• <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 ?

    基于空洞卷積的快速背景自動(dòng)更換

    2018-04-12 05:51:07竇奇?zhèn)?/span>欒桂凱姚紹文
    計(jì)算機(jī)應(yīng)用 2018年2期
    關(guān)鍵詞:空洞視野背景

    張 浩,竇奇?zhèn)ィ瑱韫饎P,姚紹文,周 維

    (云南大學(xué) 軟件學(xué)院,昆明 650091)(*通信作者電子郵箱zwei@ynu.edu.cn)

    0 引言

    圖像背景更換是指通過圖像語(yǔ)義分割算法提取圖像的目標(biāo)物體,然后應(yīng)用圖像融合技術(shù)將目標(biāo)對(duì)象與背景圖像很好地融合。隨著圖像處理軟件日趨流行以及在圖像處理和影視制作等方面的廣泛應(yīng)用,背景更換的功能顯得尤為重要。傳統(tǒng)的處理方式基于圖像分割操作來(lái)完成[1],往往需要復(fù)雜的人工操作,不能夠自動(dòng)地完成圖像背景更換[2]。因此,一些自動(dòng)化的方法被提出。Qian等[3]提出一種通過檢測(cè)視頻中靜態(tài)物體的方法更換視頻中的背景圖像;Levin等[4]提出了一種封閉形式的自然圖像消光解決方案,根據(jù)前景和背景顏色的局部平滑度的不同計(jì)算出圖像的alpha通道,該方法也能實(shí)現(xiàn)背景更換操作。

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)是一種多層感知機(jī)(Multi-Layer Perceptron, MLP)的優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),近年來(lái),已經(jīng)在圖像處理和圖像識(shí)別方面廣泛應(yīng)用,由此使得圖像背景更換方面的研究也取得了很大的進(jìn)展。Shen等[1]基于深度網(wǎng)絡(luò)全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)和matting Laplacian matrix的方式實(shí)現(xiàn)了深度神經(jīng)網(wǎng)絡(luò)自動(dòng)摳圖功能,并獲得了較好的效果;Zhu等[5]提出了一種基于深度學(xué)習(xí)的方法對(duì)人臉頭像進(jìn)行摳圖實(shí)現(xiàn)背景更換;Xu等[6]采用encoder-decoder的方式進(jìn)行圖像分割中的細(xì)節(jié)優(yōu)化,獲得了較好的效果。卷積神經(jīng)網(wǎng)絡(luò)雖然基于局部感受視野和計(jì)算權(quán)值共享的理念,能夠大幅度降低網(wǎng)絡(luò)的計(jì)算復(fù)雜度,但是隨著應(yīng)用需求的復(fù)雜性增加,卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性越來(lái)越高,計(jì)算量同樣可觀。尤其是在圖像分割領(lǐng)域中,首先需要經(jīng)過計(jì)算復(fù)雜的向下卷積和池化(pooling)的過程來(lái)獲得全局視野[7],然后再通過多次反卷積操作獲得原始圖像尺寸的圖像。為了提高圖像背景更換網(wǎng)絡(luò)模型的效率,Yu等[8]和Chen等[9]在研究中提出了空洞卷積(Dilated Convolution),能夠通過卷積核的尺寸在不增加參數(shù)并且網(wǎng)絡(luò)在不采用向下卷積的情況下獲得更大的感觀視野,該方法已經(jīng)在圖像語(yǔ)義分割研究方面取得了很好的效果[10-12]。

    結(jié)合上述方法,本文采用空洞卷積和殘差網(wǎng)絡(luò)結(jié)合的方式,提出一種端到端圖像背景更換方法FABRNet(Fast Automatic Background Replacement neural Network)。本文的工作主要包括:1)提出一種端到端的自動(dòng)圖像背景更換方法,采用空洞卷積,能在不增加參數(shù)數(shù)量的同時(shí)有效地控制卷積核的視野;2)在卷積網(wǎng)絡(luò)中采用雙線性插值,降低模型的計(jì)算復(fù)雜度,同時(shí)減少圖像變換過程中的失真對(duì)模型準(zhǔn)確率的影響,優(yōu)化卷積效果。

    1 相關(guān)工作

    背景更換是一個(gè)比較復(fù)雜的工作,傳統(tǒng)的圖像背景多數(shù)基于圖像分割處理完成。Yang等[13]最早提出對(duì)兩個(gè)圖像的相應(yīng)像素之間的光強(qiáng)差進(jìn)行比較,分別在場(chǎng)景的前景和背景區(qū)域中具有不同強(qiáng)度的兩個(gè)紅外圖像(IR圖像),以形成區(qū)分圖像的前景和背景區(qū)域的alpha通道;然后將alpha通道應(yīng)用于場(chǎng)景的可見光圖像,并且使用預(yù)選背景來(lái)替換原始背景。Penta等[14]提出一種基于圖像分割技術(shù)的自動(dòng)搜索合適背景、更換圖片背景的方法,將搜索得到的最佳背景圖片與前景圖片合成更換好的圖片。Swanson等[15]通過獲取圖片中明暗差異的方式來(lái)獲取圖片的前景圖像和圖像的alpha通道,從而通過alpha通道將圖像中的背景去除,替換上其他所需的背景。Chen等[16]通過K最近鄰(K-Nearest Neighbors, KNN)算法進(jìn)行圖像語(yǔ)義分割,得到圖像的前景和背景區(qū)域,通過該方法替換背景區(qū)域也可以達(dá)到背景更換的效果。

