注意力分支处理，并由自适应门控机制融合。在开源的Φ-OTDR基准数据集和一个真实场景DAS数据集上的实验表明，DAStatFormer实现了高达99.4%的准确率以及接近完美的真实环境性能，同时其参数量和推理成本显著低于DASFormer、DeepViT等模型。这些结果证明了该方法适用于可扩展的、实时的DAS监测。我们的代码发布在此https链接（https://github.com/MichelD-git/DAStatFormer）。

## 提交历史

来自：Michel Dione [查看邮箱](https://arxiv.org/show-email/ca05c4a0/2606.00081) [通过CCSD代理] **\[v1\]** 2026年5月22日星期五 13:58:37 UTC（5,851 KB）

相似文章

Delta Attention Residuals

Hugging Face Daily Papers

Delta Attention Residuals 通过关注特征变化（增量）而非累积隐藏状态，改进了Transformer模型中的逐层路由，在220M到7.6B参数的规模上实现了1.7-8.2%的验证困惑度提升。