SSD（Single Shot MultiBox Detector）超详细笔记

一、SSD 是什么？

SSD 全称：

• SSD: Single Shot MultiBox Detector

是经典的：

One-Stage（单阶段）目标检测算法

核心特点：

一次前向传播
直接完成：
    分类
    定位

即：

Single Shot

不需要：

• Proposal
• RoI Pooling

因此速度很快。

---

二、目标检测发展背景

SSD 在检测历史中的位置非常重要。

---

1. Two-Stage Detector

代表：

• R-CNN
• Fast R-CNN
• Faster R-CNN

流程：

先生成候选框
→ 再分类

优点：

• 精度高

缺点：

• 慢

---

2. One-Stage Detector

代表：

• YOLO
• SSD

流程：

直接预测所有框

优点：

• 快

缺点：

• 小目标较弱

---

三、SSD 的核心思想

SSD 本质：

多尺度 Feature Map
+
Anchor机制
+
Dense Prediction

---

四、SSD 的整体结构

整体流程：

输入图片
↓
Backbone提特征
↓
多个Feature Map
↓
每层生成Anchor
↓
卷积预测：
    分类
    回归
↓
NMS
↓
最终结果

---

五、SSD 的 Backbone

---

经典 Backbone

原论文使用：

• VGG16

但：

去掉FC层

原因：

FC 会：

丢失空间信息

检测任务需要：

位置感知

因此 SSD：

全卷积化

---

六、Feature Map 多尺度检测

这是 SSD 最大创新之一。

---

为什么需要多尺度？

目标大小不同：

• 小目标
• 大目标

例如：

远处人脸
近处汽车

尺度差异巨大。

---

SSD 做法

在不同层上检测。

---

SSD300 典型 Feature Map

层	Feature Size
conv4_3	38×38
conv7	19×19
conv8_2	10×10
conv9_2	5×5
conv10_2	3×3
conv11_2	1×1

---

浅层 vs 深层

---

浅层

特点：

分辨率高
细节丰富

适合：

小目标

---

深层

特点：

语义强

适合：

大目标

---

七、SSD 没有 FPN

SSD：

没有真正FPN

只是：

不同层分别检测

没有：

跨层融合

---

FPN 和 SSD 的区别

---

SSD

多层单独检测

---

FPN

高层语义
+
低层分辨率
融合

因此：

FPN 小目标能力更强。

---

八、SSD 的 Anchor 机制

这是 SSD 核心。

---

1. 什么是 Anchor？

Anchor：

预设框模板

不是直接预测 bbox。

而是：

在Anchor基础上修正

---

2. Feature Map 每个点生成多个 Anchor

例如：

38×38 Feature Map

每个点：

生成：

• 小框
• 大框
• 横向框
• 纵向框

例如：

4~6个Anchor

---

3. Anchor 的中心

Feature Map：

每个位置

对应：

原图一个感受野中心

Anchor 中心：

放在这里。

---

4. Anchor 的尺度

每层定义：

scale

浅层：

小Anchor

深层：

大Anchor

---

5. Aspect Ratio

SSD 使用：

ratio
1:1
2:1
1:2
3:1
1:3

适应不同目标形状。

---

九、SSD 的 Dense Prediction

SSD 本质：

密集预测

即：

Feature Map每个位置都预测

---

十、SSD 与 YOLOv1 的区别

---

YOLOv1

---

显式 Grid

7×7

每个 Grid：

直接预测 bbox。

---

SSD

---

Feature Map 网格

隐式Grid

每个位置：

多个Anchor

预测：

Anchor修正量

---

十一、SSD 的预测过程

---

每个 Anchor 预测：

---

1. 分类

预测：

类别概率

例如：

• dog
• cat
• person
• background

---

2. 回归

预测：

dx
dy
dw
dh

即：

• 中心偏移
• 宽高缩放

---

十二、回归本质

SSD：

不直接预测绝对坐标

而是：

预测Anchor偏移

---

编码公式

Anchor：

(xa, ya, wa, ha)

GT：

(x, y, w, h)

训练目标：

---

解码公式

推理时：

恢复真实框。

---

十三、SSD 的 Head

SSD Head：

本质：

卷积预测器

通常：

3×3 Conv

直接输出：

• 分类
• 回归

---

举例

假设：

38×38

每点：

4个Anchor

类别：

21类

---

分类输出通道

4x21=84

输出：

38×38×84

---

回归输出通道

4x4=16

输出：

38×38×16

---

十四、SSD 为什么预测框数量巨大？

SSD300：

总 Anchor 数：

8732

远大于：

• YOLOv1

的：

98个框

---

为什么？

因为：

Dense Detection

需要：

高空间覆盖率

---

十五、正负样本匹配

训练时：

必须知道：

哪个Anchor负责哪个GT

---

使用 IoU

---

正样本

IoU > 0.5

---

负样本

IoU < 0.5

---

强制匹配

每个 GT：

至少匹配一个Anchor

即使：

IoU不够

也强制分配最佳 Anchor。

---

十六、SSD Loss

总损失：

---

1. 分类 Loss

通常：

Cross Entropy

---

2. 回归 Loss

通常：

Smooth L1 Loss

比 L2 更稳定。

---

十七、Hard Negative Mining

SSD 极其重要机制。

---

为什么需要？

8732 个 Anchor：

绝大多数：

都是背景

例如：

8700负样本
30正样本

---

SSD 做法

只保留：

最难负样本

保持：

负 : 正 = 3 : 1

---

十八、推理流程

---

1. Forward

输出：

• 分类
• 回归

---

2. Decode

恢复 bbox。

---

3. Score Filter

删除低分框。

---

4. NMS

删除重复框。

---

NMS流程

---

Step1 排序

按 score。

---

Step2 取最高分

---

Step3 删除高IoU框

例如：

IoU > 0.45

---

Step4 重复

直到结束。

---

十九、SSD 的优点

---

1. 速度快

Single Shot。

---

2. 结构简单

纯卷积。

---

3. 多尺度检测

比 YOLOv1 强。

---

4. Dense Prediction

召回率更高。

---

二十、SSD 的缺点

---

1. 小目标仍较弱

因为：

没有FPN

浅层语义不足。

---

2. Anchor太多

正负样本严重失衡。

---

3. Anchor设计复杂

需要：

• scale
• ratio

手工设计。

---

二十一、SSD 的历史意义

SSD 对后续影响巨大。

---

影响了：

• RetinaNet
• YOLOv3
• EfficientDet

---

SSD 奠定了：

---

1. Anchor-based Detection

---

2. Dense Prediction

---

3. Multi-scale Detection

---

4. One-Stage Detector

---

二十二、现代角度看 SSD

现在：

SSD 已不算 SOTA。

现代更多：

• YOLOv8
• RT-DETR
• RetinaNet

但：

SSD 是：

理解目标检测原理
最经典的入门算法

因为：

逻辑完整
结构清晰

非常适合理解：

• Anchor
• Dense Prediction
• 多尺度检测
• 正负样本匹配
• 回归机制
• NMS

这些现代检测核心思想。