• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于關(guān)鍵點的遙感圖像艦船目標(biāo)檢測

    2022-08-17 09:44:36楊小岡盧瑞濤謝學(xué)立
    關(guān)鍵詞:中心點艦船注意力

    張 濤, 楊小岡, 盧瑞濤, 謝學(xué)立, 劉 闖

    (火箭軍工程大學(xué)導(dǎo)彈工程學(xué)院, 陜西 西安 710025)

    0 引 言

    艦船目標(biāo)定位和監(jiān)測在海洋環(huán)境感知、敵情偵察、海運管理等軍事和民用領(lǐng)域發(fā)揮著重要作用,是遙感圖像智能處理領(lǐng)域的研究熱點和重點[1]。在大范圍、高分辨率的光學(xué)遙感圖像中,艦船目標(biāo)背景復(fù)雜多變,多種類的艦船目標(biāo)常以任意方向密集排列,類內(nèi)差異小,導(dǎo)致通常的檢測模型具有局限性,因此高分辨率可見光遙感圖像艦船目標(biāo)檢測成為一項極大的挑戰(zhàn)[2]。

    遙感圖像中艦船目標(biāo)的排列方式不同于一般圖像目標(biāo),艦船目標(biāo)在圖像中呈任意方向排列,復(fù)雜背景嚴(yán)重干擾目標(biāo)識別。同時,遙感圖像中艦船目標(biāo)長寬比大,影響著傳統(tǒng)檢測方法對艦船目標(biāo)的識別和精確檢測[3]。通用的目標(biāo)檢測算法中采用水平框標(biāo)記目標(biāo),但艦船目標(biāo)檢測采用水平框,會存在大面積背景干擾,導(dǎo)致不同目標(biāo)框間的重疊區(qū)域過大,引起回歸不準(zhǔn)確的情況,且在后處理非極大值抑制階段,因重疊過高會造成部分艦船目標(biāo)漏檢[4]。針對艦船目標(biāo)特性,本文采用目標(biāo)最小外接矩形框(旋轉(zhuǎn)框)標(biāo)記目標(biāo),有利于獲得艦船目標(biāo)精確的邊界信息,還能反映出艦船尺度、長寬比等信息用于后續(xù)艦船目標(biāo)方向和隊形識別。

    隨著深度學(xué)習(xí)技術(shù)在目標(biāo)檢測任務(wù)中廣泛應(yīng)用,任意方向遙感圖像艦船目標(biāo)的檢測越發(fā)受到關(guān)注。光學(xué)遙感圖像艦船目標(biāo)的旋轉(zhuǎn)框檢測方法大多都是通過場景文本檢測以及通用目標(biāo)檢測轉(zhuǎn)化而來。文獻[5]在單激發(fā)多框探測器(single shot multibox detector,SSD)基礎(chǔ)上添加反卷積和池化特征模塊融合深淺層信息,以增強目標(biāo)特征之間的關(guān)聯(lián)實現(xiàn)艦船目標(biāo)檢測。文獻[6]提出雙向特征融合機制,通過語義聚合模塊將高層信息融合到低層,再將低層特征圖平均處理作為高層注意力權(quán)重圖進行加權(quán),實現(xiàn)特征融合提高檢測精度。文獻[7]針對遙感圖像中艦船目標(biāo)的長寬比和排列方式,重新設(shè)置錨框的比例和數(shù)量,有效改善了艦船目標(biāo)檢測的速度和精度,面對復(fù)雜背景魯棒性也較強。文獻[8]改進YOLOV3網(wǎng)絡(luò),引入對艦船目標(biāo)比例和形狀自適應(yīng)的可形變卷積,優(yōu)化Resnet變體結(jié)構(gòu)并采用ShuffleNetv2輕量化思想實現(xiàn)艦船目標(biāo)檢測,提升目標(biāo)檢測速度。這些方法都是直接將通用目標(biāo)檢測方法遷移到艦船目標(biāo)檢測,未考慮到艦船密集排列時,用水平框標(biāo)記艦船會導(dǎo)致目標(biāo)重疊造成漏檢,且任意方向的艦船目標(biāo)存在較大長寬比,水平框會造成檢測精度受限。為了解決水平框標(biāo)記艦船目標(biāo)存在的問題,文獻[9]采用旋轉(zhuǎn)框?qū)ε灤繕?biāo)進行定位,在旋轉(zhuǎn)興趣區(qū)域中引入特征金字塔池化模塊對不同尺度的特征進行提取和融合,實現(xiàn)感興趣區(qū)域的分類以及艦船目標(biāo)的精確定位。文獻[10]提出了旋轉(zhuǎn)池化模塊用于提取旋轉(zhuǎn)目標(biāo)特征,以及旋轉(zhuǎn)邊框回歸模塊用于回歸艦船目標(biāo)的5個要素,并針對多類別提出多任務(wù)的非極大值抑制實現(xiàn)艦船檢測。文獻[11]提出了一種旋轉(zhuǎn)框檢測器(rotatable bounding box regression,DRBox),DRBox能夠正確輸出目標(biāo)的方位角,可以準(zhǔn)確識別任意方向的艦船目標(biāo),并且生成相應(yīng)的旋轉(zhuǎn)框,對于多角度艦船目標(biāo)的定位非常有效,與Faster R-CNN、SSD相比有較大的提升。文獻[12]將水平感興趣區(qū)域(region of interest,RoI)轉(zhuǎn)換為旋轉(zhuǎn)感興趣區(qū)域,有效地緩解了RoI與艦船目標(biāo)間的偏差,還可以減少用于定向物體檢測的錨框數(shù)量,以促進后續(xù)分類和回歸。文獻[13]提出了旋轉(zhuǎn)區(qū)域建議網(wǎng)絡(luò)用于生成具有艦船方位角信息的建議,為使旋轉(zhuǎn)區(qū)域建議準(zhǔn)確,回歸了邊界框的方位角,并在分類子網(wǎng)絡(luò)中加入旋轉(zhuǎn)感興趣池化層提取特征,進行有效的目標(biāo)定位和分類。這些工作考慮到艦船目標(biāo)特性,采用旋轉(zhuǎn)框檢測,同時為了提高檢測精度設(shè)置了不同比例的錨框,但遍歷錨框需要提前設(shè)置錨框的比例大小,存在超參數(shù)多、計算量大的問題。為了減少計算成本提高檢測速度,文獻[14]增加一條角度預(yù)測分支,基于深淺層融合的特征圖送到旋轉(zhuǎn)框大小及角度等預(yù)測分支,并采用旋轉(zhuǎn)非極大抑制適應(yīng)目標(biāo)旋轉(zhuǎn)框的檢測。文獻[14]避免了基于RCNN框架旋轉(zhuǎn)錨框成倍增加和旋轉(zhuǎn)非極大值抑制增加的計算復(fù)雜性,通過預(yù)測每個目標(biāo)內(nèi)部的一對中間線實現(xiàn)檢測,將目標(biāo)線段定義為原始旋轉(zhuǎn)邊界框標(biāo)記的兩條對應(yīng)的中間線,無需額外手動標(biāo)記。文獻[15]提出一種自底向上的單階段無錨檢測模型X-LineNet,將任務(wù)描述為檢測每個目標(biāo)內(nèi)部的兩條相交線段,并將其分組,而無需任何矩形區(qū)域分類。這幾種方法都是無錨框任意方向檢測的網(wǎng)絡(luò),擺脫錨框遍歷機制,提高了檢測速度,但這些方法中使用的特征不具備旋轉(zhuǎn)不變性,性能仍落后于基于錨框的檢測。

