SSD (सिंगल शॉट मल्टीबॉक्स डिटेक्टर) एक डीप लर्निंग ऑब्जेक्ट डिटेक्शन मॉडल है जो तंत्रिका नेटवर्क के एक ही फॉरवर्ड पास में वर्गीकरण और स्थानीकरण करता है। पहले के दो-चरणीय डिटेक्टरों के विपरीत, जो पहले क्षेत्रों का प्रस्ताव करते हैं और फिर उन्हें वर्गीकृत करते हैं, SSD बाउंडिंग बॉक्स के आउटपुट स्पेस को विभिन्न पहलू अनुपातों और स्केलों पर डिफ़ॉल्ट बॉक्स के एक सेट में विभाजित करता है, और प्रत्येक ऑब्जेक्ट श्रेणी के लिए उन्हें स्कोर करता है। यह डिज़ाइन वास्तविक समय प्रसंस्करण गति बनाए रखते हुए उच्च सटीकता की अनुमति देता है, जिससे यह स्वायत्त ड्राइविंग, रोबोटिक्स और वीडियो निगरानी में अनुप्रयोगों के लिए एक लोकप्रिय विकल्प बन जाता है।
मॉडल को 2016 के एक पेपर में वेई लियू, ड्रैगोमिर एंगुएलोव, डुमित्रु एरहान, क्रिश्चियन स्ज़ेगेडी, स्कॉट रीड, चेंग-यांग फू और अलेक्जेंडर सी. बर्ग द्वारा प्रस्तुत किया गया था, जिसका शीर्षक था "SSD: सिंगल शॉट मल्टीबॉक्स डिटेक्टर।" यह कार्य एम्स्टर्डम, नीदरलैंड में यूरोपीय कंप्यूटर विज़न सम्मेलन (ECCV) में प्रस्तुत किया गया था। लेखक चैपल हिल में उत्तरी कैरोलिना विश्वविद्यालय, ज़ूक्स, गूगल और मिशिगन विश्वविद्यालय से थे।
आर्किटेक्चर
SSD एक आधार नेटवर्क (आमतौर पर एक छोटा VGG-16 या ResNet) पर बनाया गया है जो इनपुट छवि से फीचर मैप निकालता है। इस आधार के ऊपर, अतिरिक्त कनवल्शनल परतें जोड़ी जाती हैं जो चैनलों की संख्या बढ़ाते हुए स्थानिक रिज़ॉल्यूशन को धीरे-धीरे कम करती हैं। ये अतिरिक्त परतें कई स्केलों पर फीचर मैप उत्पन्न करती हैं, जो बड़े मैप (जैसे, 300x300 इनपुट के लिए 38x38) से लेकर छोटे मैप (जैसे, 1x1) तक होती हैं।
प्रत्येक फीचर मैप में प्रत्येक सेल के लिए, SSD डिफ़ॉल्ट बाउंडिंग बॉक्स (जिन्हें प्रायर या एंकर भी कहा जाता है) का एक निश्चित सेट भविष्यवाणी करता है। इन डिफ़ॉल्ट बॉक्स में विभिन्न पहलू अनुपात (जैसे, 1:1, 1:2, 2:1) और स्केल होते हैं, जिन्हें प्रशिक्षण डेटा में ऑब्जेक्ट आकारों के वितरण से मेल खाने के लिए चुना जाता है। प्रत्येक डिफ़ॉल्ट बॉक्स के लिए, नेटवर्क डिफ़ॉल्ट बॉक्स के सापेक्ष चार ऑफसेट (केंद्र x, केंद्र y, चौड़ाई, ऊंचाई) और वर्ग स्कोर का एक सेट (पृष्ठभूमि वर्ग सहित) आउटपुट करता है।
प्रशिक्षण
प्रशिक्षण के दौरान, SSD प्रत्येक ग्राउंड-ट्रुथ बॉक्स को उन डिफ़ॉल्ट बॉक्स से मिलाता है जिनमें उच्चतम इंटरसेक्शन-ओवर-यूनियन (IoU) ओवरलैप होता है, साथ ही किसी भी डिफ़ॉल्ट बॉक्स से जिसका IoU एक सीमा (आमतौर पर 0.5) से ऊपर होता है। यह मिलान रणनीति सुनिश्चित करती है कि प्रत्येक ग्राउंड-ट्रुथ बॉक्स को सकारात्मक प्रशिक्षण के लिए कम से कम एक डिफ़ॉल्ट बॉक्स सौंपा गया है। हानि फ़ंक्शन स्थानीयकरण हानि (बॉक्स ऑफसेट पर स्मूथ L1 हानि) और विश्वास हानि (वर्ग स्कोर पर सॉफ्टमैक्स क्रॉस-एन्ट्रॉपी) का एक भारित योग है।
