• <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 ?

    改進卷積玻爾茲曼機的圖像特征深度提取

    2016-05-17 07:24:51張立民范曉磊
    關(guān)鍵詞:深度學(xué)習(xí)

    劉 凱,張立民,范曉磊

    (1.海軍航空工程學(xué)院 基礎(chǔ)實驗部,264001 山東 煙臺; 2. 海軍航空工程學(xué)院 信息融合研究所, 264001 山東 煙臺;3. 第二炮兵工程大學(xué) 士官職業(yè)技術(shù)教育學(xué)院,262500 山東 青州)

    ?

    改進卷積玻爾茲曼機的圖像特征深度提取

    劉凱1,張立民2,范曉磊3

    (1.海軍航空工程學(xué)院 基礎(chǔ)實驗部,264001 山東 煙臺; 2. 海軍航空工程學(xué)院 信息融合研究所, 264001 山東 煙臺;3. 第二炮兵工程大學(xué) 士官職業(yè)技術(shù)教育學(xué)院,262500 山東 青州)

    摘要:針對卷積深度和信念網(wǎng)絡(luò)存在計算復(fù)雜度高和訓(xùn)練緩慢的問題,提出卷積深度玻爾茲曼機用于圖像特征提取. 針對卷積受限玻爾茲曼機進行改進,提出最大化圖像中間區(qū)域概率的訓(xùn)練目標函數(shù),并引入性能較好的交叉熵稀疏懲罰因子和dropout訓(xùn)練方法. 設(shè)計卷積深度玻爾茲曼機結(jié)構(gòu),提出均值聚合機制,將聚合層內(nèi)點的值定義為block中各點激活概率均值,對層間關(guān)聯(lián)進行簡化,將聚合層內(nèi)各面直接疊加以供高層CRBM提取特征. 通過在MNIST手寫數(shù)字識別集上的實驗結(jié)果證明,采用新模型提取的圖像特征分類準確率提高0.5%、訓(xùn)練時間減少50%,且達到了目前MNIST數(shù)據(jù)集的最佳水平.

    關(guān)鍵詞:深度學(xué)習(xí);圖像特征提??;卷積受限玻爾茲曼機;卷積深度玻爾茲曼機

    基于能量模型的受限玻爾茲曼機RBM(restricted boltzmann machine)[1]以其簡單的人工神經(jīng)網(wǎng)絡(luò)形式和快速的學(xué)習(xí)算法,已經(jīng)廣泛應(yīng)用于數(shù)據(jù)降維、語音識別和圖像處理等多個機器學(xué)習(xí)領(lǐng)域,進而催生出機器學(xué)習(xí)一個新的方向——深度學(xué)習(xí)[2]. 目前以受限玻爾茲曼機為基礎(chǔ)的圖像處理方法通常采用兩種方式構(gòu)建模型:一是直接將圖像中每一個像素對應(yīng)于一個可見單元[3];二是采用向量化的多種特征作為可見單元[4]. 這兩種方式的弊端在于:模型只能處理較小的圖像,難以處理大尺度圖像;選取的是顯式特征,受個人經(jīng)驗影響較大,靈活性差. 因此文獻[5]提出了卷積受限玻爾茲曼機CRBM(convolutional RBM),構(gòu)建了卷積深度信念網(wǎng)絡(luò)CDBN(convolutional deep belief net)用于提取不同層次的圖像表達,在手寫字識別和人臉識別中取得了最好結(jié)果,但仍然存在計算復(fù)雜度高、訓(xùn)練緩慢等問題.

    參考目前性能較好的其他神經(jīng)模型[6-8],本文提出一種基于改進CRBM的圖像特征深度提取方法. 首先對CRBM進行改進,設(shè)計了圖像的補零操作以及CRBM新訓(xùn)練目標,引入稀疏性能較好的交叉熵稀疏懲罰因子抑制CRBM的特征同質(zhì)化問題;然后提出了均值聚合機制和簡化層間關(guān)系的深度學(xué)習(xí)模型——卷積深度玻爾茲曼機CDBM(convolutional deep boltzmann machine).