    基于以上方法中存在的局限性,受CenterNet模型[16]啟發(fā),考慮到任意方向排列的艦船中心點不受方向影響,提出一種單階段無錨框的關(guān)鍵點遙感圖像艦船目標(biāo)檢測算法,通過估計中心點位置實現(xiàn)遙感圖像任意方向艦船目標(biāo)檢測。算法擺脫錨框遍歷機制,并采用深度可分離卷積,減少參數(shù)量,提升模型檢測速度。此外,算法還結(jié)合方向不變模型和無參注意力機制,增強對特征的表達能力,提升模型檢測精度,最終達到檢測速度和精度平衡。

    本文的主要貢獻包括:

    (1) 提出了一種單階段無錨框的旋轉(zhuǎn)框艦船目標(biāo)檢測框架,擺脫錨框遍歷機制,提升了模型計算速度;

    (2) 為了緩解主干網(wǎng)絡(luò)生成的特征不具備旋轉(zhuǎn)不變性造成的不一致性,引入一種OIM用來生成方向不變特征圖;

    (3) 引入SimAM無參注意力機制,并結(jié)合降低計算冗余的深度可分離卷積,增強對艦船目標(biāo)的關(guān)注度;

    (4) 采用可形變卷積來解決多種形式目標(biāo)幾何變換問題;并將提取的特征圖輸入到檢測分支中,完成中心點、目標(biāo)寬高和角度的回歸;最終設(shè)置組合損失函數(shù)對模型訓(xùn)練優(yōu)化。

    1 基于關(guān)鍵點的遙感圖像艦船目標(biāo)檢測

    1.1 算法整體框架

    本文提出關(guān)鍵點的遙感圖像艦船目標(biāo)檢測方法,是一種端到端的anchor free關(guān)鍵點估計算法,整體框架如圖1所示。首先使用嵌入OIM的主干網(wǎng)絡(luò)[17]生成特征圖,并引入深度可分離卷積,結(jié)合SimAM無參注意力機制[18]增強對目標(biāo)的表征;然后在特征圖上估計艦船目標(biāo)中心點;最后回歸出每個中心點對應(yīng)特征圖上中心點處偏移量、目標(biāo)大小及角度。

    圖1 基于關(guān)鍵點的遙感圖像艦船目標(biāo)檢測方法結(jié)構(gòu)圖Fig.1 Structure diagram of key-point based method for ship detection in remote sensing images

    1.2 特征提取網(wǎng)絡(luò)

    令輸入圖像為I∈RW×H×3,經(jīng)過特征提取網(wǎng)絡(luò),最終得到的特征圖大小為F∈R(W/s)×(H/s)×N,其中W、H為圖片的寬和高,s為尺寸縮放比例,N為檢測目標(biāo)數(shù)。受CenterNet網(wǎng)絡(luò)啟發(fā)[16],當(dāng)前用于關(guān)鍵點估計的提取特征主干網(wǎng)絡(luò)有Resnet、特征聚合體系(deep layer aggregation,DLA)[19]以及Hourglass Network[20]。Resnet內(nèi)部殘差塊跳躍連接,當(dāng)增加網(wǎng)絡(luò)寬度和深度的時候能提升網(wǎng)絡(luò)的性能,以往的bottleneck、residual block等模塊從串聯(lián)形式到跳躍連接形式,但結(jié)構(gòu)仍過于單一。DLA深度網(wǎng)絡(luò)特征融合的方法通過迭代聚合(iterative deep aggregation,IDA)和分層聚合(hierarchical deep aggregation,HAD)結(jié)構(gòu)進一步擴展單一的跳躍結(jié)構(gòu),能夠在深層網(wǎng)絡(luò)終融合語義和空間信息。Hourglass是姿態(tài)估計專用網(wǎng)絡(luò),由兩個連續(xù)的沙漏模塊組成,每個沙漏模塊包括5對具有跳躍連接的向下和向上卷積網(wǎng)絡(luò),能夠捕捉關(guān)鍵點的空間位置信息。實驗證明,Hourglass產(chǎn)生更好的關(guān)鍵點估計性能,但Hourglass網(wǎng)絡(luò)參數(shù)量多,計算量大。

    為兼顧網(wǎng)絡(luò)檢測過程的精度和速度平衡,本文采用DLASeg網(wǎng)絡(luò)為提取特征的主干網(wǎng)絡(luò),DLASeg在DLA網(wǎng)絡(luò)的基礎(chǔ)上使用可形變卷積和Upsample層組合進行信息提取。DLASeg核心是DLAUP和IDAUP,這兩個類中都使用了Deformable Convolution可變形卷積以及ConvTranspose2d進行上采樣。同時,考慮遙感圖像艦船目標(biāo)是任意方向密集排列的,但主干網(wǎng)絡(luò)生成的特征不具備旋轉(zhuǎn)不變性,因此在DLASeg網(wǎng)絡(luò)中引入OIM。為了進一步減少計算量,在DLASeg網(wǎng)絡(luò)中引入深度可分離卷積并插入SimAM無參注意力機制來提升對艦船目標(biāo)的關(guān)注度。改進的特征提取網(wǎng)絡(luò)如圖2所示。

    圖2 優(yōu)化的特征提取網(wǎng)絡(luò)Fig.2 The architecture of the feature extraction network

    1.2.1 DLASeg網(wǎng)絡(luò)

    不同于Resnet網(wǎng)絡(luò)融合方式僅限簡單的疊加,DLA結(jié)構(gòu)采用DenseNet和特征金字塔思想,通過將不同stage、block的網(wǎng)絡(luò)結(jié)構(gòu)迭代式融合語義信息和空間特征,提高檢測精度。將IDA和HAD組合,形成DLA結(jié)構(gòu)如圖3所示。

    圖3 DLASeg結(jié)構(gòu)圖Fig.3 Structure diagram of DLASeg

    1.2.2 SimAM注意力機制

    注意力機制常被引入各種網(wǎng)絡(luò)中提升模型性能。通道注意力(squeeze-and-excite,SE)[21]通過激勵-擠壓操作,生成2維特征圖來構(gòu)建通道的依賴性;輕量的注意力模塊(convolutional block attention module,CBAM)注意力機制進一步將大尺度核卷積引入空間信息進行編碼[22];但是SimAM不同于現(xiàn)有空間和通道注意力模塊,它不是簡單的將空域和通道注意力并聯(lián)或者串聯(lián)。3D注意力模塊SimAM受“人腦中兩種注意力同時工作”啟發(fā),設(shè)計了一種能量函數(shù)來發(fā)掘每個神經(jīng)元的重要性,即計算注意力權(quán)值,相比于其他注意力模塊,沒有額外參數(shù),使用靈活有效,如圖4所示。

    圖4 3D注意力權(quán)值圖Fig.4 Diagram of three dimenisonal attention weight

    一般來說,人腦中激活神經(jīng)元會抑制周圍神經(jīng)元,即空域抑制,對于空域抑制的神經(jīng)元應(yīng)該賦予更高的權(quán)重,因此SimAM的能量函數(shù)為