एक प्रमुख प्रशिक्षण तकनीक हार्ड नेगेटिव माइनिंग है, जहां नकारात्मक से सकारात्मक नमूनों का अनुपात 3:1 पर सीमित होता है। यह आवश्यक है क्योंकि अधिकांश डिफ़ॉल्ट बॉक्स पृष्ठभूमि होते हैं। मॉडल सामान्यीकरण में सुधार के लिए डेटा वृद्धि का भी उपयोग करता है, जिसमें यादृच्छिक क्रॉप, रंग विकृति और क्षैतिज फ्लिप शामिल हैं।
मल्टी-स्केल डिटेक्शन
SSD के मुख्य नवाचारों में से एक डिटेक्शन के लिए मल्टी-स्केल फीचर मैप का उपयोग है। पहले के सिंगल-शॉट डिटेक्टर जैसे YOLO (यू ओनली लुक वन्स) ने केवल अंतिम फीचर मैप का उपयोग किया, जिसने छोटी वस्तुओं का पता लगाने की उनकी क्षमता को सीमित कर दिया। विभिन्न गहराई से फीचर मैप का उपयोग करके, SSD विभिन्न आकारों की वस्तुओं का पता लगा सकता है: उच्च रिज़ॉल्यूशन वाली उथली परतें छोटी वस्तुओं को पकड़ती हैं, जबकि कम रिज़ॉल्यूशन वाली गहरी परतें बड़ी वस्तुओं को पकड़ती हैं।
यह दृष्टिकोण कम्प्यूटेशनल रूप से कुशल है क्योंकि यह एक अलग क्षेत्र प्रस्ताव चरण की आवश्यकता से बचता है। संपूर्ण डिटेक्शन पाइपलाइन एक एकल फीड-फॉरवर्ड कनवल्शनल नेटवर्क है, जिसे मानक बैकप्रोपेगेशन का उपयोग करके एंड-टू-एंड अनुकूलित किया जा सकता है।
वेरिएंट और प्रभाव
अपनी शुरुआत के बाद से, SSD ने कई वेरिएंट को प्रेरित किया है। DSSD (डीकनवोल्यूशनल सिंगल शॉट डिटेक्टर) छोटी वस्तु डिटेक्शन में सुधार के लिए डीकनवोल्यूशन परतें जोड़ता है। FSSD (फीचर फ्यूजन सिंगल शॉट मल्टीबॉक्स डिटेक्टर) भविष्यवाणी से पहले विभिन्न परतों से सुविधाओं को जोड़ता है। अन्य कार्यों ने SSD को विशिष्ट डोमेन के लिए अनुकूलित किया है, जैसे चेहरे की पहचान (जैसे, SSH - सिंगल स्टेज हेडलेस) और टेक्स्ट डिटेक्शन।
SSD को उद्योग और शिक्षा में व्यापक रूप से अपनाया गया है। यह TensorFlow (ऑब्जेक्ट डिटेक्शन API के माध्यम से) और PyTorch (torchvision के माध्यम से) जैसे प्रमुख डीप लर्निंग फ्रेमवर्क में लागू किया गया है। मॉडल की गति-सटीकता व्यापार-बंद ने इसे वास्तविक समय डिटेक्शन के लिए एक मानक बेंचमार्क बना दिया, जिसकी तुलना अक्सर YOLO और फास्टर R-CNN से की जाती है। 2020 के दशक के मध्य तक, EfficientDet और YOLOv8 जैसे अधिक हाल के आर्किटेक्चर ने गति और सटीकता दोनों में SSD को पीछे छोड़ दिया है, लेकिन SSD कुशल ऑब्जेक्ट डिटेक्शन के विकास में एक महत्वपूर्ण ऐतिहासिक मील का पत्थर बना हुआ है।
सीमाएं
अपनी ताकत के बावजूद, SSD की ज्ञात सीमाएं हैं। छोटी वस्तु डिटेक्शन चुनौतीपूर्ण बनी हुई है, खासकर जब वस्तुएं घनी रूप से पैक होती हैं या उनमें उच्च पहलू अनुपात होते हैं। डिफ़ॉल्ट बॉक्स का निश्चित सेट असामान्य ऑब्जेक्ट आकारों के लिए उप-इष्टतम हो सकता है। इसके अतिरिक्त, मॉडल को प्रत्येक नए डेटासेट के लिए एंकर स्केल और पहलू अनुपात के सावधानीपूर्वक ट्यूनिंग की आवश्यकता होती है, जो समय लेने वाली हो सकती है। बाद के कार्यों ने फीचर पिरामिड नेटवर्क और सीखने योग्य एंकर जनरेशन के माध्यम से इनमें से कुछ मुद्दों को संबोधित किया है।