    1卷積受限玻爾茲曼機

    1.1CRBM模型

    CRBM是類似于RBM的兩層結(jié)構(gòu). 設(shè)CRBM可見單元層為NV×NV的二值矩陣V,且包含K個NW×NW的卷積核,則隱單元層由K個大小為NH×NH的特征映射面組成,標記其中第k個特征映射面Hk的卷積核為Wk,偏置為bk. 該特征映射面中第i行第j列的隱單元條件激活概率為

    式中:σ為sigmoid函數(shù),(Wk*V)ij表示卷積核Wk與可見層V中以第i行第j列單元為左上角的大小為NW×NW矩形塊卷積.

    (1)

    參照文獻[5],CRBM的卷積操作如圖1所示,其中可見單元層中無陰影部分為圖像的中間區(qū)域Vm(大小為(Nv-2(NW-1))×(Nv-2(NW-1))).

    圖1 CRBM卷積操作

    從圖1可以看出,根據(jù)式(1)僅僅能夠得到Vm區(qū)域單元的后驗激活概率. 對于可見單元層的非中間區(qū)域Vb,由于其可見單元參與卷積的次數(shù)與Vm不同,因此需要單獨對待,且文獻[5]忽視了這一問題. 1.2卷積受限玻爾茲曼機改進

    針對CRBM模型可見單元重構(gòu)問題,提出CRBM的3個改進措施.

    1.2.1交叉熵稀疏懲罰因子

    在RBM對網(wǎng)絡(luò)連接權(quán)值進行學(xué)習(xí)的過程中,存在的主要問題是特征學(xué)習(xí)的同質(zhì)化. 由于所有隱單元都是在相互獨立的基礎(chǔ)上對訓(xùn)練數(shù)據(jù)進行學(xué)習(xí),當訓(xùn)練數(shù)據(jù)中存在某種共有特征時,隱單元均會受到影響,表現(xiàn)在RBM學(xué)習(xí)到的連接權(quán)值(即數(shù)據(jù)特征模式)之間的列(對應(yīng)于每個隱單元)相似度過高,而解決這一問題的方法就是調(diào)節(jié)隱單元的稀疏性.

    1.2.2改進訓(xùn)練目標

    鑒于CRBM可見單元重構(gòu)的分析,提出通過補零操作將邊緣區(qū)域Vb納入到中間區(qū)域得到Vm′,從而滿足式(1)計算. 因此改進后的模型訓(xùn)練目標FTarget由文獻[5]的最大化圖像似然概率變?yōu)樽畲蠡a零后圖像中間區(qū)域似然概率,即

    式中:Vm′表示新圖像中間區(qū)域重構(gòu)數(shù)值,尺寸為原始圖像大小,避免了文獻[5]中圖像非中間區(qū)域Vb不能通過式(1)直接計算得到的缺陷;Vb′代表新圖像的非中間部分,由0組成;Vm′|Vb′表示Vb′保持不變;-PE代表最小化交叉熵稀疏懲罰因子,即使CRBM在學(xué)習(xí)過程中的特征映射面平均激活概率與p之間的Kullback-Leiber距離最小.

    1.2.3dropout訓(xùn)練方法

    引入dropout的目的在于防止訓(xùn)練過擬合,其方式為在模型訓(xùn)練時以概率q隨機設(shè)置網(wǎng)絡(luò)中若干隱單元權(quán)值為0.

    2卷積深度玻爾茲曼機

    由于單層CRBM提取圖像特征能力有限,并為更好形成圖像高層特征表達,構(gòu)建了基于CRBM的深度學(xué)習(xí)模型——卷積深度玻爾茲曼機(CDBM).CDBM較CDBN的優(yōu)勢在于計算復(fù)雜度較小且具有精準的聚合機制以及簡潔的層間關(guān)聯(lián).