    (1)

    式中:t,xi分別為單一通道中輸入特征的目標(biāo)神經(jīng)元和其他神經(jīng)元;(wtxi+bt)和(wtt+bt)是在t,xi上的線性變換;M=H×W為通道上神經(jīng)元的數(shù)量。通過計算出wt,bt的解析解,以及通道中所有神經(jīng)元的均值和方差,得到最小能量公式為

    (2)

    由式(2)可知,能量越低,t神經(jīng)元和其他神經(jīng)元的區(qū)別越大,越重要。SimAM模塊最終優(yōu)化為

    (3)

    1.2.3 OIM模塊

    遙感圖像艦船目標(biāo)是任意方向的,組成DLASeg網(wǎng)絡(luò)的普通線性卷積本身不具備旋轉(zhuǎn)不變性,網(wǎng)絡(luò)的旋轉(zhuǎn)不變性僅來自于數(shù)據(jù)增強和多重池化操作,故網(wǎng)絡(luò)應(yīng)對旋轉(zhuǎn)目標(biāo)的檢測能力較弱。為提高主干網(wǎng)絡(luò)對于旋轉(zhuǎn)目標(biāo)的適應(yīng)能力,本文引入OIM來緩解不一致性。該模型由主動旋轉(zhuǎn)濾波器(active rotating filters, ARFs)和定向響應(yīng)池化(oriented response pooling, ORPooling)模塊組成。ARFs能夠主動旋轉(zhuǎn)生成方向和位置編碼的特征圖,使用ARFs模塊的網(wǎng)絡(luò)能夠產(chǎn)生類內(nèi)旋轉(zhuǎn)不變深度特征。ARFs是一個k×k×n的filter,在生成特征圖的卷積網(wǎng)絡(luò)中會旋轉(zhuǎn)N-1次。輸入I的第i個方向輸出為

    (4)

    (5)

    最終得到旋轉(zhuǎn)不變的特征圖。此外,OIM只引入了一個卷積層和少量的參數(shù),幾乎不影響訓(xùn)練和推理的速度。

    1.3 中心點及大小偏移量回歸

    (6)

    高斯核函數(shù)f(x,y)將關(guān)鍵點(中心點)映射到特征圖C∈R(W/s)×(H/s)×N。

    在訓(xùn)練過程中,熱力圖上只有中心點是正樣本,而所有其他點均為負樣本,這可能導(dǎo)致正樣本和負樣本之間的巨大不平衡。為了緩解正負樣本不平衡問題,使用focal loss對網(wǎng)絡(luò)進行優(yōu)化訓(xùn)練:

    (7)

    (8)

    (9)

    式中:Ock為預(yù)測中心點處偏移量;ck為中心點預(yù)測值;centerk/s-ck為中心點坐標(biāo)偏移量;Sc k為回歸艦船目標(biāo)大小角度;Sk為原圖目標(biāo)的尺寸大小角度。

    2 關(guān)鍵點艦船目標(biāo)檢測實驗數(shù)據(jù)

    2.1 數(shù)據(jù)集準(zhǔn)備

    HRSC2016是遙感圖像中艦船目標(biāo)變化范圍和尺度較大的數(shù)據(jù)集,包含Google Earth 上6個著名港口的圖像。分辨率從2 m到0.4 m不等,圖像大小大部分為1 000像素×600像素。訓(xùn)練集、驗證集和測試集分別為436張、181張和444張,包含1 207、514、1 228個艦船目標(biāo)樣本,含有3個級別任務(wù)(單類艦船目標(biāo)的檢測、4類艦船目標(biāo)類別識別和19類艦船型號識別)。

    據(jù)統(tǒng)計,遙感圖像艦船目標(biāo)數(shù)據(jù)集HRSC2016圖片中艦船目標(biāo)變化尺度范圍較大,圖5(a)為訓(xùn)練集艦船目標(biāo)的寬高特性,其中艦船目標(biāo)高為300~400像素的占所有寬高的33.56%,目標(biāo)寬的像素在100內(nèi)占83%左右。圖5(b)為訓(xùn)練集中艦船目標(biāo)占圖片面積的比例,有162張、122張圖像中艦船目標(biāo)面積分別占圖片總面積的37%、28%左右,說明數(shù)據(jù)集中艦船目標(biāo)相對較大。相比其他遙感數(shù)據(jù)集,HRSC2016數(shù)據(jù)集圖片本身的大小也很小,圖5(c)中圖片寬或高像素在1 200~1 300的圖片本身僅占訓(xùn)練集的0.34%,且艦船寬或高像素不超過1 400。

    圖5 HRSC2016數(shù)據(jù)集特性分析Fig.5 Analysis of HRSC2016 dataset characteristic

    本文構(gòu)建了一個新的遙感圖像艦船目標(biāo)數(shù)據(jù)集RFUE2021,主要由Google Earth港口圖像、HRSC2016數(shù)據(jù)集部分圖像以及FGSD2021數(shù)據(jù)集[23]部分圖像共同組成,共10 296張數(shù)據(jù)集,其中訓(xùn)練集9 261張、測試集1 035張,數(shù)據(jù)集包含航母、黃蜂級、提康德羅加級、阿利·伯克級、佩里級、獨立級、潛艇等20種類別,含有2個級別任務(wù)(單類艦船目標(biāo)的檢測和19類艦船型號識別)。圖像大小的范圍在200~8 000左右,利用Labelimg2標(biāo)注艦船邊框,標(biāo)注信息有目標(biāo)中心點坐標(biāo)、寬、高以及弧度信息。本文使用RFUE2021數(shù)據(jù)集的單類艦船目標(biāo)的檢測任務(wù),數(shù)據(jù)集部分樣本如圖6所示。

    圖6 RFUE2021數(shù)據(jù)集部分示例Fig.6 Partial sample of RFUE2021 dataset

    2.2 標(biāo)注方式

    水平框標(biāo)注如圖7(a)所示,任意方向的船舶通常具有較大的長寬比和密集停泊,使用水平邊界框的NMS算法容易產(chǎn)生漏檢,因此使用水平邊界框不適用于任意方向的船舶檢測任務(wù)。為此,采用旋轉(zhuǎn)邊界框標(biāo)注艦船,使用5元組(cx,cy,w,h,θ)參數(shù)化,其中(cx,cy)是旋轉(zhuǎn)邊界框中心的坐標(biāo),w,h是船舶的寬度和長度。如圖7(b)所示,采用旋轉(zhuǎn)框標(biāo)注方式能夠更好地貼合艦船目標(biāo)邊界,不會引入過多的背景噪聲。

    圖7 任意方向艦船目標(biāo)標(biāo)注形式Fig.7 Different representations of arbitrary-oriented ship target

    2.3 實驗損失函數(shù)設(shè)置

    本文設(shè)置的組合損失函數(shù)Lloss主要由中心點預(yù)測損失Lc,中心點處偏移損失Lco以及艦船目標(biāo)寬高角度損失Lsize組成:

    Lloss=Lc+λcoLco+λsizeLsize

    (10)

    參照CenterNet網(wǎng)絡(luò),設(shè)置中心點偏移損失權(quán)重λco=0.1,目標(biāo)尺度損失權(quán)重λsize=0.1。

    2.4 評價指標(biāo)

