单阶段检测器（Single Shot Detector）能够同时预测默认框（default boxes）的类别和回归偏移量（regression offsets）。尽管该结构具有较高的检测效率，但仍存在一些设计上的不合理之处：（1）在推理过程中，将默认框的分类结果错误地分配给了经过回归调整后的框；（2）仅进行一次回归不足以实现精确的目标检测。为解决第一个问题，本文提出了一种新型的回归偏移-分类模块（reg-offset-cls, ROC），该模块包含三个层次化步骤：框回归、特征采样位置预测，以及利用偏移位置特征对回归后的框进行分类。为进一步解决第二个问题，本文进一步提出了分层单阶段检测器（Hierarchical Shot Detector, HSD），该结构由两个ROC模块和一个特征增强模块堆叠而成。第二个ROC模块将第一个ROC模块输出的回归框及其特征采样位置作为输入，从而实现更精细的检测。同时，位于两个ROC模块之间的特征增强模块旨在提取局部与非局部上下文信息，以提升特征表达能力。在MS COCO和PASCAL VOC数据集上的实验结果表明，所提出的HSD方法具有显著优势。在不依赖任何额外技巧（bells and whistles）的前提下，HSD在实时检测速度下超越了所有现有的单阶段检测方法，展现出卓越的性能与效率平衡。