    2.1均值聚合機制

    為使提取出的特征對輸入樣本具有較高的畸變?nèi)萑棠芰?,并增強算法對圖像的縮放大小的健壯性,借鑒CNN[11],對CDBM中增加隱單元聚合機制.

    文獻[5]提出概率聚合(probabilisticpool)機制,目的在于適應(yīng)RBM的雙向連接結(jié)構(gòu),但問題是隱單元的聚合計算復(fù)雜度較高. 文獻[12]提出極大值聚合(MaxPool)機制,將block中隱單元的后驗激活概率最大值作為聚合層對應(yīng)點數(shù)值,其優(yōu)勢在于有效降低聚合機制的算法復(fù)雜度,但缺陷為易忽略圖像中的細微特征,而這些特征對于圖像識別往往是有效的.

    鑒于以上兩種聚合機制的優(yōu)缺點,提出新的聚合機制——均值聚合:將聚合層單元的值定義為對應(yīng)block中所有隱單元后驗激活概率的均值,即

    (2)

    從式(2)可以看出,均值聚合的計算復(fù)雜度遠低于概率聚合. 為直觀顯示不同聚合機制差異,以Lena圖像為例,生成的聚合圖像如圖2所示,其中block大小為4×4.

    (a)概率聚合   (b)極大值聚合   (c)均值聚合

    從圖2可以看出,極大值聚合下的圖像細節(jié)最模糊;而概率聚合和均值聚合圖像較為貼近原始圖像. 采用基于SIFT特征的圖像匹配,3幅聚合圖像與原始圖像之間的特征點匹配關(guān)系如表1所示.

    表1 不同聚合圖像與原始圖像間SIFT特征點匹配個數(shù)

    從表1數(shù)據(jù)可以看出,極大值聚合圖像與原始圖像匹配的特征點數(shù)最少,概率聚合與均值聚合數(shù)目接近,且概率聚合圖像與均值聚合圖像更為接近. 結(jié)合圖2可證明,采用概率聚合和均值聚合機制生成的聚合層圖像能夠保留原始圖像較多特征,同時鑒于均值聚合較小的計算復(fù)雜度,使用均值聚合機制更具備優(yōu)勢.

    2.2CDBM結(jié)構(gòu)

    參照CDBN結(jié)構(gòu),對CDBM模型層間關(guān)聯(lián)進行設(shè)計. 以6層CDBM為例,其模型結(jié)構(gòu)如圖3所示. 模型輸入層即L1層為原始圖像本身;L2層為低層特征提取層,與L1構(gòu)成低層CRBM;L3層為聚合層,由L2層特征映射面通過均值聚合機制并相互疊加生成;L3層與L4層構(gòu)成高層CRBM,完成圖像底層特征向高層特征的組合;L5層為L4的聚合合并層,并作為圖像特征用于后續(xù)處理. 與CDBN不同之處在于: CDBN中L3層由多個聚合面組成,其二級CRBM卷積核為三維;CDBM中L3由L2生成的各個聚合面疊加生成,二級CRBM的卷積核為二維.

    圖3 CDBM結(jié)構(gòu)圖

    2.3CDBM訓(xùn)練

    由于CDBM中L2-L3與L4-L5間為單向連接,因此CDBM的訓(xùn)練按照逐層貪婪無監(jiān)督訓(xùn)練[13]. 即首先對每一級CRBM進行無監(jiān)督學(xué)習(xí),待CRBM達到數(shù)據(jù)收斂條件或超過訓(xùn)練迭代次數(shù)后,固定本層CRBM參數(shù),隨后繼續(xù)下級CRBM訓(xùn)練.