    本文采用遙感領(lǐng)域?qū)S霉ぞ呦銬OTA_devkit計算旋轉(zhuǎn)IOU,進一步得到旋轉(zhuǎn)框的mAP。DOTA_devkit工具箱包含大面積圖像裁剪,檢測結(jié)果可視化和結(jié)果測評等功能。評價模型好壞,首先需要計算準(zhǔn)確率(precision)和召回率(recall):

    (11)

    (12)

    式中:TP為檢測正確的艦船數(shù);FN為漏檢的艦船數(shù)。

    準(zhǔn)確率和召回率是一對矛盾的度量,需要找到平衡點來度量模型好壞,對于二分類問題,F1度量是準(zhǔn)確率和召回率的調(diào)和平均,即:

    (13)

    AP是準(zhǔn)確率和召回率下的面積,AP綜合考慮準(zhǔn)確率和召回率的影響,反映模型對某個類別識別的好壞,取所有類別AP的平均值為mAP,衡量的是在所有類別上的平均好壞程度。

    (14)

    評價模型的檢測速度指標(biāo)為每秒幀數(shù)(frame per second, FPS)。FPS、F1度量、mAP值越大,表明檢測速度和精度越高。F1度量的大小反應(yīng)了模型的穩(wěn)定性,數(shù)值越大越穩(wěn)定。

    3 關(guān)鍵點艦船目標(biāo)檢測實驗結(jié)果

    3.1 實驗環(huán)境

    本文方法用Pytorch深度學(xué)習(xí)框架實現(xiàn),硬件環(huán)境為Intel Core i7 CPU、GEFORCE RTX 2080Ti。輸入圖像大小調(diào)整為512像素×512像素,使用Adam方法作為優(yōu)化器,在COCO數(shù)據(jù)集上測試的權(quán)重文件,遷移到本網(wǎng)絡(luò)進行230epoch訓(xùn)練,學(xué)習(xí)率分別在第180epoch、第210epoch時下降為原來的十分之一。訓(xùn)練過程中使用隨機旋轉(zhuǎn)、隨機翻轉(zhuǎn)和顏色抖動來增強數(shù)據(jù)。使用IoU閾值為0.15的旋轉(zhuǎn)非極大抑制來去除重復(fù)的檢測,其他具體參數(shù)如表1所示。

    表1 實驗環(huán)境參數(shù)配置

    3.2 關(guān)鍵點目標(biāo)檢測實驗結(jié)果

    本文按照CenterNet網(wǎng)絡(luò)設(shè)置,在Resnet、Resnet_dcn、DLASeg、Hourglass主干網(wǎng)絡(luò)以及本文方法(Ours)(輸入尺寸515×512)上進行實驗驗證,以便能更好地評估基于關(guān)鍵點的艦船目標(biāo)檢測算法。在RFUE2021數(shù)據(jù)集上具體實驗結(jié)果如表2所示。

    表2 實驗環(huán)境參數(shù)配置

    由表2可知,基于關(guān)鍵點的艦船目標(biāo)檢測方法在Res18_dcn、DLASeg、Hourglass以及Ours上驗證的mAP分別為62.34%、71.52%、73.18%、77.96%,在經(jīng)過多次訓(xùn)練后,發(fā)現(xiàn)使用Hourglass主干網(wǎng)絡(luò)的精度達到了73.18%,但是由于Hourglass的參數(shù)量大、計算緩慢,檢測速度僅為13.6FPS。本文為了兼顧檢測速度和精度的平衡,選擇DLASeg為主干網(wǎng)絡(luò)進行改進,輸入為512×512時本文方法(Ours)相比于其他網(wǎng)絡(luò),檢測性能明顯提高,更加關(guān)注目標(biāo)信息,mAP分別提升了15.62%、6.44%,4.82%,檢測速度也達到了41.2FPS。本文相繼插入SimAM模塊和OIM模塊,檢測速度相比簡單的DLASeg略有降低,但仍能滿足遙感圖像艦船目標(biāo)的實時檢測。同時,本文方法(Ours)(輸入尺寸515×512)的F1度量為81.56%,說明了方法的穩(wěn)定性。

    以上網(wǎng)絡(luò)在本次實驗中訓(xùn)練優(yōu)化的損失函數(shù)曲線如圖8所示。圖中的loss值為組合損失函數(shù)Lloss值進行對比,Lloss值是由中心點預(yù)測損失、中心點處偏移及目標(biāo)尺度角度損失,加上不同的權(quán)重得到的。實驗共有230 epoch,在第180和210 epoch時分別降低了學(xué)習(xí)率,圖8中在第180 epoch后所有網(wǎng)絡(luò)的損失函數(shù)逐漸基于穩(wěn)定。由于學(xué)習(xí)特征能力較弱,Res18_dcn 網(wǎng)絡(luò)損失函數(shù)初始值較大; Hourglass相比DLA網(wǎng)絡(luò)損失函數(shù)值更低,但是由于Hourglass參數(shù)量多,損失函數(shù)下降過程中略有小幅度的波動;Ours_loss損失函數(shù)值明顯的低于其他網(wǎng)絡(luò),并且擬合過程平穩(wěn)、收斂效果較好。

    圖8 艦船目標(biāo)檢測損失函數(shù)曲線圖Fig.8 Loss function curve of ship target detection

    圖9是在RFUE2021數(shù)據(jù)集上采用Res18_dcn、DLASeg、Hourglass主干網(wǎng)絡(luò)以及Ours方法對比得到的艦船目標(biāo)實驗結(jié)果圖。其中,紅色點為檢測艦船目標(biāo)的中心點。圖9(a)中以Res18_dcn為主干網(wǎng)絡(luò)的實驗結(jié)果圖,由于學(xué)習(xí)特征的能力較弱,導(dǎo)致部分艦船目標(biāo)誤檢;圖9(c)以Hourglass主干網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)多次pooling、upsampling操作,檢測性能好,誤檢和漏檢相對較少;考慮Hourglass網(wǎng)絡(luò)的參數(shù)量多,在DLASeg結(jié)構(gòu)上優(yōu)化得到本文方法,檢測結(jié)果如圖9(d)所示,能夠精準(zhǔn)地定位中心點和目標(biāo)框的位置,實現(xiàn)了艦船目標(biāo)的有效檢測。

    圖9 基于關(guān)鍵點的艦船目標(biāo)檢測結(jié)果圖Fig.9 Result of key-point based method for ship target detection

    3.3 對比其他檢測方法實驗結(jié)果

    為了進一步驗證本文方法的有效性,將本文方法與其他具有代表性的艦船目標(biāo)檢測算法R2CNN、RetinaNet-Rbb、RoI-Trans等在RFUE2021和HRSC2016數(shù)據(jù)集上分別進行對比實驗。為了對比公平,使用DOTA數(shù)據(jù)集相同的默認參數(shù)設(shè)置,使用了相同的數(shù)據(jù)形變、擴充策略,并在實驗中設(shè)置相同的epoch多次訓(xùn)練。在RFUE2021數(shù)據(jù)集上實驗結(jié)果如表3所示。

