論文の概要: DAStatFormer: A Hybrid Multibranch Transformer with Statistical Feature Integration for DAS-Based Pattern Recognitions

• arxiv url: http://arxiv.org/abs/2606.00081v1
• Date: Fri, 22 May 2026 13:58:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.550671
• Title: DAStatFormer: A Hybrid Multibranch Transformer with Statistical Feature Integration for DAS-Based Pattern Recognitions
• Title（参考訳）: DAStatFormer:DASに基づくパターン認識のための統計的特徴統合を備えたハイブリッドマルチブランチ変換器
• Authors: Michel Dione, Jerry Lonlac, Hélène Louis, Anthony Fleury, Stephane Lecoeuche,
• Abstract要約: DAStatFormerは、コンパクトなマルチドメイン統計特徴とGated Transformer Networksを組み合わせたハイブリッドマルチブランチトランスフォーマーである。 99.4%の精度とほぼ完璧な実世界のパフォーマンスを実現している。 これらの結果は、分散リアルタイムDASベースのモニタリングに適していることを示す。
• 参考スコア（独自算出の注目度）: 0.19573380763700718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed Acoustic Sensing (DAS) enables large-scale monitoring through optical fibers, but its high dimensionality and complex spatio-temporal patterns make event classification demanding. Existing deep learning approaches-CNNs, recurrent models, and Transformer variants-either fail to capture long-range dependencies or require processing raw DAS matrices at prohibitive cost. We propose DAStatFormer, a hybrid multibranch Transformer that combines compact multidomain statistical features with Gated Transformer Networks. Instead of raw signals, we extract 24 ANOVA-selected attributes per channel from the temporal, waveform, and spectral domains, reducing data size by orders of magnitude while preserving discriminative information. Each domain is processed via dedicated step-wise and channel-wise attention branches, fused by an adaptive gating mechanism. Experiments on the open $Φ$-OTDR benchmark and a real-scenario DAS dataset show that DAS-tatFormer achieves up to 99.4% accuracy and near-perfect real-world performance, while using significantly fewer parameters and lower inference cost than models such as DASFormer and DeepViT. These results demonstrate its suitability for scalable, real-time DAS-based monitoring. We release our code at https://github.com/MichelD-git/DAStatFormer
• Abstract（参考訳）: 分散音響センシング(DAS)は光ファイバーによる大規模監視を可能にするが、その高次元と複雑な時空間パターンはイベント分類を要求させる。 既存のディープラーニングアプローチ-CNN、リカレントモデル、Transformer変種は、長距離依存関係をキャプチャできなかったり、禁止コストで生DAS行列を処理する必要があった。 本稿では,コンパクトなマルチドメイン統計特徴とGated Transformer Networksを組み合わせたハイブリッドマルチブランチトランスであるDAStatFormerを提案する。 生信号の代わりに、時間領域、波形領域、スペクトル領域からチャネル毎に24個のANOVA選択属性を抽出し、識別情報を保存しながらデータサイズを桁違いに削減する。 各ドメインは専用のステップワイドおよびチャネルワイドアテンションブランチを介して処理され、適応ゲーティング機構によって融合される。 オープンな$$-OTDRベンチマークとリアルタイムDASデータセットの実験では、DAS-tatFormerは99.4%の精度とほぼ完璧な実世界のパフォーマンスを実現し、DASFormerやDeepViTのようなモデルよりもはるかに少ないパラメータと推論コストを使用する。 これらの結果は、スケーラブルでリアルタイムなDASベースのモニタリングに適していることを示している。 私たちはhttps://github.com/MichelD-git/DAStatFormerでコードを公開しています。

関連論文リスト

• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• UniDiff: Parameter-Efficient Adaptation of Diffusion Models for Land Cover Classification with Multi-Modal Remotely Sensed Imagery and Sparse Annotations [3.588053519843616]
  本稿では,1つのイメージネット予測拡散モデルを用いて,対象領域データのみを用いて複数の知覚モダリティに適応するパラメータ効率のフレームワークを提案する。 UniDiffは、FiLMベースのタイムステップ・モダリティ条件付け、パラメータの約5%のパラメータ効率適応、および擬似RGBアンカーを組み合わせることで、事前訓練された表現を保存し、破滅的な忘れを防止する。
  論文  参考訳（メタデータ） (2025-11-29T00:57:53Z)
• Dual-Perspective United Transformer for Object Segmentation in Optical Remote Sensing Images [38.942152581251165]
  本稿では,長距離依存関係と空間的詳細を同時に統合するユニークな構造を持つDPU変換器を提案する。 特に,2つの視点から多種多様な情報を捉えるグローバル・ローカル・ミックス・アテンションを設計する。 本稿では,表現能力を高めるために,ゲート型線形フィードフォワードネットワークを提案する。
  論文  参考訳（メタデータ） (2025-06-27T02:40:48Z)
• RIE-SenseNet: Riemannian Manifold Embedding of Multi-Source Industrial Sensor Signals for Robust Pattern Recognition [2.845523526282637]
  産業センサネットワークは、非線形構造とシフト分布を持つ複雑な信号を生成する。 本稿では,新しい幾何対応トランスモデルであるRIE-SenseNetを提案する。 RIE-SenseNetは90%のF1スコアを獲得し、CNNやTransformerのベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2025-02-04T15:53:30Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• Wake Word Detection with Streaming Transformers [72.66551640048405]
  提案したトランスフォーマーモデルでは,同じ偽アラームレートで,平均25%の誤り拒否率でベースライン畳み込みネットワークを性能的に上回ることを示す。 Mobvoiのウェイクワードデータセットに関する実験により,提案したTransformerモデルはベースライン畳み込みネットワークを25%上回る性能を示した。
  論文  参考訳（メタデータ） (2021-02-08T19:14:32Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。