    3實驗

    MNIST數(shù)據(jù)集為0到9的10個大小為28×28手寫數(shù)字圖像集合,其中訓(xùn)練集個數(shù)為60 000,測試集個數(shù)為10 000[14]. 為加速訓(xùn)練和學(xué)習(xí),將訓(xùn)練集的每100幅作為一個batch,用于參數(shù)更新. 實驗平臺采用安裝Matlab(2013a)的主頻為2.4 GHz的臺式機. 3.1CRBM訓(xùn)練目標實驗

    本實驗采用重構(gòu)誤差作為評價RBM模型訓(xùn)練效果標準,其值是以訓(xùn)練數(shù)據(jù)作為初始狀態(tài),計算經(jīng)過若干次Gibbs Sample后與原數(shù)據(jù)的一階范數(shù)差值. 為驗證改進后新訓(xùn)練目標的學(xué)習(xí),設(shè)置了如下2種訓(xùn)練過程(模型卷積核個數(shù)為24,大小為7×7,隱單元稀疏度系數(shù)p=0.05,學(xué)習(xí)速率η=0.01,循環(huán)迭代次數(shù)為20).

    1)原始訓(xùn)練過程:以最大化圖像重構(gòu)概率為訓(xùn)練目標,選用誤差平方和稀疏懲罰因子.

    2)新訓(xùn)練過程:以最大化補零圖像重構(gòu)概率為訓(xùn)練目標,選用誤差平方和稀疏懲罰因子.

    2種訓(xùn)練方法過程中的重構(gòu)誤差如圖4所示.

    圖4 兩種訓(xùn)練方法的重構(gòu)誤差對比

    從圖4可以看出,新訓(xùn)練過程的模型重構(gòu)誤差較低,表明經(jīng)訓(xùn)練后的CRBM對數(shù)據(jù)具有更好的似然度. 其原因在于新訓(xùn)練過程完成了對原始圖像邊緣區(qū)域的重構(gòu),從而降低了模型訓(xùn)練過程中的重構(gòu)誤差.

    3.2稀疏懲罰因子實驗

    為驗證不同稀疏懲罰因子對CRBM訓(xùn)練的影響,結(jié)合實驗1結(jié)果,選取新的訓(xùn)練目標函數(shù)和相同的模型設(shè)置進行CRBM訓(xùn)練. 圖5為在3種不同稀疏懲罰因子下的CRBM卷積核可視化圖.

    從圖5可以看出: 在沒有稀疏懲罰因子的情況下,CRBM出現(xiàn)了嚴重的特征同質(zhì)化現(xiàn)象,絕大多數(shù)卷積核相似并且沒有對應(yīng)的特征表現(xiàn);采用稀疏懲罰因子后,卷積核之間差異變大且都有較為明顯的數(shù)字筆畫部分,證明了稀疏懲罰因子能夠有效地避免特征同質(zhì)化問題;從圖5(b)和圖5(c)對比發(fā)現(xiàn),圖5(b)中仍然存在著個別卷積核相似的現(xiàn)象,圖5(c)的卷積核之間差異變大,說明相較于誤差平方和稀疏懲罰因子,在交叉熵稀疏懲罰因子下CRBM學(xué)習(xí)的特征更局部化,克服CRBM特征同質(zhì)化的效果較好,證明特征同質(zhì)化得到進一步弱化.

    完成CRBM訓(xùn)練后,選用特征映射面作為手寫字特征,采用LIBSVM[15]提供的徑向基支持向量機(RBF-SVM)和線性支持向量機(LSVM)作為最終分類器,其中參數(shù)設(shè)置除了核函數(shù)選擇不同外,其余均為默認設(shè)置,其實驗結(jié)果如表2所示.

    (a)無稀疏懲罰因子

    (b)誤差平方和稀疏懲罰因子

    (c)交叉熵稀疏懲罰因子

    稀疏懲罰機制特征向量維數(shù)分類準確率RBFLSVM無1220.120.20誤差平方和12297.6095.60交叉熵12298.3095.65

    從表2數(shù)據(jù)可以看出,采用交叉熵稀疏懲罰因子的CRBM分類準確率最高,而沒有采用稀疏懲罰機制的CRBM訓(xùn)練無效,且選用RBF-SVM為分類器的準確率要高于LSVM,其原因在于CRBM中的可見單元通常參與多次卷積運算,這會增強模型訓(xùn)練時原始數(shù)據(jù)共有特征的影響,因此選用稀疏懲罰較好的交叉熵因子能夠改善特征同質(zhì)化帶來的模型特征分辨力差問題.