    表3 各種算法性能對比

    從表3可以看出,圖像輸入大小統(tǒng)一為512像素×512像素時,本文優(yōu)化算法(Ours)檢測精度達到77.96%,相比R2CNN、Retinanet-Rbb、SCRDet、CSL、DCL、R3Det、RSDet、S2A-Net、CenterNet-Rbb(DLA34)等其他經(jīng)典算法,精度分別提升了2.87%、7.47%、5.06%、7.23%、7.62%、10.49%、7.22%、0.77%、6.14%。其中,S2A-Net將多層特征融合到有效的錨點采樣中,提高對小目標(biāo)的靈敏度,通過抑制噪聲和突出物體特征,共同探索有監(jiān)督的像素注意力網(wǎng)絡(luò)和通道注意力網(wǎng)絡(luò),對小而雜亂的艦船目標(biāo)檢測良好,因此在RFUE2021數(shù)據(jù)集上檢測精度為77.19%。在RFUE2021數(shù)據(jù)集上各種算法實驗結(jié)果如圖10所示。

    圖10(c)中,S2A-Net相比R3Det和R2CNN算法對雜亂的小艦船目標(biāo)檢測效果較好;圖10(a)和圖10(b)中R3Det、R2CNN檢測會有部分目標(biāo)漏檢和誤檢,且R2CNN方法對艦船小目標(biāo)較差。本文方法不受密集場景的影響,能夠定位出中心點和目標(biāo)框的精確位置,具有較好的魯棒性。

    為了進一步驗證算法,在HRSC2016數(shù)據(jù)集上與其他艦船目標(biāo)檢測算法對比實驗,檢測結(jié)果如表4所示。

    表4 HRSC2016數(shù)據(jù)集上實驗結(jié)果

    在HRSC2016數(shù)據(jù)集上對比不同艦船目標(biāo)檢測算法,ROI-Trans將水平感興趣區(qū)域轉(zhuǎn)換為旋轉(zhuǎn)感興趣區(qū)域,減少旋轉(zhuǎn)錨框的設(shè)計,檢測精度由R2CNN網(wǎng)絡(luò)驗證獲取的73.1%提升至86.2%;RSDet引入4個角點坐標(biāo),避免角度參數(shù)引起的損失不連續(xù)性,檢測精度達到了86.5%;本文方法與以上幾種艦船目標(biāo)檢測算法對比,擺脫錨框設(shè)計,輸入大小為1 024像素×1 024像素時,檢測精度達到了86.7%,表現(xiàn)最佳。

    3.4 消融實驗

    本文分別引入降低計算量的深度可分離卷積、增加目標(biāo)關(guān)注度的SimAM無參注意力模塊,以及生成方向不變特征圖的OIM模型,來提升艦船目標(biāo)檢測精度,在RFUE2021數(shù)據(jù)集設(shè)計消融實驗進行實驗驗證,實驗結(jié)果如表5所示。

    表5 消融實驗結(jié)果

    由表5可知,將普通卷積換成深度可分離卷積,降低了計算量,檢測速度從41.09FPS提升至43.56FPS;SimAM注意力模塊不引入額外參數(shù),對計算速度幾乎沒有影響,增加了對艦船目標(biāo)的關(guān)注度,提高了1.56%檢測精度;當(dāng)加入方向不變OIM模型時,艦船目標(biāo)檢測精度進一步提升,并且不影響檢測速度,仍然可以較好的滿足實時檢測。消融實驗訓(xùn)練過程損失函數(shù)曲線如圖11所示。

    本文的損失函數(shù)主要由中心點估計損失,中心點處偏移和目標(biāo)寬高角度回歸損失3部分組成。在圖11(a)baseline中損失函數(shù)曲線波動較大。加入SimAM模塊后,損失函數(shù)波動有所緩解,且略有下降。采用OIM模型進行訓(xùn)練時,損失函數(shù)曲線如圖11(c),第180epoch時已經(jīng)下降至0.5左右,且185epoch后波動緩和,曲線逐漸趨于穩(wěn)定。圖11(d)為本文算法損失曲線,擬合效果號,損失函數(shù)曲線逐漸趨于穩(wěn)定,多次實驗說明此網(wǎng)絡(luò)檢測性能好。

    本文采用SimAM模塊來增強對艦船目標(biāo)的關(guān)注度,同時SimAM模塊也不會引入額外參數(shù),對檢測速度不會造成影響。本文對SE、CBAM等注意力機制對比實驗,說明SimAM模塊的性能,實驗結(jié)果如表6所示。

    表6 引入不同注意力機制實驗結(jié)果

    由表6可知,SE以及CBAM注意力機制對網(wǎng)絡(luò)檢測性能都有所改善。SE機制關(guān)注通過之間的關(guān)系,學(xué)習(xí)不同通道特征的重要性,mAP達到了76.54%;CBAM機制在此基礎(chǔ)上增加了空間注意力,融合了兩種注意力機制,mAP達到了77.28%;本文采用SimAM模塊構(gòu)建了能量函數(shù),避免過多結(jié)構(gòu)調(diào)整,沒有引入額外參數(shù),在不影響檢測速度的前提下增強模型對艦船目標(biāo)的關(guān)注度。

    4 結(jié) 論

    針對目前遙感圖像艦船目標(biāo)檢測方法大多為遍歷錨框機制,導(dǎo)致參數(shù)量和計算量增大的問題;以及遙感圖像中的艦船目標(biāo)任意方向分布,但主干網(wǎng)絡(luò)生成的特征不具備旋轉(zhuǎn)不變性造成的不一致性,本文提出了基于關(guān)鍵點的遙感圖像艦船目標(biāo)檢測方法,實現(xiàn)艦船目標(biāo)中心點的檢測,進而實現(xiàn)艦船目標(biāo)的檢測與識別。

    (1) 首先對現(xiàn)有遙感圖像艦船目標(biāo)HRSC2016數(shù)據(jù)集中的艦船目標(biāo)特性進行定量分析,針對部分艦船目標(biāo)尺度過大,以及圖像本身尺寸較小的問題,本文構(gòu)建了RFUE2021數(shù)據(jù)集,為了驗證本文方法的有效性,在設(shè)置相同參數(shù)下分別在以上兩種數(shù)據(jù)集上實驗驗證。

    (2) 針對現(xiàn)有遙感圖像艦船目標(biāo)檢測方法大多是錨框遍歷機制,本文提出利用一種端到端的anchor free檢測方法,提前設(shè)置錨框需要考慮到錨框的大小、比例以及數(shù)量等信息,會增大參數(shù)量,降低檢測速度。受CenterNet網(wǎng)絡(luò)啟發(fā),以及遙感圖像艦船目標(biāo)任意方向密集排列,但艦船目標(biāo)中心點不變的特點,直接預(yù)測目標(biāo)的中心點,再回歸得到每個中心點處目標(biāo)的偏移、尺度和角度,從而實現(xiàn)艦船目標(biāo)的檢測。

    (3) 艦船目標(biāo)是以任意方向分布的,但直接利用Resnet、DLA、Hourglass等網(wǎng)絡(luò)生成的特征不具備旋轉(zhuǎn)不變性,為了緩解這種不一致性,引入一種方向不變模型OIM生成方向不變特征圖。

    (4) 為提升網(wǎng)絡(luò)的計算速度,將部分普通卷積轉(zhuǎn)換為深度可分離卷積;為進一步增強對艦船目標(biāo)的關(guān)注度、提高目標(biāo)檢測精度,引入SimAM注意力機制,沒有產(chǎn)生額外參數(shù),對檢測速度也沒有造成影響,最終本文方法兼顧了目標(biāo)檢測的速度和精度。

