SSD (Single Shot MultiBox Detector) est un modèle de détection d'objets basé sur le deep learning qui effectue la classification et la localisation en une seule passe avant d'un réseau de neurones. Contrairement aux détecteurs en deux étapes plus anciens qui proposent d'abord des régions puis les classifient, SSD discrétise l'espace de sortie des boîtes englobantes en un ensemble de boîtes par défaut avec différents ratios d'aspect et échelles, et les score pour chaque catégorie d'objet. Cette conception permet une haute précision tout en maintenant des vitesses de traitement en temps réel, ce qui en fait un choix populaire pour des applications en conduite autonome, robotique et surveillance vidéo.
Le modèle a été introduit dans un article de 2016 par Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu et Alexander C. Berg, intitulé « SSD: Single Shot MultiBox Detector ». Ce travail a été présenté à la Conférence européenne sur la vision par ordinateur (ECCV) à Amsterdam, aux Pays-Bas. Les auteurs provenaient de l'Université de Caroline du Nord à Chapel Hill, de Zoox, de Google et de l'Université du Michigan.
Architecture
SSD est construit sur un réseau de base (typiquement un VGG-16 ou ResNet tronqué) qui extrait des cartes de caractéristiques de l'image d'entrée. Par-dessus cette base, des couches convolutionnelles supplémentaires sont ajoutées, réduisant progressivement la résolution spatiale tout en augmentant le nombre de canaux. Ces couches supplémentaires produisent des cartes de caractéristiques à plusieurs échelles, allant de grandes cartes (par exemple, 38x38 pour une entrée de 300x300) à de petites cartes (par exemple, 1x1).
Pour chaque cellule de chaque carte de caractéristiques, SSD prédit un ensemble fixe de boîtes englobantes par défaut (également appelées priors ou ancres). Ces boîtes par défaut ont différents ratios d'aspect (par exemple, 1:1, 1:2, 2:1) et échelles, choisis pour correspondre à la distribution des tailles d'objets dans les données d'entraînement. Pour chaque boîte par défaut, le réseau produit quatre décalages (centre x, centre y, largeur, hauteur) par rapport à la boîte par défaut, et un ensemble de scores de classe (y compris une classe d'arrière-plan).
Entraînement
Pendant l'entraînement, SSD fait correspondre chaque boîte de vérité terrain aux boîtes par défaut ayant le chevauchement Intersection-sur-Union (IoU) le plus élevé, ainsi qu'à toute boîte par défaut avec un IoU supérieur à un seuil (typiquement 0,5). Cette stratégie de correspondance garantit que chaque boîte de vérité terrain est assignée à au moins une boîte par défaut pour un entraînement positif. La fonction de perte est une somme pondérée d'une perte de localisation (perte L1 lisse sur les décalages de boîtes) et d'une perte de confiance (entropie croisée softmax sur les scores de classe).
Une technique d'entraînement clé est l'extraction négative difficile, où le ratio d'échantillons négatifs par rapport aux positifs est plafonné à 3:1. Cela est nécessaire car la grande majorité des boîtes par défaut sont de l'arrière-plan. Le modèle utilise également une augmentation de données, incluant des recadrages aléatoires, des distorsions de couleur et des retournements horizontaux, pour améliorer la généralisation.
Détection multi-échelle
L'une des principales innovations de SSD est l'utilisation de cartes de caractéristiques multi-échelles pour la détection. Les détecteurs en une étape plus anciens comme YOLO (You Only Look Once) utilisaient uniquement la carte de caractéristiques finale, ce qui limitait leur capacité à détecter les petits objets. En utilisant des cartes de caractéristiques de différentes profondeurs, SSD peut détecter des objets de tailles variées : les couches peu profondes avec une haute résolution capturent les petits objets, tandis que les couches profondes avec une basse résolution capturent les grands objets.
Cette approche est efficace en calcul car elle évite le besoin d'une étape séparée de proposition de régions. Le pipeline de détection entier est un réseau convolutionnel à passage unique, qui peut être optimisé de bout en bout en utilisant la rétropropagation standard.
Variantes et impact
Depuis son introduction, SSD a inspiré plusieurs variantes. DSSD (Deconvolutional Single Shot Detector) ajoute des couches de déconvolution pour améliorer la détection des petits objets. FSSD (Feature Fusion Single Shot Multibox Detector) fusionne les caractéristiques de différentes couches avant la prédiction. D'autres travaux ont adapté SSD à des domaines spécifiques, comme la détection de visages (par exemple, SSH - Single Stage Headless) et la détection de texte.
SSD a été largement adopté dans l'industrie et le milieu académique. Il est implémenté dans les principaux frameworks de deep learning tels que TensorFlow (via l'API Object Detection) et PyTorch (via torchvision). Le compromis vitesse-précision du modèle en a fait une référence standard pour la détection en temps réel, souvent comparé à YOLO et Faster R-CNN. Depuis le milieu des années 2020, des architectures plus récentes comme EfficientDet et YOLOv8 ont surpassé SSD en vitesse et en précision, mais SSD reste un jalon historique important dans le développement de la détection d'objets efficace.
Limitations
Malgré ses forces, SSD présente des limitations connues. La détection des petits objets reste difficile, surtout lorsque les objets sont densément regroupés ou ont des ratios d'aspect élevés. L'ensemble fixe de boîtes par défaut peut être sous-optimal pour des formes d'objets inhabituelles. De plus, le modèle nécessite un réglage minutieux des échelles et ratios d'aspect des ancres pour chaque nouveau jeu de données, ce qui peut prendre du temps. Des travaux ultérieurs ont abordé certains de ces problèmes grâce aux réseaux de pyramides de caractéristiques et à la génération d'ancres apprenable.