InsectMamba：用于昆虫识别的自适应复合特征状态空间模型

基于摘要分析。该研究针对农业害虫识别中伪装性强、物种多样及近缘物种视觉特征相似的问题，提出 InsectMamba，通过混合特征编码与自适应特征组合改善细粒度视觉识别。研究对象是昆虫图像分类与检测，不是 EEG 或 BCI 信号解码。 核心机制是在 Mix-SSM blocks 中整合 State Space Models（SSMs）、Convolutional Neural Networks（CNNs）、Multi-Head Self-Attention（MSA）和 Multilayer Perceptrons（MLPs），利用不同编码策略提取综合视觉特征；另设 selective module，自适应组合这些特征，以增强对害虫特征的辨识能力。摘要没有说明各编码模块的具体连接方式、选择机制的数学形式、损失函数或训练与推理配置，这些细节尚未验证。 作者报告，InsectMamba 在昆虫分类和检测数据集上与较强竞争方法进行了比较，取得更优表现，并通过消融研究验证各模型组件的作用。摘要未提供数据集名称、样本规模、数据划分、对照方法名称、评价指标及具体数值，因此无法判断优势幅度或比较条件；实验协议、消融及统计信息尚未验证。 复现前需从全文核对 Mix-SSM 与 selective module 的实现、分类和检测任务的配置差异，以及数据划分、基线训练条件和计算成本。该摘要未建立视觉特征组合机制与 EEG 瓶颈的具体对应关系，不能据此推断 BCI 有效性，也不据此提出跨领域复现实验；已有 EEG 相关工作尚未检索确认。