    未來將進一步優(yōu)化檢測算法,針對特定場景如云霧遮擋、港口復(fù)雜背景等情況,改進算法,提升檢測速度和精度。

    猜你喜歡
    中心點艦船注意力
    艦船通信中的噪聲消除研究
    讓注意力“飛”回來
    艦船測風(fēng)傳感器安裝位置數(shù)值仿真
    Scratch 3.9更新了什么?
    電腦報(2020年12期)2020-06-30 19:56:42
    如何設(shè)置造型中心點?
    電腦報(2019年4期)2019-09-10 07:22:44
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    艦船腐蝕預(yù)防與控制系統(tǒng)工程
    漢字藝術(shù)結(jié)構(gòu)解析(二)中心點處筆畫應(yīng)緊奏
    尋找視覺中心點
    大眾攝影(2015年9期)2015-09-06 17:05:41
    国产精品日韩av在线免费观看| 久久精品国产清高在天天线| 国产熟女欧美一区二区| 久久99热6这里只有精品| 一边亲一边摸免费视频| 国产av一区在线观看免费| 亚洲最大成人av| 麻豆av噜噜一区二区三区| 黄色一级大片看看| 色尼玛亚洲综合影院| 久久午夜福利片| 一边亲一边摸免费视频| eeuss影院久久| 看十八女毛片水多多多| 麻豆av噜噜一区二区三区| 一级毛片久久久久久久久女| 婷婷精品国产亚洲av| 欧美潮喷喷水| 国产精品美女特级片免费视频播放器| 中文字幕制服av| 男女边吃奶边做爰视频| 欧美最新免费一区二区三区| 晚上一个人看的免费电影| 男人舔女人下体高潮全视频| 麻豆一二三区av精品| 人妻系列 视频| 91av网一区二区| 久久这里有精品视频免费| 97热精品久久久久久| 精品久久久久久久久av| 人人妻人人澡人人爽人人夜夜 | 亚洲欧美精品专区久久| 在线播放无遮挡| 欧美日韩乱码在线| 国产国拍精品亚洲av在线观看| 99热网站在线观看| 欧美日韩在线观看h| 99视频精品全部免费 在线| 天天一区二区日本电影三级| 亚洲欧美成人精品一区二区| 国产激情偷乱视频一区二区| 波多野结衣巨乳人妻| 91精品一卡2卡3卡4卡| 国产精品国产高清国产av| 久久精品91蜜桃| 国产一区二区在线观看日韩| 日本av手机在线免费观看| 少妇熟女欧美另类| 亚洲欧美成人精品一区二区| 久久久午夜欧美精品| 国产私拍福利视频在线观看| 亚洲国产精品成人综合色| 久久精品国产99精品国产亚洲性色| 日韩大尺度精品在线看网址| 人妻夜夜爽99麻豆av| 成人国产麻豆网| 精品免费久久久久久久清纯| 又爽又黄无遮挡网站| 美女被艹到高潮喷水动态| 美女脱内裤让男人舔精品视频 | 国产一级毛片七仙女欲春2| 成人三级黄色视频| 91麻豆精品激情在线观看国产| 久久亚洲精品不卡| 少妇人妻一区二区三区视频| 国产亚洲5aaaaa淫片| 22中文网久久字幕| 中文字幕av成人在线电影| 婷婷精品国产亚洲av| 一个人看的www免费观看视频| 国产精品99久久久久久久久| h日本视频在线播放| 国产极品天堂在线| 哪里可以看免费的av片| 最后的刺客免费高清国语| 一本精品99久久精品77| 国产老妇女一区| 五月伊人婷婷丁香| 女人十人毛片免费观看3o分钟| 老司机福利观看| 又黄又爽又刺激的免费视频.| 国产激情偷乱视频一区二区| 亚洲国产精品成人久久小说 | 成人亚洲精品av一区二区| 晚上一个人看的免费电影| 午夜精品国产一区二区电影 | 婷婷六月久久综合丁香| 深夜精品福利| 久久久精品94久久精品| 欧美在线一区亚洲| 国产老妇伦熟女老妇高清| 精品无人区乱码1区二区| 99热这里只有精品一区| 国内精品久久久久精免费| 日韩在线高清观看一区二区三区| 九九在线视频观看精品| 蜜臀久久99精品久久宅男| 精品一区二区免费观看| 亚洲精品粉嫩美女一区| av视频在线观看入口| 国内精品宾馆在线| 国产亚洲欧美98| 成年av动漫网址| 真实男女啪啪啪动态图| 国产久久久一区二区三区| 欧洲精品卡2卡3卡4卡5卡区| 午夜久久久久精精品| 亚洲欧美日韩高清在线视频| 国产欧美日韩精品一区二区| 中文字幕免费在线视频6| 国产精品精品国产色婷婷| 天美传媒精品一区二区| 免费观看人在逋| 校园人妻丝袜中文字幕| 91在线精品国自产拍蜜月| 久久6这里有精品| 毛片一级片免费看久久久久| 国产精品久久久久久精品电影| av在线观看视频网站免费| 成人永久免费在线观看视频| 成人亚洲精品av一区二区| 国产日本99.免费观看| 99热全是精品| 国产精品嫩草影院av在线观看| 69av精品久久久久久| 免费人成视频x8x8入口观看| 性插视频无遮挡在线免费观看| 欧美在线一区亚洲| av卡一久久| 久久韩国三级中文字幕| 毛片女人毛片| 高清毛片免费观看视频网站| 亚洲精品影视一区二区三区av| 国产精品久久久久久亚洲av鲁大| 亚洲欧美精品专区久久| 国产精品免费一区二区三区在线| 成人特级av手机在线观看| 欧美日韩乱码在线| 午夜福利在线观看吧| 亚洲人与动物交配视频| 人妻系列 视频| 尤物成人国产欧美一区二区三区| 黄色欧美视频在线观看| 18+在线观看网站| 色综合色国产| 在线天堂最新版资源| 你懂的网址亚洲精品在线观看 | 一本久久精品| 久久99热6这里只有精品| 亚洲人成网站在线观看播放| 免费av毛片视频| 国产精品久久视频播放| 久久久精品大字幕| 国产三级中文精品| 色综合站精品国产| 99热这里只有精品一区| 一个人看的www免费观看视频| 99久久精品热视频| 99riav亚洲国产免费| 亚洲第一电影网av| 熟女电影av网| 亚洲精品国产成人久久av| 国产麻豆成人av免费视频| 色尼玛亚洲综合影院| 精品一区二区三区人妻视频| 欧美一区二区亚洲| 成熟少妇高潮喷水视频| 午夜福利在线观看免费完整高清在 | 亚洲欧洲国产日韩| 日韩欧美精品免费久久| 午夜久久久久精精品| 亚洲激情五月婷婷啪啪| 在线观看美女被高潮喷水网站| 久久久国产成人精品二区| 一个人看视频在线观看www免费| 国产 一区精品| 在线观看午夜福利视频| 亚洲欧美日韩高清在线视频| 99国产极品粉嫩在线观看| 