InsectMamba：基于状态空间模型的害虫分类

基于摘要分析。该研究针对害虫伪装、物种多样性及近缘物种外观相似导致的细粒度分类困难，提出 InsectMamba，在 Mix-SSM 模块中整合 State Space Models（SSMs）、Convolutional Neural Networks（CNNs）、Multi-Head Self-Attention（MSA）与 Multilayer Perceptrons（MLPs），并通过选择模块自适应聚合视觉特征。 核心机制是结合不同编码策略提取互补的视觉信息，再自适应聚合，以增强对害虫特征的辨别能力。摘要未说明各编码器的连接方式、选择模块的具体计算、损失函数及训练和推理设置，不能据此确定模型结构或计算效率。 作者报告，在五个害虫分类数据集上，InsectMamba 优于所比较的强竞争方法，并通过消融研究验证各组件的重要性。摘要未提供数据集名称、划分方式、对照模型、指标或具体数值；实验协议、消融及统计信息尚未验证，因此尚不能判断改进幅度、稳定性与复现成本。 平台推测（待验证）：其多编码器与自适应特征聚合机制可能用于探索 EEG 中局部模式和长程依赖的联合表征，但这是迁移假设，不是已证实的 BCI 效果。原任务依赖视觉输入与类别监督；用于 EEG 时需改造输入表示、时序与通道编码，并重新验证选择模块是否能聚合有效信号，而非放大噪声或被试差异。低信噪比、通道配置变化及小样本可能削弱多组件融合的收益。一个可证伪的小实验是在同一 MI 数据集、固定 Cross-subject 划分与训练预算下，比较 SSM 基线、加入其他编码器及加入选择模块的版本，报告相同指标和多次运行的变异性。已有相关 EEG 工作尚未检索确认。