本文聚焦于细粒度液体识别任务，即在紧凑的毫米波测量下区分相似物质。我们提出 StructAttn，通过天线、特征、分支和全局四种互补视角将雷达特征张量映射为十一条结构化令牌，并在三层 Transformer 中进行融合。实验使用公开的 FG‑LiquID 数据集，覆盖 30 种液体、3000 条样本。五个随机种子下的最佳 epoch 平均准确率为 96.70%，与原始 MMNet 基线持平，并比标量令牌注意力模型提升 1.50 个百分点。五种种子概率集成后准确率达 97%，即 600 条测试样本中仅出现 18 例错误。最终 epoch 与五折交叉验证结果进一步验证了模型的鲁棒性，交叉验证的袋外准确率为 95.30%。令牌与特征分析表明结构化视角对预测有显著贡献，剩余混淆主要集中在水、软饮和食用油三个类别。综上，结构化令牌化是一种实用的注意力模型设计方案，可提升毫米波液体识别的细粒度性能。
点评