    CNN最早由Lecun等[17]提出并在手寫數(shù)字識(shí)別應(yīng)用中取得了突破性的進(jìn)展,之后被廣泛應(yīng)用于圖像識(shí)別[18]、語(yǔ)音檢測(cè)[19]、生物信息學(xué)[20-21]、文檔分析等多個(gè)領(lǐng)域。因?yàn)镃NN在圖像處理中可以直接作用于圖像中像素值,能夠提取更廣泛、更深層次和更有區(qū)別度的特征信息[22]。通過卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征可以避免傳統(tǒng)方法中特征提取不充分以及特征提取過程中信息丟失的問題。目前已有學(xué)者將深度學(xué)習(xí)應(yīng)用于圖像語(yǔ)義分割和圖像目標(biāo)對(duì)象提取當(dāng)中。Shelhamer等[7]率先提出一種“完全卷積”網(wǎng)絡(luò)模型,經(jīng)過像素級(jí)的訓(xùn)練能夠得到一個(gè)端到端的圖像語(yǔ)義分割模型,可以適應(yīng)任何尺寸大小的圖片輸入,該方法在后續(xù)研究中得到了廣泛的應(yīng)用。Chen等[9]結(jié)合空洞卷積網(wǎng)絡(luò)處理圖像語(yǔ)義分割任務(wù),通過空洞卷積可以在不增加計(jì)算量和參數(shù)個(gè)數(shù)的同時(shí)控制卷積核的視野;此外還提出了空間金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)網(wǎng)絡(luò)模型,該模型可以劃分不同尺寸的圖片對(duì)象。Xu等[6]提出方法分為兩個(gè)部分:第一部分采用的是自動(dòng)編碼和解碼的深度卷積網(wǎng)絡(luò)得到一個(gè)灰度圖,第二部分網(wǎng)絡(luò)是一個(gè)小型網(wǎng)絡(luò)結(jié)構(gòu)對(duì)第一部分得到的結(jié)果進(jìn)行微調(diào)得到更精細(xì)的結(jié)果。Shen等[1]提出了一種用于人像的自動(dòng)摳圖方法。這種方法不需要用戶交互,不僅考慮圖像語(yǔ)義預(yù)測(cè),還考慮像素級(jí)圖像優(yōu)化。

    本文基于上述研究提出一種端到端的自動(dòng)背景更換網(wǎng)絡(luò)系統(tǒng):通過CNN提取圖像特征,實(shí)現(xiàn)背景自動(dòng)更換;為了保證CNN效率,引入空洞卷積操作以取代encoder-decoder操作;此外,網(wǎng)絡(luò)中還加入了雙線性插值操作來(lái)有效降低上采樣過程帶來(lái)的圖像失真率。

    2 自動(dòng)背景更換方法

    2.1 數(shù)據(jù)集的準(zhǔn)備

    為了驗(yàn)證FABRNet的可行性,首先收集了Shen等[1]提供的2 000張包含原始圖片和alpha通道的公共數(shù)據(jù)集,為了擴(kuò)大訓(xùn)練數(shù)據(jù)集,使網(wǎng)絡(luò)得到更大的泛化能力,采用COCO數(shù)據(jù)集[25]作為背景圖像,對(duì)每個(gè)訓(xùn)練樣本更換120張不同的背景圖片,保留其輸入圖片和背景圖片作為訓(xùn)練樣本,從而得到204×103個(gè)訓(xùn)練數(shù)據(jù),采用其中的1 700個(gè)數(shù)據(jù)對(duì)象作為訓(xùn)練數(shù)據(jù),另外300個(gè)數(shù)據(jù)對(duì)象作為測(cè)試數(shù)據(jù)。

    此外為了提高FABRNet對(duì)圖像細(xì)節(jié)信息的獲取能力,還收集了alphamatting.com[23]提供的公共數(shù)據(jù)集,該數(shù)據(jù)集中提供了較為精確的alpha通道,但由于此公共數(shù)據(jù)集數(shù)據(jù)樣本僅包含27個(gè)樣本數(shù)據(jù),仍采用上述的方法對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)張,實(shí)驗(yàn)中使用該數(shù)據(jù)集對(duì)網(wǎng)絡(luò)模型進(jìn)行微調(diào)。

    2.2 網(wǎng)絡(luò)模型

    2.2.1空洞卷積

    背景更換圖像特征提取需要充分考慮局部信息和全局信息,該網(wǎng)絡(luò)中需要一個(gè)對(duì)全局特征和細(xì)節(jié)特征都敏感的模型,因此需要設(shè)計(jì)一種新穎的CNN結(jié)構(gòu)模型來(lái)進(jìn)行圖像背景更換。經(jīng)典的CNN中通過pooling操作可以使卷積核獲得較大的感受視野,但是對(duì)于圖像背景更換需要輸出的是與原圖像尺寸相同的圖像,所以pooling后得到的較小的尺寸需要通過反卷積操作擴(kuò)大圖像,但是如果向下pooling操作過多容易導(dǎo)致反卷積過程中信息損失量過大,而空洞卷積能夠控制卷積核的rate的大小,從而得到不同大小的卷積視野,如圖1所示。

    圖1 空洞卷積示意圖Fig. 1 Dilated convolution illustration

    圖1(a)中顯示的是經(jīng)典的3×3的卷積核心作用的視野效果,每次覆蓋3×3的視野;圖1(b)中對(duì)應(yīng)的是3×3的rate=2空洞卷積,實(shí)際上卷積核的大小仍然是3×3,但是卷積核的計(jì)算視野增大到了7×7,而實(shí)際參數(shù)只有3×3。感受野大小可以表示為:

    v=((ksizse+1)×(rrate-1)+ksizse)2

    此外,很容易看出,rate=1和rate=2的卷積同時(shí)作用的效果和傳統(tǒng)卷積核7×7單獨(dú)作用的效果相同,F(xiàn)ABRNet通過四種不同rate的卷積核心作用于同一輸入能夠感受不同視野的特征。

    2.2.2FABRNet結(jié)構(gòu)

    結(jié)合圖像背景更換的特定需求,本文提出一種新穎的網(wǎng)絡(luò)結(jié)構(gòu),如圖2所示。網(wǎng)絡(luò)主要分為三個(gè)主要部分:第一部分采用了VGG(Visual Geometry Group network)模型中的部分結(jié)構(gòu),該結(jié)構(gòu)已經(jīng)在計(jì)算機(jī)視覺中取得了顯著的成果,這部分中包含三個(gè)階段,第一階段和第二階段中分別包含兩個(gè)卷積層和一個(gè)maxpooling層,第三階段包含三個(gè)卷積層和一個(gè)向下卷積層;第二部分采用五種不同大小的卷積核和不同的rate的空洞卷積對(duì)網(wǎng)絡(luò)前一層輸出的結(jié)果進(jìn)行卷積操作,為了保持圖像中信息位置分布,該部分還增加了殘差網(wǎng)絡(luò)結(jié)構(gòu);最后一部分為了得到原圖像尺寸,結(jié)構(gòu)中采用1×1的卷積對(duì)得到的結(jié)果進(jìn)行微調(diào)之后輸出3通道的圖像,為了減小圖像縮放中的誤差,網(wǎng)絡(luò)中額外增加了雙線性插值操作得到與原圖大小相同的尺寸。

