SSD（单次检测器）是一类深度学习目标检测模型，在神经网络的单次前向传播中同时执行分类和定位。与早期先提出区域再分类的两阶段检测器不同，SSD将边界框的输出空间离散化为一组在不同宽高比和尺度下的默认框，然后一次性预测每个默认框的物体类别和框偏移。这种设计使SSD在保持竞争性精度的同时，速度显著快于其前代模型，使其成为视频监控、自动驾驶和增强现实等实时应用的热门选择。
SSD架构在2016年发表的论文《SSD: Single Shot MultiBox Detector》中提出，作者包括Wei Liu、Dragomir Anguelov、Dumitru Erhan、Christian Szegedy、Scott Reed、Cheng-Yang Fu和Alexander C. Berg。该工作由Google完成，并在2016年欧洲计算机视觉会议（ECCV）上展示。该模型基于著名的VGG-16骨干网络（一种卷积神经网络架构）构建，并添加了多个辅助卷积层，逐步降低特征图的空间分辨率。这些多尺度特征图使检测器能够处理不同大小的物体，早期层捕捉小物体的细节，后期层为大物体提供更多语义信息。
架构与设计
SSD的核心创新在于使用默认框（也称为锚框），这些是在每个特征图位置预定义的具有不同宽高比和尺度的边界框。对于每个默认框，网络预测类别概率和相对于框坐标的四个偏移量。在训练期间，默认框基于交并比（IoU）阈值与真实物体进行匹配，损失函数结合了定位损失（平滑L1）和置信度损失（softmax交叉熵）。SSD还采用硬负样本挖掘来解决正负样本不平衡问题，保持约1:3的比例。
网络使用来自多个层的特征图，通常包括conv4_3、conv7、conv8_2、conv9_2、conv10_2和conv11_2，每层产生不同数量的默认框。例如，在原始SSD300（输入尺寸300x300）中，默认框总数为8732。多尺度方法至关重要，因为它允许模型使用高分辨率特征图检测小物体，使用低分辨率特征图检测大物体，而无需显式的区域提议阶段。
训练与优化
SSD在PASCAL VOC和Microsoft COCO数据集上进行了训练。在PASCAL VOC 2007测试集上，SSD300在单个Nvidia Titan X GPU上以58帧每秒（FPS）的速度实现了72.1%的平均精度（mAP），而SSD512以22 FPS实现了76.8%的mAP。这些结果在速度-精度权衡方面优于当时最先进的Faster R-CNN（73.2% mAP，7 FPS）和YOLO（63.4% mAP，45 FPS）。训练过程使用了随机裁剪、颜色失真和水平翻转等数据增强技术来提高鲁棒性。
作者还引入了一种称为特征融合SSD的变体，它结合低层和高层特征图以进一步改善小物体检测。后来的工作，如DSSD（反卷积单次检测器）和FSSD（特征融合单次多框检测器），在SSD思想的基础上提高了精度，但往往牺牲了一些速度。
影响与遗产
SSD对计算机视觉和目标检测领域产生了持久影响。它证明了单阶段检测器可以达到与两阶段检测器相当的精度，同时速度更快，这影响了后续模型如RetinaNet和YOLO版本。默认框和多尺度预测的概念已被许多现代检测器广泛采用，包括EfficientDet和更新架构中的基于锚框的分支。SSD也成为许多机器学习框架中的标准组件，并包含在TensorFlow目标检测API中，使从业者易于使用。
在人工智能研究的背景下，SSD常被视为向实时、高效且能在边缘设备上运行的模型转变的关键里程碑。其设计原则已应用于目标检测之外，如人脸检测和文本检测。该模型在速度和精度之间取得平衡的能力使其成为嵌入式系统和移动应用的热门选择，并仍是学术基准中的参考点。
相关发展
在SSD之后，提出了多项改进。RetinaNet模型引入了焦点损失来解决单阶段检测器中的类别不平衡问题，在COCO上实现了比SSD更好的精度。YOLO系列从YOLO9000开始，融入了类似SSD的多尺度预测。此外，MobileNet-SSD变体将SSD与轻量级骨干网络结合用于移动部署，表明该检测器可以适应资源受限的环境。
在更广泛的深度学习架构格局中，SSD常与基于区域的方法如Faster R-CNN以及后来的基于变换器的检测器如DETR（检测变换器）进行比较，后者消除了手工设计锚框的需求。然而，SSD的简单性和高效性确保了其持续相关性，尤其是在延迟至关重要的场景中。
参见
参考文献
- Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. ECCV.
- Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal Loss for Dense Object Detection. ICCV.
- Redmon, J., & Farhadi, A. (2017). YOLO9000: Better, Faster, Stronger. CVPR.