    4結(jié)論

    CDBM實現(xiàn)了從圖像底層特征到高層特征的提取,其過程符合實際的生物神經(jīng)網(wǎng)絡(luò),并且實驗結(jié)果證明了該模型能夠取得良好效果. CDBM通過訓(xùn)練數(shù)據(jù)進行無監(jiān)督學(xué)習(xí),避免了以往顯式的特征抽取,而是對訓(xùn)練數(shù)據(jù)進行隱式學(xué)習(xí),減少了個人經(jīng)驗對圖像特征提取的影響. 相比于CRBM構(gòu)建的深度網(wǎng)絡(luò)CDBN,經(jīng)優(yōu)化后的CDBM訓(xùn)練時間更短,并可以有效完成圖像特征的提取. 今后工作應(yīng)繼續(xù)改進CRBM學(xué)習(xí)算法過程,減少模型訓(xùn)練時間,詳細分析模型參數(shù)對于訓(xùn)練學(xué)習(xí)的影響,并將新模型應(yīng)用到更多領(lǐng)域.

    參考文獻

    [1] 劉建偉, 劉媛, 羅雄麟. 玻爾茲曼機研究進展[J]. 計算機研究與發(fā)展, 2014, 51(1): 1-16.

    [2] 林妙真. 基于深度學(xué)習(xí)的人臉識別研究[D]. 大連: 大連理工大學(xué), 2013.

    [3] LAROCHELLE H, ERHAN D, COURVILLE A, et al. An empirical evaluation of deep architectures on problems with many factors of variation[C]// Proceedings of the 24th international conference on Machine learning. New York: ACM, 2007: 473-480.

    [4] SRIVASTAVA N, SALAKHUTDINOV R. Multimodal learning with deep boltzmann machines[C]// Advances in neural information processing systems 2012. New York: ACM, 2012: 2222-2230.

    [5] LEE H, GROSSE R, RANGANATH R, et al. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations[C]// Proceedings of the 26th Annual International Conference on Machine Learning. New York: ACM, 2009: 609-616.

    [6] GOODFELLOW I, WARDE-FARLEY D, MIRZA M, et al. Maxout Networks[C]// Proceedings of the 30th International Conference on Machine Learning. Piscataway. NJ: IEEE, 2013: 1319-1327.

    [7] CIRESAN D C, MEIER U, MASCI J, et al. Flexible, high performance convolutional neural networks for image classification[C]// Proceedings International Joint Conference on Artificial Intelligence 2011. New York: ACM, 2011: 22(1) . 1237-1239.

    [8] CIRESAN D, MEIER U, SCHMIDHUBER J. Multi-column deep neural networks for image classification[C]// IEEE Conference on Computer Vision and Pattern Recognition 2012. Piscataway, NJ: IEEE, 2012: 3642-3649.

    [9] LEE H, EKANADHAM C, NG A Y. Sparse deep belief net model for visual area V2[C]// Advances in Neural Information Processing Systems 2008 . New York: ACM, 2008: 873-880.

    [10]HINTON G. A practical guide to training restricted boltzmann machines[M]. Berlin: Springer Berlin Heidelberg, 2012: 599-619.

    [11]LAWRENCE S, GILES C L, TSOI A C, et al. Face recognition: A convolutional neural-network approach [J]. IEEE Transactions on Neural Networks, 1997, 8(1): 98-113.

    [12]NOROUZI M. Convolutional restricted boltzmann machines for feature learning [D]. Vancouver: School of Computing Science-Simon Fraser University, 2009.