    圖2 FABRNet的網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 Architecture of FABRNet

    2.2.3雙線性插值

    雙線性插值是圖像縮放中比較常用的算法,模型中使用該方法將卷積過程中縮小的圖片放大到原圖像尺寸,通過計(jì)算預(yù)測(cè)得到的圖片與真實(shí)圖片之間的損失,通過反向傳播的方法得到最優(yōu)模型。具體計(jì)算過程如下:

    假設(shè)圖片中存在點(diǎn)p(x,y)需要通過插值方式得到,但是我們已經(jīng)知道圖片中存在確定的點(diǎn){q1(x1,y1),q2(x2,y2),q3(x3,y3),q4(x4,y4),}滿足函數(shù)y=f(x)。如圖3所示,為了得到點(diǎn)p的像素值,首先需要在橫坐標(biāo)方向進(jìn)行插值得到點(diǎn)t1、t2的坐標(biāo)值,插值的方法為:

    同理得到y(tǒng)方向的插值:

    通過上述三個(gè)公式即可得到p(x,y):

    圖3 雙線性插值示意圖Fig. 3 Bilinear interpolation illustration

    如圖2所示,F(xiàn)ABRNet為雙線性插值操作層,目的是將圖片放大到原始圖像尺寸,通過該方法:一方面可以取代復(fù)雜的反卷積操作,降低模型的計(jì)算復(fù)雜度;另一方面可以減少圖像變換過程中的失真對(duì)模型準(zhǔn)確率的影響。

    2.3 損失函數(shù)

    模型采用的損失函數(shù)為預(yù)測(cè)生成圖片與真實(shí)圖片像素值的歐幾里得距離,并且加上常數(shù)ε以保證損失函數(shù)可微,具體表示形式如下:

    該損失函數(shù)可以計(jì)算出預(yù)測(cè)圖像與標(biāo)準(zhǔn)圖像之間的像素差值,計(jì)算產(chǎn)生的誤差通過反向傳播的方法回傳到網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn),可以幫助網(wǎng)絡(luò)學(xué)習(xí)到圖像中主體特征、背景特征以及前景與背景之間的邊緣特征等。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 實(shí)驗(yàn)環(huán)境

    實(shí)驗(yàn)中訓(xùn)練數(shù)據(jù)集中有204×103個(gè)訓(xùn)練樣本,網(wǎng)絡(luò)輸入是大小為224×224像素的目標(biāo)圖片和背景圖片,當(dāng)模型在該數(shù)據(jù)集下訓(xùn)練趨于穩(wěn)定后再采用alphamatting.com[23]提供的數(shù)據(jù)集對(duì)模型進(jìn)行微調(diào),使得模型能夠?qū)W到更多細(xì)節(jié)特征,尤其是邊緣細(xì)節(jié)特征。模型的訓(xùn)練和測(cè)試基于tensorflow[24]框架實(shí)現(xiàn),具體結(jié)構(gòu)如圖2所示。首先采用VGG-16[26]中訓(xùn)練好的參數(shù)對(duì)網(wǎng)絡(luò)中第一部分進(jìn)行初始化,其余部分采用隨機(jī)的初始化方式,訓(xùn)練過程中學(xué)習(xí)率的范圍設(shè)置為[10-6,10-3],調(diào)整不同的學(xué)習(xí)率使網(wǎng)絡(luò)達(dá)到最優(yōu)效果。

    模型的訓(xùn)練在NVIDIA TASLA T40M顯卡上完成,訓(xùn)練過程大概需要4個(gè)epochs,訓(xùn)練時(shí)間大概是7小時(shí);測(cè)試過程中還對(duì)比了模型在GPU和CPU(intel i7 3.40 GHz)兩種設(shè)備上的表現(xiàn)能力。

    3.2 評(píng)價(jià)指標(biāo)

    實(shí)驗(yàn)中通過公共數(shù)據(jù)測(cè)試集評(píng)測(cè)模型的有效性,并且與其他傳統(tǒng)的機(jī)器學(xué)習(xí)(KNN matting[16])、深度學(xué)習(xí)的方法(Portrait matting[1]和Deep matting[6])進(jìn)行了比較分析。首先采用兩個(gè)通用衡量指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)測(cè),分別是Rhemann等[23]提出的G(αp,αgt)和C(αp,αgt),它們已經(jīng)被廣泛應(yīng)用于比較圖片之間的差異。其中:G(αp,αgt)表示預(yù)測(cè)圖片與真實(shí)圖片之間的梯度誤差,C(αp,αgt)表示預(yù)測(cè)圖片與真實(shí)圖片的像素之間的均方差。計(jì)算公式如下:

    其中:αp表示的是預(yù)測(cè)圖像,αgt是通過手工更換背景得到的圖像,k是圖像的像素點(diǎn)數(shù),表示計(jì)算圖像的梯度。

    3.3 實(shí)驗(yàn)預(yù)測(cè)分析

    實(shí)驗(yàn)中首先比較了FABRNet與KNN matting[16]、Portrait matting和Deep matting在不同數(shù)量測(cè)試數(shù)據(jù)下的平均梯度差和像素內(nèi)容差(為了能減少誤差,實(shí)驗(yàn)中分別測(cè)試5次取平均值)。從表1中可以看出,F(xiàn)ABRNet在不同數(shù)量的數(shù)據(jù)集的預(yù)測(cè)結(jié)果比其他三種方法都好。以1 000個(gè)測(cè)試樣本為例,F(xiàn)ABRNet模型的G(αp,αgt)為3.82×10-2,比其他三種方法中表現(xiàn)最好的還低0.35×10-2;同樣FABRNet模型的C(αp,αgt)為2.94×10-1,比其他三種方法中表現(xiàn)最好的還低0.09×10-1。另外在測(cè)試樣本量為200和500時(shí)也有同樣的表現(xiàn)趨勢(shì),最主要的原因有兩方面:首先,深度卷積網(wǎng)絡(luò)能識(shí)別復(fù)雜的圖片特征,充分提取背景更換需要的特征信息,并且空洞卷積有效兼顧了網(wǎng)絡(luò)中全局特征和細(xì)節(jié)特征的提取;其次,網(wǎng)絡(luò)模型中最后一層通過雙線性插值的方法調(diào)整圖片的大小,有效減少了圖像變換過程中的失真對(duì)模型準(zhǔn)確率的影響,從而減小了整個(gè)網(wǎng)絡(luò)的誤差。

