SSD（单次多框检测）：实时目标检测中的多尺度融合框架与技术实践(二)

SSD 的网络结构以经典深度卷积网络为基础，通过 “基础网络 + 额外卷积层 + 多检测层” 的架构实现多尺度特征提取与检测，其结构设计既兼顾了特征表达能力，又通过精简计算确保实时性。早期 SSD 采用 VGG16 作为基础网络，VGG16 的深度卷积结构（13 个卷积层、3 个全连接层）能够有效提取图像的多层级特征，但为适配检测任务，SSD 对 VGG16 进行了针对性改造：移除最后两个全连接层与一个最大池化层，避免特征分辨率过度降低；将原本用于分类的全连接层替换为卷积层，使网络输出保持空间维度（而非向量形式），为后续多尺度特征图提取奠定基础。在基础网络之后，SSD 添加了多个轻量化卷积层（通常为 3×3 卷积核），这些额外卷积层的作用是逐步降低特征图分辨率、扩大感受野，同时保持通道数稳定（如 256 或 512 通道），最终生成 6 个不同尺度的检测层（如 38×38、19×19、10×10 等分辨率），每个检测层的特征图均用于输出分类与回归结果。

为进一步提升实时性与适配移动端场景，后续研究者提出了 SSD 的轻量版本 ——SSD Lite，其核心是将基础网络从 VGG16 替换为 MobileNet（如 MobileNet v1、v2）。MobileNet 采用 “深度可分离卷积” 技术，将传统 3×3 卷积拆分为 “深度卷积”（逐通道卷积，提取通道内特征）与 “点卷积”（逐点 1×1 卷积，融合通道间特征），在保持特征表达能力的前提下，将计算量与参数量降低至传统卷积的 1/8~1/9。SSD Lite 的结构设计与标准 SSD 一致，但凭借 MobileNet 的轻量化特性，其推理速度较标准 SSD 提升 3~5 倍，可在手机、嵌入式设备（如树莓派、Jetson Nano）上实现 30fps 以上的实时检测，为移动端目标检测应用（如手机拍照识别、移动安防）提供了可行方案。

SSD 的训练与推理流程围绕 “多尺度特征匹配” 与 “损失优化” 展开，每个环节的设计均服务于精度与速度的平衡。在训练阶段，首先需构建包含目标标注（类别与边界框坐标）的数据集（如 PASCAL VOC、COCO），并对图像进行预处理（如 Resize 至固定尺寸，如 300×300 或 512×512；进行随机裁剪、水平翻转、亮度调整等数据增强，提升模型鲁棒性）。随后进行先验框与真实框的匹配：对每个检测层的所有先验框，计算其与每个真实框的 IoU，将 IoU 大于阈值（通常为 0.5）的先验框标记为正样本（需学习目标类别与位置偏移），IoU 小于阈值（通常为 0.1~0.3）的标记为负样本（仅需学习 “背景” 类别），同时为避免正负样本比例失衡（负样本数量远多于正样本），采用 “难负样本挖掘” 策略，仅保留分类损失较大的负样本，使正负样本比例维持在 1:3 左右，确保训练过程稳定。损失函数则分为分类损失与回归损失两部分：分类损失采用交叉熵损失，用于优化目标类别的判断精度；回归损失采用平滑 L1 损失，用于优化边界框的位置偏移，两者通过权重系数结合，共同指导模型参数更新。