SSD（單次多框偵測器）

SSD——Single Shot MultiBox Detector（Liu 等人，2016）——是一個單階段偵測器，其招牌構想是從多張不同解析度的特徵圖做預測，而不只是一張。它和 YOLO 一樣一次傳遞就偵測、沒有提議階段，但它直接攻擊 YOLO 在多尺度物件上的弱點，靠的是認識到 CNN 的不同層自然會「看見」不同大小的物件：淺層、高解析度的圖適合小物件；深層、低解析度的圖適合大物件。

具體而言，SSD 在一連串逐步縮小的特徵圖上（例如 38×38、19×19、10×10、5×5、3×3、1×1）接上小型卷積預測頭。在每張圖的每一格上，它鋪設一組數種長寬比的預設框（它對錨框的稱呼），由一個 3×3 卷積對每個預設框預測 C+1 個類別分數與 4 個框偏移。大特徵圖配小預設框抓小物件；小特徵圖配大預設框抓大物件。所有頭在一次前向傳遞中一起發射；最後由 NMS 清理。

訓練採用以 IoU 為基礎的匹配（每個真實框匹配最佳的預設框，外加任何 IoU > 0.5 者），並使用結合 softmax 分類與 smooth-L1 定位的損失。一個關鍵成分是難負樣本挖掘（hard negative mining）：由於絕大多數預設框都是背景，SSD 只保留最難的負樣本，使正負比約為 1:3，避免容易的背景淹沒損失——這正是後來 focal loss 以更優雅方式處理的同一個失衡問題。

SSD 在當時擊中速度與準確度的甜蜜點（SSD300 約 59 fps，SSD512 較準但較慢），並推廣了多尺度特徵的構想，而 FPN 很快以由上而下的連接將其一般化。它主要殘留的弱點是小物件，因為它最淺的特徵圖仍缺乏強烈的語意特徵——這正是特徵金字塔網路所要彌合的缺口。