    為了能更直觀地體現(xiàn)FABRNet的生成結(jié)果,圖4展示了FABRNet與其他三種模型得到的背景更換后的結(jié)果圖片。從圖4可以看出,KNN matting[16]和Portrait matting[1]兩種方法容易將背景區(qū)域分割為前景內(nèi)容,且兩種方法中得到的圖像邊緣信息過于明顯;而Deep matting[6]方法中出現(xiàn)了前景區(qū)域被分割為背景區(qū)域的情況;本文提出的FABRNet模型通過增加空洞卷積和殘差網(wǎng)絡(luò)的方式使網(wǎng)絡(luò)有效獲取到了圖片的全局視野,并且通過不同大小的空洞卷積組合實(shí)現(xiàn)不同大小的視野信息,有效解決了上述這兩種缺陷。此外,從圖中還可以看出,本文方法可以有效彌補(bǔ)結(jié)果圖片中邊界信息過于明顯的缺陷。但是也可以發(fā)現(xiàn),相比KNN matting[16]和Portrait matting[1],F(xiàn)ABRNet模型也引入了一個(gè)新的問題:在得到的結(jié)果圖片與原圖之間存在微弱色差,這是因?yàn)樵贑NN的計(jì)算過程中存在數(shù)值計(jì)算誤差,導(dǎo)致結(jié)果圖片中像素與真實(shí)像素之間有略微的差異。

    表1 不同測(cè)試樣本量的結(jié)果比較Table 1 Comparison of the results of different test samples

    圖4 不同方法背景更換結(jié)果比較Fig. 4 Background replacement result comparison of different methods

    3.4 FABRNet性能分析

    實(shí)驗(yàn)中還測(cè)試了不同模型分別在CPU和GPU上預(yù)測(cè)100~1 000張圖片背景更換過程的時(shí)間消耗,結(jié)果如圖5所示。圖5(a)為在CPU(intel i7 3.40 GHz)上加載訓(xùn)練好的模型進(jìn)行預(yù)測(cè)過程所消耗的時(shí)間,F(xiàn)ABRNet相比其他方法在10個(gè)不同數(shù)量的測(cè)試數(shù)據(jù)集中消耗的時(shí)間都是最少的,而且數(shù)據(jù)量越大,與其他三種方法差異就越明顯,而傳統(tǒng)的KNN方法隨著數(shù)據(jù)量的增大其效率會(huì)有所下降;圖5(b)是在GPU上運(yùn)行所消耗的時(shí)間對(duì)比,可以看出這四種方法的運(yùn)行時(shí)間消耗趨勢(shì)基本相似。FABRNet的計(jì)算時(shí)間消耗無(wú)論是在GPU還是CPU上均有明顯優(yōu)勢(shì),這是因?yàn)槠湓谀P椭胁捎昧丝斩淳矸e和雙線性插值的方式,使得網(wǎng)絡(luò)計(jì)算量相比其他幾種方法有所降低。

    4 結(jié)語(yǔ)

    本文提出的FABRNet方法是一種高效的圖像背景替換方法,基于具有優(yōu)良圖像處理能力的CNN模型構(gòu)建,將傳統(tǒng)的卷積操作替換為空洞卷積操作,并引入雙線性插值操作。該方法和傳統(tǒng)CNN相比,空洞卷積能夠在不增加參數(shù)數(shù)量的同時(shí),擴(kuò)大卷積操作過程中的視野感受區(qū)域,而雙線性插值操作的引入,也使得處理后的圖片更為接近真實(shí)圖片。實(shí)驗(yàn)結(jié)果表明,F(xiàn)ABRNet方法在效果上和運(yùn)算速度上均優(yōu)于對(duì)比模型。除此之外,F(xiàn)ABRNet方法也有一些待優(yōu)化之處,如模型參數(shù)選取的合理性、圖像縮放階段產(chǎn)生的誤差以及生成圖像和原圖像之間的色差等,這也將是我們下一步深入研究的內(nèi)容。

    圖5 不同方法之間時(shí)間消耗比較Fig. 5 Time consumption comparison of different models

    參考文獻(xiàn):

    [1]SHEN X, TAO X, GAO H, et al. Deep automatic portrait matting [C]// ECCV 2016: Proceedings of the 2016 European Conference on Computer Vision. Cham: Springer, 2016: 92-107.

    [2]LI B. Image background replacement method: US, US6912313 [P]. 2005- 06- 28.

    [3]QIAN R J, SEZAN M I. Video background replacement without a blue screen [C]// ICIP 99: Proceedings of the 1999 International Conference on Image Processing. Piscataway, NJ: IEEE, 1999, 4: 143-146.

    [4]LEVIN A, LISCHINSKI D, WEISS Y. A closed-form solution to natural image matting [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 30(2): 228-242.

    [5]ZHU B, CHEN Y, WANG J, et al. Fast deep matting for portrait animation on mobile phone [C]// MM ’17: Proceedings of the 2017 ACM on Multimedia Conference. New York: ACM, 2017: 297-305.

    [6]XU N, PRICE B, COHEN S, et al. Deep image matting [J/OL]. arXiv:1703.03872, (2017- 04- 11) [2017- 05- 16]. https://arxiv.org/abs/1703.03872.

    [7]SHELHAMER E, LONG J, DARRELL T. Fully convolutional networks for semantic segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(4): 640-651.

    [8]YU F, KOLTUN V. Multi-scale context aggregation by dilated convolutions [J/OL]. arXiv:1511.07122, (2016- 04- 30) [2017- 05- 16]. https://arxiv.org/abs/1511.07122.

    [9]CHEN L-C, PAPANDREOU G, KOKKINOS I, et al. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs [J/OL]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017 [2017- 05- 26]. http://ieeexplore.ieee.org/document/7913730/.

    [10]CHEN L-C, PAPANDREOU G, KOKKINOS I, et al. Semantic image segmentation with deep convolutional nets and fully connected CRFs [J/OL]. arXiv:1412.7062, (2016- 06- 07) [2017- 04- 08]. https://arxiv.org/abs/1412.7062.