    [13]LE Q V. Building high-level features using large scale unsupervised learning[C]// Conference on Acoustics, Speech and Signal Processing. Piscataway, NJ: IEEE, 2013: 8595-8598.

    [14]LIU C L, NAKASHIMA K, SAKO H.Handwritten digit recognition: benchmarking of state-of-the-art techniques[J]. Pattern Recognition, 2003, 36(10): 2271-2285.

    [15]CHANG C C, LIN C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 27-31.

    (編輯王小唯苗秀芝)

    New image deep feature extraction based on improved CRBM

    LIU Kai1, ZHANG Limin2, FAN Xiaolei3

    (1. Department of Basic Experiment, Naval Aeronautical and Astronautical University, 264001 Yantai, Shandong, China;2. Research Institute of Information Fusion, Naval Aeronautical and Astronautical University, 264001 Yantai, Shandong, China;3.Noncommission Officers Vocational and Technical Education College, The Second Artillery Engineering University,262500 Qingzhou, Shandong, China)

    Abstract:To resolve the problems of high computational complexity and slow training in Convolutional Deep Belief Net, Convolutional Deep Boltzmann Machine(CDBM) is proposed to extract image features. To improve the Convelution Restricted Boltzmann Machine(CRBM), a new training objective function to maximize the probability of intermediate image area is proposed, along with introducing the cross-entropy penalty factor and dropout training. After that, CDBM is designed based on modified CRBM. The mean-pool mechanism is presented to lessen computational complexity and improve the robustness of features for image scaling. The relationship between layers is simplified to extract high-level abstract features. The MNIST handwritten digits database is used to test this new model and the results prove that features extracted by CDBM are more accurate than CDBN. The classification accuracy rate increase at least 0.5%, and training time decrease more than 50%.

    Keywords:deep learning; image features extraction; CRBM; CDBM

    中圖分類號:TP391.4

    文獻標志碼:A

    文章編號:0367-6234(2016)05-0155-05

    通信作者:張立民, wendao_2008@163.com.

    作者簡介:劉凱(1986—),男,博士研究生;張立民(1976—),男,教授,博士生導(dǎo)師.

    基金項目:國家自然科學(xué)基金項目(61032001).

    收稿日期:2005-04-01.