国产一区二区在线av高清观看| 成人鲁丝片一二三区免费| 亚洲最大成人中文| 日韩欧美精品v在线| 亚洲自偷自拍三级| 乱人视频在线观看| 69人妻影院| 亚洲欧美日韩高清专用| 久久欧美精品欧美久久欧美| 日韩精品有码人妻一区| 久久久成人免费电影| 18禁在线播放成人免费| 搡老妇女老女人老熟妇| 男人舔奶头视频| 久久99精品国语久久久| 亚洲欧洲国产日韩| 国产一区二区亚洲精品在线观看| 校园人妻丝袜中文字幕| 99在线视频只有这里精品首页| 久久人人爽人人片av| 成熟少妇高潮喷水视频| 麻豆成人av视频| 色哟哟哟哟哟哟| 非洲黑人性xxxx精品又粗又长| 一卡2卡三卡四卡精品乱码亚洲| a级一级毛片免费在线观看| 国产精品国产高清国产av| 日本黄色视频三级网站网址| 久久人人精品亚洲av| 亚洲av免费在线观看| 免费电影在线观看免费观看| 亚洲国产精品sss在线观看| or卡值多少钱| 在线免费十八禁| 精品99又大又爽又粗少妇毛片| 国产精品电影一区二区三区| 少妇高潮的动态图| 亚洲精品自拍成人| 黑人高潮一二区| 69av精品久久久久久| 麻豆精品久久久久久蜜桃| 国产日韩欧美在线精品| 婷婷亚洲欧美| 久久99精品国语久久久| 色哟哟·www| 国模一区二区三区四区视频| 最后的刺客免费高清国语| 欧美成人免费av一区二区三区| 亚洲av中文字字幕乱码综合| 三级男女做爰猛烈吃奶摸视频| 亚洲精品日韩在线中文字幕 | 午夜亚洲福利在线播放| 久久久久网色| 国产久久久一区二区三区| 国产午夜精品论理片| 寂寞人妻少妇视频99o| 热99在线观看视频| 欧美一区二区亚洲| 成人性生交大片免费视频hd| 亚洲第一电影网av| 亚洲国产精品合色在线| 2021天堂中文幕一二区在线观| 国产精品人妻久久久影院| 一个人观看的视频www高清免费观看| 久久久久性生活片| 男女那种视频在线观看| 亚洲在线观看片| 日本成人三级电影网站| 18禁黄网站禁片免费观看直播| 国产成人福利小说| 男插女下体视频免费在线播放| 精品久久久久久成人av| 特级一级黄色大片| 国内精品美女久久久久久| 婷婷色综合大香蕉| 草草在线视频免费看| 日本爱情动作片www.在线观看| 国产精品嫩草影院av在线观看| 欧美极品一区二区三区四区| 免费观看精品视频网站| 日日摸夜夜添夜夜添av毛片| 此物有八面人人有两片| 黄色视频,在线免费观看| 日本撒尿小便嘘嘘汇集6| 看黄色毛片网站| 国产爱豆传媒在线观看| 亚洲自偷自拍三级| 日本欧美国产在线视频| 99热这里只有精品一区| 熟妇人妻久久中文字幕3abv| 男的添女的下面高潮视频| 亚洲国产欧洲综合997久久,| 天天躁日日操中文字幕| 一本一本综合久久| 最近的中文字幕免费完整| 日本一本二区三区精品| 波野结衣二区三区在线| 26uuu在线亚洲综合色| 国产黄片视频在线免费观看| 久久久国产成人免费| 国产综合懂色| 少妇高潮的动态图| 2021天堂中文幕一二区在线观| 高清日韩中文字幕在线| 国产成年人精品一区二区| 国产精品嫩草影院av在线观看| 久久精品国产亚洲网站| 在线播放国产精品三级| 精品国内亚洲2022精品成人| 免费无遮挡裸体视频| 99视频精品全部免费 在线| 中文亚洲av片在线观看爽| 精品熟女少妇av免费看| 精品久久久久久久久亚洲| 亚洲美女视频黄频| 18禁在线播放成人免费| 久久久久性生活片| av在线老鸭窝| 尾随美女入室| 精品一区二区三区人妻视频| 久久精品国产自在天天线| 久久综合国产亚洲精品| 人妻系列 视频| 看片在线看免费视频| 大型黄色视频在线免费观看| 国产精品日韩av在线免费观看| 国产片特级美女逼逼视频| 99热这里只有是精品50| 色哟哟哟哟哟哟| 国产精品一区二区三区四区久久| 亚洲欧美日韩高清专用| 可以在线观看毛片的网站| 又粗又爽又猛毛片免费看| 日本免费a在线| 美女高潮的动态| a级一级毛片免费在线观看| 国产亚洲精品久久久久久毛片| 国产av不卡久久| 美女 人体艺术 gogo| 欧美潮喷喷水| 最好的美女福利视频网| 日日摸夜夜添夜夜爱| 蜜桃久久精品国产亚洲av| 赤兔流量卡办理| 成人毛片a级毛片在线播放| 中文欧美无线码| or卡值多少钱| 免费在线观看成人毛片| 欧美变态另类bdsm刘玥| 精品人妻偷拍中文字幕| 成年女人永久免费观看视频| 亚洲成人久久爱视频| 国产伦理片在线播放av一区 | 在线免费观看的www视频| 性插视频无遮挡在线免费观看| 青春草视频在线免费观看| 久久久午夜欧美精品| 99九九线精品视频在线观看视频| 日韩视频在线欧美| 亚洲自偷自拍三级| 亚洲国产精品国产精品| 美女大奶头视频| av女优亚洲男人天堂| 国产精品.久久久| 国产av不卡久久| 亚洲第一电影网av| 美女大奶头视频| 乱系列少妇在线播放| 精品不卡国产一区二区三区| 岛国在线免费视频观看| 国产欧美日韩精品一区二区| 精品国产三级普通话版| 99热这里只有是精品在线观看| 日本黄大片高清| 国产精品久久久久久av不卡| 国产成人freesex在线| АⅤ资源中文在线天堂| 成人午夜精彩视频在线观看| 美女黄网站色视频| 亚洲国产精品久久男人天堂| 3wmmmm亚洲av在线观看| 久久久久网色| 久久久久久九九精品二区国产| 18禁裸乳无遮挡免费网站照片| 亚洲,欧美,日韩| 亚洲国产欧美人成| 级片在线观看| 久久精品国产自在天天线| 在线免费观看不下载黄p国产| 中文亚洲av片在线观看爽| 成人午夜高清在线视频| a级一级毛片免费在线观看| 亚洲精品色激情综合| 中文字幕制服av| 国产极品天堂在线| 日韩亚洲欧美综合| 欧美一区二区精品小视频在线| 99riav亚洲国产免费| 少妇高潮的动态图| 欧美日韩乱码在线| 欧美高清成人免费视频www| 淫秽高清视频在线观看| 黄色欧美视频在线观看| 日韩欧美三级三区| 精品人妻一区二区三区麻豆| 午夜a级毛片| 成熟少妇高潮喷水视频| 2022亚洲国产成人精品| 精品人妻熟女av久视频| 亚洲成人久久性| 1024手机看黄色片| 欧美日韩综合久久久久久| 成人午夜高清在线视频| 亚洲欧美日韩东京热| 国产精品免费一区二区三区在线| 国产色婷婷99| 中文精品一卡2卡3卡4更新| 99久久人妻综合| av免费观看日本| 