    [11]CHEN L-C, YANG Y, WANG J, et al. Attention to scale: scale-aware semantic image segmentation [C]// CVPR 2016: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2016: 3640-3649.

    [12]MOESKOPS P, VETA M, LAFARGE M W, et al. Adversarial training and dilated convolutions for brain MRI segmentation [C]// DLMIA 2017, ML-CDS 2017: Proceedings of the 2017 Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. Cham: Springer, 2017: 56-64.

    [13]YANG Y, SOINI R F. Background replacement for an image: US, US5574511 [P]. 1996- 11- 12.

    [14]PENTA S K. Background replacement [C]// SIGGRAPH 2008: Proceedings of the 2008 International Conference on Computer Graphics and Interactive Techniques. New York: ACM, 2008: Article No. 59.

    [15]SWANSON R L, ADOLPHI E J, SURMA M J, et al. Method and apparatus for background replacement in still photographs: US, US7834894 [P]. 2010- 11- 16.

    [16]CHEN Q, LI D, TANG C-K. KNN matting [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(9): 2175-2188.

    [17]LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

    [18]GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation [C]// CVPR 2014: Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2014: 580-587.

    [19]SWIETOJANSKI P, GHOSHAL A, RENALS S. Convolutional neural networks for distant speech recognition [J]. IEEE Signal Processing Letters, 2014, 21(9): 1120-1124.

    [20]SINGH R, LANCHANTIN J, ROBINS G, et al. DeepChrome: deep-learning for predicting gene expression from histone modifications [J]. Bioinformatics, 2016, 32(17): i639-i648.

    [21]PRASOON A, PETERSEN K, IGEL C, et al. Deep feature learning for knee cartilage segmentation using a triplanar convolutional neural network [C]// MICCAI 2013: Proceedings of the 2013 International Conference on Medical Image Computing and Computer-Assisted Intervention, LNCS 8150. Berlin: Springer, 2013: 246-253.

    [22]唐智川,張克俊,李超,等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)想象分類及其在腦控外骨骼中的應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào),2017,40(6): 1367-1378. (TANG Z C, ZHANG K J, LI C, et al. Motor imagery classification based on deep convolutional neural network and its application in exoskeleton controlled by EEG [J]. Chinese Journal of Computers, 2016, 40(6): 1367-1378.)

    [23]RHEMANN C, ROTHER C, WANG J, et al. A perceptually motivated online benchmark for image matting [C]// CVPR 2009: Proceedings of the 2009 International Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2009: 1826-1833.

    [24]ABADI M, AGARWAL A, BARHAM P, et al. TensorFlow: large-scale machine learning on heterogeneous distributed systems [J/OL]. arXiv:1603.04467, (2016- 03- 16) [2017- 04- 06]. https://arxiv.org/abs/1603.04467v1.

    [25]LIN T Y, MAIRE M, BELONGIE S, et al. Microsoft COCO: common objects in context [C]// ECCV 2014: Proceedings of the 2014 European Conference on Computer Vision, LNCS 8693. Cham: Springer, 2014: 740-755.

    [26]SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [J/OL]. arXiv:1409.1556, (2015- 04- 10) [2017- 03- 05]. https://arxiv.org/abs/1409.1556.

