SSDとは

SSD（Single Shot MultiBox Detector）は、Wei Liuらが2016年の国際会議ECCVで発表した物体検出モデルです。名前の「Single Shot」は、画像をネットワークに1回通すだけで検出を終えることを表しています。YOLOと並ぶ、1段階型（ワンステージ）の代表的なモデルです。

しくみ

土台には、画像分類用のVGG16を使います。その後ろに畳み込み層を重ね、段階的に小さくなる特徴マップを作ります。

それぞれの特徴マップの各位置には、大きさや縦横比の異なる基準の枠（デフォルトボックス）を複数置きます。ネットワークは、枠ごとに、物体に合わせるための位置のずれと、各クラスのスコアを予測します。最後に、同じ物体に重なった枠を非最大値抑制（NMS）で整理して、結果を決めます。

複数の解像度で検出する理由

浅い層の特徴マップは解像度が高く、細かな位置の情報を残しています。深い層の特徴マップは解像度が低い代わりに、1つの位置が画像の広い範囲を表します。SSDは、小さな物体を浅い層の大きな特徴マップで、大きな物体を深い層の小さな特徴マップで検出するように、役割を分けました。

最初のYOLOは、最後の層の7×7の粗いグリッドから予測していました。SSDは複数の特徴マップを使うことで、さまざまな大きさの物体に対応しやすくしています。

位置づけ

論文では、最初のYOLOより速くて精度も高く、Faster R-CNNと同等以上の精度をはるかに速い速度で達成したと報告されています。一方、小さな物体の検出は大きな物体より苦手だと、論文自身が分析しています。浅い層の特徴だけでは物体の意味をつかみにくいことが一因とされ、深い層の情報を浅い層へ戻すFPNなどの手法で改善が図られました。

覚え方

「1回で見る（Single Shot）、大小の地図で分担して探す」と覚えます。