国产高清有码在线观看视频| 日韩在线高清观看一区二区三区| 亚洲欧洲日产国产| 成人欧美大片| 黑人高潮一二区| 国内精品久久久久精免费| 久久久久久久久久黄片| 级片在线观看| 亚洲av男天堂| 高清毛片免费看| 久久这里只有精品中国| 亚洲国产精品久久男人天堂| 国产高清激情床上av| 中文字幕精品亚洲无线码一区| 国产精品一区二区性色av| 最近手机中文字幕大全| 亚洲中文字幕日韩| 日日摸夜夜添夜夜爱| 人妻制服诱惑在线中文字幕| 岛国在线免费视频观看| 国产精品乱码一区二三区的特点| 国产精品三级大全| 国产激情偷乱视频一区二区| 97在线视频观看| 国产成人精品一,二区 | 国产成人精品一,二区 | 午夜精品一区二区三区免费看| 美女国产视频在线观看| 男人狂女人下面高潮的视频| 最好的美女福利视频网| 成年免费大片在线观看| 日产精品乱码卡一卡2卡三| 免费搜索国产男女视频| 黄色配什么色好看| 97热精品久久久久久| 国产极品精品免费视频能看的| 99在线视频只有这里精品首页| 小说图片视频综合网站| 18禁在线无遮挡免费观看视频| 老熟妇乱子伦视频在线观看| 国产高清有码在线观看视频| 中文亚洲av片在线观看爽| 亚洲精品久久国产高清桃花| 亚洲国产高清在线一区二区三| 天天躁日日操中文字幕| 国产探花极品一区二区| 久久鲁丝午夜福利片| 久久久久久久午夜电影| 小蜜桃在线观看免费完整版高清| 久久久精品94久久精品| 小蜜桃在线观看免费完整版高清| 国产视频首页在线观看| 免费av观看视频| 欧美日韩乱码在线| 精品少妇黑人巨大在线播放 | 搡老妇女老女人老熟妇| 久久久久久久久久久免费av| 亚洲精品影视一区二区三区av| 国产黄片美女视频| 国模一区二区三区四区视频| 日本黄色视频三级网站网址| 国产高清有码在线观看视频| 中文亚洲av片在线观看爽| 日本一二三区视频观看| 国内精品美女久久久久久| 日韩欧美精品免费久久| 亚洲欧美精品自产自拍| 亚洲四区av| 亚洲在久久综合| 日韩三级伦理在线观看| 久久久国产成人精品二区| 国产一级毛片七仙女欲春2| 午夜亚洲福利在线播放| 国产又黄又爽又无遮挡在线| 久久久午夜欧美精品| 国模一区二区三区四区视频| 日韩成人伦理影院| 99久久中文字幕三级久久日本| 秋霞在线观看毛片| 免费av不卡在线播放| 欧美一区二区国产精品久久精品| 九九爱精品视频在线观看| 久久热精品热| 亚洲成人久久爱视频| 全区人妻精品视频| 综合色丁香网| 午夜精品一区二区三区免费看| 国产一区二区三区在线臀色熟女| 精品久久久噜噜| 亚洲电影在线观看av| 国产片特级美女逼逼视频| 国内少妇人妻偷人精品xxx网站| 国产麻豆成人av免费视频| 波多野结衣高清无吗| 精品人妻熟女av久视频| 国产极品精品免费视频能看的| 日韩一区二区三区影片| 少妇人妻一区二区三区视频| 免费黄网站久久成人精品| 国产伦精品一区二区三区视频9| 色尼玛亚洲综合影院| 变态另类丝袜制服| 97超碰精品成人国产| 超碰av人人做人人爽久久| 久久鲁丝午夜福利片| 99国产精品一区二区蜜桃av| 亚洲欧美日韩东京热| 一个人观看的视频www高清免费观看| 国产精品一区二区在线观看99 | 国产伦一二天堂av在线观看| 一本久久精品| 久久99精品国语久久久| 一本精品99久久精品77| 中国国产av一级| 亚洲av二区三区四区| 亚洲人与动物交配视频| 日韩大尺度精品在线看网址| 久久精品国产亚洲av涩爱 | 久久热精品热| av又黄又爽大尺度在线免费看 | 日本一二三区视频观看| 久久这里有精品视频免费| 深夜精品福利| 乱码一卡2卡4卡精品| 搡女人真爽免费视频火全软件| 午夜精品国产一区二区电影 | 26uuu在线亚洲综合色| 日本撒尿小便嘘嘘汇集6| 99视频精品全部免费 在线| 综合色丁香网| 成人午夜精彩视频在线观看| 亚洲美女视频黄频| 色视频www国产| 午夜福利高清视频| 国产精品久久久久久精品电影小说 | 亚洲激情五月婷婷啪啪| 精品欧美国产一区二区三| 亚洲国产高清在线一区二区三| 91久久精品国产一区二区三区| 老师上课跳d突然被开到最大视频| 欧美精品一区二区大全| 嫩草影院新地址| 欧美潮喷喷水| 国产成年人精品一区二区| 国产乱人偷精品视频| 亚洲成人精品中文字幕电影| 国产淫片久久久久久久久| .国产精品久久| 在线免费十八禁| 亚洲成人中文字幕在线播放| 日本一本二区三区精品| 久久久精品欧美日韩精品| av福利片在线观看| 午夜激情福利司机影院| 草草在线视频免费看| 免费观看精品视频网站| 最近中文字幕高清免费大全6| 天堂中文最新版在线下载 | 看免费成人av毛片| 成人特级av手机在线观看| 男女那种视频在线观看| 久久热精品热| 久久久国产成人免费| 国产成人精品久久久久久| 亚洲va在线va天堂va国产| 亚洲色图av天堂| av视频在线观看入口| 久久久久久久久久久免费av| 欧美成人a在线观看| .国产精品久久| 亚洲av免费高清在线观看| 男的添女的下面高潮视频| 免费在线观看成人毛片| 中文欧美无线码| 免费看日本二区| 看非洲黑人一级黄片| 久久精品久久久久久久性| 永久网站在线| 亚洲精品国产av成人精品| 黄色日韩在线| 午夜亚洲福利在线播放| 少妇的逼水好多| 又粗又硬又长又爽又黄的视频 | 成人欧美大片| 成人特级av手机在线观看| 日日摸夜夜添夜夜添av毛片| 18禁在线播放成人免费| 久久精品国产亚洲av涩爱 | 欧美不卡视频在线免费观看| 欧美激情在线99| 网址你懂的国产日韩在线| 嫩草影院入口| 夫妻性生交免费视频一级片| 亚洲精品久久国产高清桃花| av.在线天堂| 国产片特级美女逼逼视频| 国产亚洲5aaaaa淫片| 国产综合懂色| 久久综合国产亚洲精品| 亚洲中文字幕一区二区三区有码在线看| 亚洲精品456在线播放app| 久久人人爽人人爽人人片va| 亚洲色图av天堂| 国产精品一二三区在线看| 亚洲国产欧美在线一区| 色综合色国产| 99在线视频只有这里精品首页| 一区福利在线观看| 欧美高清成人免费视频www| 女人十人毛片免费观看3o分钟| 白带黄色成豆腐渣| 午夜福利在线观看吧| 国产综合懂色| 夫妻性生交免费视频一级片| 校园人妻丝袜中文字幕| 国产成人一区二区在线| 深爱激情五月婷婷|