    猜你喜歡
    空洞視野背景
    “新四化”背景下汽車NVH的發(fā)展趨勢(shì)
    《論持久戰(zhàn)》的寫作背景
    居· 視野
    中華民居(2020年3期)2020-07-24 01:48:04
    空洞的眼神
    晚清外語(yǔ)翻譯人才培養(yǎng)的背景
    用事實(shí)說話勝過空洞的說教——以教育類報(bào)道為例
    新聞傳播(2015年20期)2015-07-18 11:06:46
    視野
    科學(xué)家(2015年2期)2015-04-09 02:46:46
    真相
    讀者(2014年18期)2014-05-14 11:40:56
    臭氧層空洞也是幫兇
    視野
    收藏·拍賣(2009年12期)2009-12-28 04:56:34
    国产乱来视频区| 亚洲三级黄色毛片| 女性生殖器流出的白浆| 最黄视频免费看| 欧美性感艳星| 亚洲人与动物交配视频| 中文字幕久久专区| 插逼视频在线观看| 久久久久久伊人网av| 免费大片18禁| 色视频www国产| 夜夜爽夜夜爽视频| 天堂中文最新版在线下载| 国产精品av视频在线免费观看| xxx大片免费视频| 亚洲精品国产成人久久av| 亚洲国产精品专区欧美| 男女无遮挡免费网站观看| 国产精品人妻久久久久久| 亚洲国产日韩一区二区| 一级毛片黄色毛片免费观看视频| 国产精品成人在线| 七月丁香在线播放| 多毛熟女@视频| 久久国产亚洲av麻豆专区| 免费黄色在线免费观看| 亚洲精品一区蜜桃| 欧美激情国产日韩精品一区| 制服丝袜香蕉在线| av播播在线观看一区| 精品久久国产蜜桃| 国产免费视频播放在线视频| 国产 精品1| 妹子高潮喷水视频| 国产在线一区二区三区精| 99re6热这里在线精品视频| 婷婷色麻豆天堂久久| 国产亚洲欧美精品永久| 国产亚洲精品久久久com| 日日啪夜夜爽| 国产有黄有色有爽视频| 国产伦精品一区二区三区视频9| 校园人妻丝袜中文字幕| 欧美 日韩 精品 国产| 色5月婷婷丁香| 这个男人来自地球电影免费观看 | 性高湖久久久久久久久免费观看| 美女主播在线视频| 女人十人毛片免费观看3o分钟| 午夜激情福利司机影院| 在线播放无遮挡| 亚洲激情五月婷婷啪啪| 国产亚洲欧美精品永久| 午夜激情福利司机影院| 麻豆成人av视频| 汤姆久久久久久久影院中文字幕| 偷拍熟女少妇极品色| 成年免费大片在线观看| 一个人看视频在线观看www免费| 国产亚洲5aaaaa淫片| 激情五月婷婷亚洲| av免费观看日本| 成人特级av手机在线观看| 国产黄色视频一区二区在线观看| 精品久久久噜噜| 肉色欧美久久久久久久蜜桃| 自拍欧美九色日韩亚洲蝌蚪91 | 国产色爽女视频免费观看| 夫妻性生交免费视频一级片| 搡女人真爽免费视频火全软件| 啦啦啦视频在线资源免费观看| 国产无遮挡羞羞视频在线观看| 亚洲无线观看免费| 美女主播在线视频| 欧美成人a在线观看| 久久久久久久国产电影| www.av在线官网国产| 亚洲天堂av无毛| 精品少妇久久久久久888优播| 免费看日本二区| 内射极品少妇av片p| 国产一区二区三区av在线| 久久99热这里只频精品6学生| 婷婷色av中文字幕| 十八禁网站网址无遮挡 | 久久青草综合色| 91精品国产九色| 日韩,欧美,国产一区二区三区| av免费观看日本| 久久 成人 亚洲| 在线亚洲精品国产二区图片欧美 | 97超碰精品成人国产| 这个男人来自地球电影免费观看 | 国产欧美另类精品又又久久亚洲欧美| 狂野欧美白嫩少妇大欣赏| 国产av一区二区精品久久 | 亚洲va在线va天堂va国产| 国产精品久久久久久精品古装| 亚洲久久久国产精品| 3wmmmm亚洲av在线观看| 日韩欧美精品免费久久| 男女无遮挡免费网站观看| 天天躁夜夜躁狠狠久久av| 国产精品欧美亚洲77777| 国产精品99久久99久久久不卡 | 精品久久久噜噜| 男的添女的下面高潮视频| 国产亚洲午夜精品一区二区久久| 日韩 亚洲 欧美在线| av视频免费观看在线观看| freevideosex欧美| 天美传媒精品一区二区| 最近最新中文字幕大全电影3| 肉色欧美久久久久久久蜜桃| 免费av中文字幕在线| 在线免费观看不下载黄p国产| 亚洲av中文字字幕乱码综合| av国产免费在线观看| 日日摸夜夜添夜夜爱| 内地一区二区视频在线| 亚洲欧美精品自产自拍| 日韩强制内射视频| 午夜精品国产一区二区电影| 精品熟女少妇av免费看| 伦理电影免费视频| 在线亚洲精品国产二区图片欧美 | 亚洲国产日韩一区二区| 日韩制服骚丝袜av| 国产淫片久久久久久久久| 久久久精品免费免费高清| 婷婷色麻豆天堂久久| 日韩成人av中文字幕在线观看| 亚洲国产成人一精品久久久| 精品熟女少妇av免费看| 久久综合国产亚洲精品| 欧美 日韩 精品 国产| 久久国产精品大桥未久av | 中文乱码字字幕精品一区二区三区| 久久国产精品男人的天堂亚洲 | 中文字幕免费在线视频6| 欧美最新免费一区二区三区| 高清av免费在线| 免费黄色在线免费观看| 人人妻人人澡人人爽人人夜夜| 黑人高潮一二区| 少妇人妻精品综合一区二区| 亚洲中文av在线| 十分钟在线观看高清视频www | 美女视频免费永久观看网站| 国产男女超爽视频在线观看| 多毛熟女@视频| 亚洲成人一二三区av| 亚洲中文av在线| 爱豆传媒免费全集在线观看| 99热这里只有是精品在线观看| 亚洲最大成人中文| 亚洲av男天堂| 一级黄片播放器| 久久精品国产亚洲av涩爱| 国内揄拍国产精品人妻在线| 狂野欧美激情性bbbbbb| 成人免费观看视频高清| 日本猛色少妇xxxxx猛交久久| 久久人人爽人人片av| 久久精品国产亚洲av涩爱| 精品国产三级普通话版| 国产亚洲精品久久久com| 另类亚洲欧美激情| 国产伦精品一区二区三区视频9| 久久久色成人| 少妇高潮的动态图| 少妇的逼好多水| 成人二区视频| 肉色欧美久久久久久久蜜桃| 嫩草影院新地址| 在线观看人妻少妇| 久久99精品国语久久久| 18禁裸乳无遮挡免费网站照片| 午夜视频国产福利| 草草在线视频免费看| 99久国产av精品国产电影| 