SSD (Single Shot MultiBox Detector) ist ein Deep-Learning-Objekt Erkennungsmodell, das Klassifizierung und Lokalisierung in einem einzigen Vorwärtsdurchlauf eines neuronalen Netzes durchführt. Im Gegensatz zu früheren zweistufigen Detektoren, die zunächst Regionen vorschlagen und diese dann klassifizieren, diskretisiert SSD den Ausgaberaum der Begrenzungsrahmen in eine Reihe von Standardrahmen (Default Boxes) über verschiedene Seitenverhältnisse und Skalen und bewertet diese für jede Objektkategorie. Dieses Design ermöglicht eine hohe Genauigkeit bei gleichzeitig Echtzeit-Verarbeitungsgeschwindigkeit, was SSD zu einer beliebten Wahl für Anwendungen in den Bereichen autonomes Fahren, Robotik und Videoüberwachung macht.
Das Modell wurde in einem Paper aus dem Jahr 2016 von Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu und Alexander C. Berg vorgestellt, das auf der European Conference on Computer Vision (ECCV) in Amsterdam, Niederlande, veröffentlicht wurde. Die Autoren stammen von der University of North Carolina at Chapel Hill, Zoox, Google und der University of Michigan.
Architektur
SSD basiert auf einem Grundnetzwerk (typischerweise ein abgeschnittenes VGG-16 oder ResNet), das Merkmalskarten aus dem Eingabebild extrahiert. Auf diesem Grundnetzwerk werden zusätzliche Faltungsschichten aufgesetzt, die die räumliche Auflösung schrittweise verringern, während die Anzahl der Kanäle zunimmt. Diese zusätzlichen Schichten erzeugen Merkmalskarten auf mehreren Skalen, von großen Karten (z. B. 38x38 für eine 300x300 Eingabe) bis zu kleinen Karten (z. B. 1x1).
Für jede Zelle in jeder Merkmalskarte sagt SSD einen festen Satz von Standard-Begrenzungsrahmen (auch Priors oder Anker genannt) voraus. Diese Standardrahmen haben verschiedene Seitenverhältnisse (z. B. 1:1, 1:2, 2:1) und Skalen, die so gewählt werden, dass sie der Verteilung der Objektgrößen in den Trainingsdaten entsprechen. Für jeden Standardrahmen gibt das Netzwerk vier Offsets (Mittelpunkt x, Mittelpunkt y, Breite, Höhe) relativ zum Standardrahmen sowie eine Reihe von Klassenbewertungen (einschließlich einer Hintergrundklasse) aus.
Training
Während des Trainings wird jeder Ground-Truth-Rahmen den Standardrahmen zugeordnet, die die höchste Intersection-over-Union (IoU) mit ihm aufweisen, sowie allen Standardrahmen, deren IoU über einem Schwellenwert (typischerweise 0,5) liegt. Diese Zuordnungsstrategie stellt sicher, dass jeder Ground-Truth-Rahmen mindestens einem Standardrahmen für das positive Training zugewiesen wird. Die Verlustfunktion ist eine gewichtete Summe aus einem Lokalisierungsverlust (Smooth-L1-Verlust auf die Rahmen-Offsets) und einem Konfidenzverlust (Softmax-Kreuzentropie über die Klassenbewertungen).
Eine wichtige Trainingstechnik ist das harte Negativ-Mining, bei dem das Verhältnis von negativen zu positiven Stichproben auf 3:1 begrenzt wird. Dies ist notwendig, da die überwiegende Mehrheit der Standardrahmen Hintergrund ist. Das Modell verwendet außerdem Datenaugmentierung, einschließlich zufälliger Ausschnitte, Farbverzerrungen und horizontaler Spiegelungen, um die Generalisierung zu verbessern.
Mehrskalen-Erkennung
Eine der Hauptinnovationen von SSD ist die Verwendung von Merkmalskarten auf mehreren Skalen für die Erkennung. Frühere einstufige Detektoren wie YOLO (You Only Look Once) verwendeten nur die letzte Merkmalskarte, was ihre Fähigkeit zur Erkennung kleiner Objekte einschränkte. Durch die Verwendung von Merkmalskarten aus verschiedenen Tiefen des Netzwerks kann SSD Objekte verschiedener Größen erkennen: Flache Schichten mit hoher Auflösung erfassen kleine Objekte, während tiefe Schichten mit niedriger Auflösung große Objekte erfassen.
Dieser Ansatz ist recheneffizient, da er keine separate Regionsvorschlagsstufe erfordert. Die gesamte Erkennungspipeline ist ein einziges durchgängig optimierbares Faltungsnetzwerk, das mit Standard-Backpropagation trainiert werden kann.
Varianten und Einfluss
Seit seiner Einführung hat SSD mehrere Varianten inspiriert. DSSD (Deconvolutional Single Shot Detector) fügt Dekonvolutionsschichten hinzu, um die Erkennung kleiner Objekte zu verbessern. FSSD (Feature Fusion Single Shot Multibox Detector) fusioniert Merkmale aus verschiedenen Schichten vor der Vorhersage. Andere Arbeiten haben SSD für spezifische Bereiche angepasst, wie z. B. Gesichtserkennung (SSH - Single Stage Headless) und Texterkennung.
SSD wurde in Industrie und Wissenschaft weit verbreitet übernommen. Es ist in großen Deep-Learning-Frameworks wie TensorFlow (über die Object Detection API) und PyTorch (über torchvision) implementiert. Das ausgewogene Verhältnis von Geschwindigkeit und Genauigkeit machte SSD zu einem Standard-Benchmark für Echtzeit-Erkennung, oft verglichen mit YOLO und Faster R-CNN. Ab Mitte der 2020er Jahre haben neuere Architekturen wie EfficientDet und YOLOv8 SSD in Bezug auf Geschwindigkeit und Genauigkeit übertroffen, aber SSD bleibt ein wichtiger Meilenstein in der Entwicklung effizienter Objekterkennung.
Einschränkungen
Trotz seiner Stärken hat SSD bekannte Einschränkungen. Die Erkennung kleiner Objekte bleibt eine Herausforderung, insbesondere wenn Objekte dicht gepackt sind oder extreme Seitenverhältnisse aufweisen. Der feste Satz von Standardrahmen kann für ungewöhnliche Objektformen suboptimal sein. Darüber hinaus erfordert das Modell für jeden neuen Datensatz eine sorgfältige Abstimmung der Ankerskalen und Seitenverhältnisse, was zeitaufwendig sein kann. Spätere Arbeiten haben einige dieser Probleme durch Feature-Pyramiden-Netzwerke und lernbare Anker-Generierung adressiert.