DAStatFormer: гибридный трансформер для DAS-мониторинга достиг точности 99,4%
Исследователи разработали DAStatFormer — гибридную многоканальную архитектуру трансформера для классификации событий в системах распределенного акустического зондирования (DAS). Вместо обработки сырых сигналов модель работает с компактными статистическими признаками, что значительно снижает вычислительную нагрузку.
DAS использует оптоволокно для мониторинга протяженных объектов, но высокая размерность данных и сложные пространственно-временные паттерны затрудняют автоматическое распознавание событий. Существующие подходы на основе CNN и трансформеров либо плохо улавливают долгосрочные зависимости, либо требуют обработки полных DAS-матриц, что дорого.
Авторы предложили извлекать 24 ANOVA-отобранных признака на канал из временной, спектральной и волновой областей. Это сокращает объем данных на порядки, сохраняя дискриминирующую информацию. Каждый домен обрабатывается отдельными ветвями с механизмами внимания, после чего результаты объединяются адаптивным гейтингом.
Эксперименты на открытом бенчмарке Phi-OTDR и реальном наборе DAS-данных показали точность до 99,4% и почти идеальную работу в реальных сценариях. При этом модель использует значительно меньше параметров и требует меньших вычислительных затрат по сравнению с DASFormer и DeepViT.
По мнению разработчиков, DAStatFormer подходит для масштабируемого мониторинга в реальном времени. Код модели опубликован в открытом доступе на GitHub. Работа представлена в виде препринта на arXiv.