亚洲精华国产精华液的使用体验| 十分钟在线观看高清视频www | 国产久久久一区二区三区| 精品熟女少妇av免费看| 国产高清国产精品国产三级 | 国产无遮挡羞羞视频在线观看| 午夜免费观看性视频| 国内少妇人妻偷人精品xxx网站| 多毛熟女@视频| 99久国产av精品国产电影| 久久久久久久久久久丰满| 五月开心婷婷网| 少妇人妻一区二区三区视频| av国产精品久久久久影院| 又爽又黄a免费视频| 亚洲一区二区三区欧美精品| 97热精品久久久久久| 小蜜桃在线观看免费完整版高清| 99久久精品热视频| 色视频www国产| 99视频精品全部免费 在线| 男女边吃奶边做爰视频| 直男gayav资源| 日韩av不卡免费在线播放| 最近中文字幕高清免费大全6| 国产大屁股一区二区在线视频| 2022亚洲国产成人精品| 在现免费观看毛片| 亚洲经典国产精华液单| 国国产精品蜜臀av免费| 精品人妻一区二区三区麻豆| 国产午夜精品久久久久久一区二区三区| 美女内射精品一级片tv| 日日摸夜夜添夜夜添av毛片| 黑人高潮一二区| 亚洲精品中文字幕在线视频 | 午夜福利在线在线| 美女内射精品一级片tv| 国产伦理片在线播放av一区| 五月玫瑰六月丁香| 狠狠精品人妻久久久久久综合| 寂寞人妻少妇视频99o| 日本av手机在线免费观看| 国产亚洲av片在线观看秒播厂| 久久热精品热| 免费观看的影片在线观看| 97超碰精品成人国产| 少妇人妻久久综合中文| 超碰97精品在线观看| 永久网站在线| 亚洲欧美日韩卡通动漫| 久久久欧美国产精品| 少妇人妻 视频| 黄色视频在线播放观看不卡| 欧美日韩综合久久久久久| 伦理电影免费视频| 亚洲三级黄色毛片| 七月丁香在线播放| 国产精品蜜桃在线观看| 亚洲精品自拍成人| av不卡在线播放| 亚洲久久久国产精品| 国产成人精品婷婷| 国产精品蜜桃在线观看| 一区二区三区精品91| 18禁裸乳无遮挡免费网站照片| 亚洲国产精品999| 七月丁香在线播放| 欧美高清性xxxxhd video| 亚洲av国产av综合av卡| 能在线免费看毛片的网站| 人人妻人人爽人人添夜夜欢视频 | 舔av片在线| 精品人妻一区二区三区麻豆| 男女下面进入的视频免费午夜| 国产 精品1| 免费av不卡在线播放| 日韩强制内射视频| 在线观看免费视频网站a站| 国产精品秋霞免费鲁丝片| 狂野欧美白嫩少妇大欣赏| 九九在线视频观看精品| 免费观看无遮挡的男女| 亚洲欧美成人精品一区二区| 亚洲av福利一区| 欧美日韩亚洲高清精品| 日产精品乱码卡一卡2卡三| 亚洲四区av| 国产一区二区三区综合在线观看 | 大香蕉久久网| 深爱激情五月婷婷| 午夜免费观看性视频| 色婷婷av一区二区三区视频| 欧美成人精品欧美一级黄| 久久久亚洲精品成人影院| 国产免费一区二区三区四区乱码| 国产精品一区二区三区四区免费观看| 午夜免费鲁丝| 人人妻人人看人人澡| 国产欧美另类精品又又久久亚洲欧美| 狠狠精品人妻久久久久久综合| freevideosex欧美| 亚洲人与动物交配视频| 欧美精品一区二区大全| 免费观看的影片在线观看| 黄色一级大片看看| 91在线精品国自产拍蜜月| 久热这里只有精品99| 日本vs欧美在线观看视频 | 大香蕉久久网| 久久99热这里只频精品6学生| 80岁老熟妇乱子伦牲交| 亚洲一级一片aⅴ在线观看| 嘟嘟电影网在线观看| 午夜福利高清视频| 亚洲国产精品成人久久小说| 欧美三级亚洲精品| 春色校园在线视频观看| 日韩国内少妇激情av| av一本久久久久| 久久久a久久爽久久v久久| 亚洲欧洲国产日韩| 纯流量卡能插随身wifi吗| 久久久午夜欧美精品| 老司机影院成人| 一个人看的www免费观看视频| 99九九线精品视频在线观看视频| 另类亚洲欧美激情| av一本久久久久| 成人一区二区视频在线观看| 在线观看三级黄色| 日韩视频在线欧美| 2018国产大陆天天弄谢| 成人一区二区视频在线观看| 精品久久久久久久久av| 青春草视频在线免费观看| 菩萨蛮人人尽说江南好唐韦庄| 18禁动态无遮挡网站| 蜜臀久久99精品久久宅男| av女优亚洲男人天堂| 精品熟女少妇av免费看| 亚洲va在线va天堂va国产| 黄色日韩在线| av卡一久久| 91狼人影院| 国产高清国产精品国产三级 | 亚洲色图综合在线观看| 看免费成人av毛片| 免费观看性生交大片5| 国产精品人妻久久久久久| 亚洲欧洲日产国产| 成人一区二区视频在线观看| 五月玫瑰六月丁香| 联通29元200g的流量卡| 国产一区亚洲一区在线观看| 中文字幕久久专区| 国产精品人妻久久久影院| 在线观看人妻少妇| 亚洲精品色激情综合| 亚洲精品一区蜜桃| 一级毛片 在线播放| 高清在线视频一区二区三区| 少妇人妻 视频| 精品99又大又爽又粗少妇毛片| 91aial.com中文字幕在线观看| a级毛色黄片| 久久精品人妻少妇| 97精品久久久久久久久久精品| 两个人的视频大全免费| 亚洲国产色片| 欧美另类一区| 97超碰精品成人国产| 一级a做视频免费观看| 成人美女网站在线观看视频| 少妇的逼好多水| 欧美一级a爱片免费观看看| 亚洲av.av天堂| 女的被弄到高潮叫床怎么办| 少妇人妻 视频| 欧美高清性xxxxhd video| 久久精品久久久久久噜噜老黄| 女的被弄到高潮叫床怎么办| 国产一区二区三区av在线| 久久久久性生活片| 国产午夜精品久久久久久一区二区三区| a级毛色黄片| 在线观看免费日韩欧美大片 | 下体分泌物呈黄色| 国产永久视频网站| 青春草国产在线视频| 亚洲精品日韩在线中文字幕| 久久久久性生活片| 欧美日韩视频精品一区| 美女cb高潮喷水在线观看| 国产毛片在线视频| 国产真实伦视频高清在线观看| 91aial.com中文字幕在线观看| 女人十人毛片免费观看3o分钟| 国产欧美日韩精品一区二区| 99热国产这里只有精品6| 五月天丁香电影| 高清视频免费观看一区二区| 日本wwww免费看| 涩涩av久久男人的天堂| 久久久久国产精品人妻一区二区| 国产成人freesex在线| 国产一区亚洲一区在线观看| 精品人妻熟女av久视频| av视频免费观看在线观看| 午夜日本视频在线| 亚洲,一卡二卡三卡| 久久精品熟女亚洲av麻豆精品| 精品人妻偷拍中文字幕| 亚洲高清免费不卡视频| 国产成人精品一,二区| 国产成人一区二区在线| 97在线视频观看| 久久久a久久爽久久v久久| 26uuu在线亚洲综合色| 妹子高潮喷水视频| 亚洲精品乱码久久久久久按摩| 亚洲成人手机| 免费看光身美女| 一二三四中文在线观看免费高清| 国产av一区二区精品久久 | 男男h啪啪无遮挡| 黄色日韩在线| av不卡在线播放| 色网站视频免费| 午夜福利影视在线免费观看| 国产黄片美女视频| 亚洲综合精品二区| 国产白丝娇喘喷水9色精品| 欧美性感艳星| 亚洲中文av在线| 久久久久久久精品精品| 国产精品不卡视频一区二区| 搡老乐熟女国产| 99久久精品一区二区三区| 噜噜噜噜噜久久久久久91| 少妇精品久久久久久久| 免费久久久久久久精品成人欧美视频 | 一区二区三区乱码不卡18| 黄色配什么色好看| 插阴视频在线观看视频| 人妻夜夜爽99麻豆av| 丰满少妇做爰视频| 三级国产精品欧美在线观看| 春色校园在线视频观看| 亚洲精品乱码久久久久久按摩| 日本黄色片子视频| 国产黄频视频在线观看| 国产v大片淫在线免费观看| 蜜臀久久99精品久久宅男| 美女视频免费永久观看网站| 日本wwww免费看| 成年av动漫网址| 久久久久久久久大av| 狂野欧美激情性bbbbbb| 久久99蜜桃精品久久| 性色av一级| 亚洲精品乱码久久久久久按摩| 欧美丝袜亚洲另类| 一级毛片黄色毛片免费观看视频| 熟女人妻精品中文字幕| 日本与韩国留学比较| 狂野欧美激情性bbbbbb| 精华霜和精华液先用哪个| 性色av一级| 少妇人妻 视频| 99热这里只有是精品50| 一本—道久久a久久精品蜜桃钙片| 美女中出高潮动态图| 18禁裸乳无遮挡动漫免费视频| 成人一区二区视频在线观看| 蜜桃在线观看..| 我的女老师完整版在线观看| 大又大粗又爽又黄少妇毛片口| 爱豆传媒免费全集在线观看| 亚洲欧美成人精品一区二区| 国产精品一区二区在线不卡| 成人免费观看视频高清| 99久国产av精品国产电影| 免费观看在线日韩| 青春草国产在线视频| 亚洲欧美精品自产自拍| 少妇熟女欧美另类| 欧美bdsm另类| 欧美极品一区二区三区四区| 各种免费的搞黄视频| 久久久久久人妻| 亚洲国产欧美在线一区| 久久av网站| 国产综合精华液| 久久久久久久久久久免费av| 成年人午夜在线观看视频| 国产高潮美女av| 超碰97精品在线观看| 国产精品无大码| 国产在线一区二区三区精| 国产精品人妻久久久影院| 免费少妇av软件| 伦理电影免费视频| 18+在线观看网站| 黄色怎么调成土黄色| 欧美区成人在线视频| 亚洲精品国产av成人精品| 亚洲精品视频女| 如何舔出高潮| 亚洲美女视频黄频| 午夜免费观看性视频| 日本爱情动作片www.在线观看| 欧美激情极品国产一区二区三区 | 亚洲第一av免费看| 激情 狠狠 欧美| 看十八女毛片水多多多| 男男h啪啪无遮挡| 中文天堂在线官网| 狂野欧美白嫩少妇大欣赏| 日韩伦理黄色片| 久久久久久久亚洲中文字幕| 日本猛色少妇xxxxx猛交久久| 精品少妇黑人巨大在线播放| 一区二区三区乱码不卡18| 永久网站在线| 男人狂女人下面高潮的视频| 七月丁香在线播放| 联通29元200g的流量卡| av在线播放精品| 亚洲在久久综合| 中文字幕精品免费在线观看视频 | 男女边吃奶边做爰视频| 欧美激情国产日韩精品一区| 最近手机中文字幕大全| 国产女主播在线喷水免费视频网站| 婷婷色av中文字幕| av又黄又爽大尺度在线免费看| 观看免费一级毛片| 舔av片在线| 最近中文字幕2019免费版| 18禁裸乳无遮挡免费网站照片| freevideosex欧美| 熟女人妻精品中文字幕| 久久99精品国语久久久| 老女人水多毛片| 黑人猛操日本美女一级片| 亚洲无线观看免费| 一区二区三区乱码不卡18| 久久久色成人| 欧美日韩综合久久久久久| 51国产日韩欧美| 成人国产麻豆网| 久久久久久久久久久丰满| 91久久精品国产一区二区三区| 亚洲丝袜综合中文字幕| 91精品伊人久久大香线蕉| 人妻夜夜爽99麻豆av| 久久精品夜色国产| 国产成人91sexporn| 国产又色又爽无遮挡免| 成人18禁高潮啪啪吃奶动态图 | 久久av网站| 舔av片在线| 岛国毛片在线播放| 嫩草影院新地址| 国产在线免费精品| 久久97久久精品| 国产黄片美女视频| av不卡在线播放| 日本-黄色视频高清免费观看| 国产亚洲精品久久久com| 久久99蜜桃精品久久| 又黄又爽又刺激的免费视频.| 丰满迷人的少妇在线观看| 九草在线视频观看| 亚洲欧美一区二区三区国产| 久久99热这里只有精品18| 夜夜爽夜夜爽视频| 国产免费视频播放在线视频| 国产乱人视频| 亚洲成人一二三区av| 久久人人爽人人爽人人片va| 久热这里只有精品99| 青青草视频在线视频观看| 成年美女黄网站色视频大全免费 | 亚洲国产欧美在线一区| 亚洲欧美日韩东京热| a 毛片基地| 一区二区三区精品91| 国产成人a区在线观看| 亚洲色图综合在线观看| 全区人妻精品视频| 亚洲精品中文字幕在线视频 | 国产一区二区三区av在线| 久热久热在线精品观看| 国产男人的电影天堂91| 看十八女毛片水多多多| 国产精品久久久久久av不卡| 亚洲精品自拍成人| 一个人免费看片子| 色哟哟·www| 大陆偷拍与自拍| 超碰97精品在线观看| 亚洲欧洲国产日韩| 熟女av电影| 免费观看的影片在线观看| 亚洲av中文av极速乱| 新久久久久国产一级毛片| 久久人人爽av亚洲精品天堂 | 夜夜骑夜夜射夜夜干| 婷婷色综合大香蕉| av在线app专区| 午夜免费鲁丝| 国产乱人视频| 在线亚洲精品国产二区图片欧美 | 26uuu在线亚洲综合色| 小蜜桃在线观看免费完整版高清| 成人18禁高潮啪啪吃奶动态图 | 久久久久久久国产电影| 伦理电影免费视频| 精品酒店卫生间| 青春草国产在线视频| xxx大片免费视频| 欧美变态另类bdsm刘玥| 日韩欧美精品免费久久| av免费观看日本| 少妇精品久久久久久久| 国产免费视频播放在线视频| 久久99精品国语久久久| 久久精品国产鲁丝片午夜精品| 观看美女的网站| 中文字幕av成人在线电影| 久久久久久久大尺度免费视频| 成人影院久久|