    doi:10.11918/j.issn.0367-6234.2016.05.025

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠程開放實驗平臺構(gòu)建研究
    基于自動智能分類器的圖書館亂架圖書檢測
    搭建深度學(xué)習(xí)的三級階梯
    有體驗的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識別研究
    利用網(wǎng)絡(luò)技術(shù)促進學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    又爽又黄无遮挡网站| 欧美一区二区精品小视频在线| 大型黄色视频在线免费观看| 男女床上黄色一级片免费看| 十八禁人妻一区二区| 国产69精品久久久久777片 | 国产精品乱码一区二三区的特点| 成人国产一区最新在线观看| 亚洲18禁久久av| 色精品久久人妻99蜜桃| 国产人伦9x9x在线观看| 亚洲熟女毛片儿| 国内揄拍国产精品人妻在线| 丝袜美腿诱惑在线| 国产亚洲欧美98| 麻豆一二三区av精品| 国产一区二区三区视频了| 欧美黑人精品巨大| 亚洲精品中文字幕一二三四区| 99久久无色码亚洲精品果冻| aaaaa片日本免费| 熟女少妇亚洲综合色aaa.| 欧美国产日韩亚洲一区| 成人国产综合亚洲| 亚洲国产精品sss在线观看| 俄罗斯特黄特色一大片| 可以免费在线观看a视频的电影网站| 成人欧美大片| 老熟妇仑乱视频hdxx| 亚洲成人国产一区在线观看| 黄片大片在线免费观看| 两个人看的免费小视频| 亚洲 欧美 日韩 在线 免费| 长腿黑丝高跟| 欧美日韩福利视频一区二区| 国产av麻豆久久久久久久| 色哟哟哟哟哟哟| 丰满人妻一区二区三区视频av | 久久精品国产亚洲av香蕉五月| 国产伦人伦偷精品视频| 蜜桃久久精品国产亚洲av| www日本在线高清视频| 无遮挡黄片免费观看| 嫩草影院精品99| 国产成人av教育| 亚洲精品av麻豆狂野| 久久婷婷成人综合色麻豆| 国产免费av片在线观看野外av| 亚洲av美国av| 亚洲中文av在线| 美女黄网站色视频| 亚洲精品久久成人aⅴ小说| 午夜福利18| 一a级毛片在线观看| 国产蜜桃级精品一区二区三区| 88av欧美| 日本a在线网址| 日本免费a在线| 亚洲黑人精品在线| 亚洲黑人精品在线| 精品久久久久久久末码| 1024视频免费在线观看| 大型av网站在线播放| 国产熟女午夜一区二区三区| 中文字幕久久专区| 又黄又粗又硬又大视频| 日本a在线网址| 国产一区二区在线av高清观看| 久久香蕉国产精品| 亚洲精华国产精华精| xxxwww97欧美| 色在线成人网| 最好的美女福利视频网| 丰满的人妻完整版| 天天添夜夜摸| 午夜精品在线福利| 成熟少妇高潮喷水视频| 久久久久久久久中文| 精品少妇一区二区三区视频日本电影| 欧美 亚洲 国产 日韩一| 淫妇啪啪啪对白视频| 久久久久久久久中文| 91老司机精品| 成人一区二区视频在线观看| 欧美一级毛片孕妇| 午夜久久久久精精品| 看免费av毛片| 亚洲 欧美一区二区三区| 看片在线看免费视频| 熟妇人妻久久中文字幕3abv| 久久久久国产精品人妻aⅴ院| 一二三四在线观看免费中文在| 999久久久精品免费观看国产| 男女午夜视频在线观看| 亚洲美女视频黄频| 国产欧美日韩一区二区精品| 欧美乱色亚洲激情| 亚洲国产看品久久| 国产欧美日韩一区二区精品| 成人永久免费在线观看视频| 国产一区在线观看成人免费| 毛片女人毛片| 精品久久久久久久人妻蜜臀av| 此物有八面人人有两片| 日韩av在线大香蕉| 中文字幕久久专区| 午夜免费成人在线视频| 啪啪无遮挡十八禁网站| 一级毛片女人18水好多| 嫩草影视91久久| 亚洲性夜色夜夜综合| 又爽又黄无遮挡网站| 成人国产综合亚洲| 天堂动漫精品| 欧美3d第一页| 精品福利观看| 美女黄网站色视频| 久久久久久亚洲精品国产蜜桃av| 亚洲va日本ⅴa欧美va伊人久久| 丁香欧美五月| 精品欧美国产一区二区三| 一级毛片高清免费大全| 国产不卡一卡二| 久久天躁狠狠躁夜夜2o2o| 国产av一区在线观看免费| 国产精品亚洲一级av第二区| 淫秽高清视频在线观看| 法律面前人人平等表现在哪些方面| 欧美精品亚洲一区二区| 女生性感内裤真人,穿戴方法视频| 亚洲成a人片在线一区二区| 亚洲专区字幕在线| 婷婷六月久久综合丁香| 久99久视频精品免费| 91在线观看av| 久久精品夜夜夜夜夜久久蜜豆 | 国产人伦9x9x在线观看| 此物有八面人人有两片| 亚洲国产精品成人综合色| 日本在线视频免费播放| 一进一出抽搐gif免费好疼| 欧美日韩中文字幕国产精品一区二区三区| 久久久久性生活片| 成人18禁在线播放| 正在播放国产对白刺激| 日本三级黄在线观看| 可以在线观看毛片的网站| 色老头精品视频在线观看| 777久久人妻少妇嫩草av网站| 亚洲熟女毛片儿| 成人国产一区最新在线观看| 99久久精品热视频| 在线观看日韩欧美| 成年版毛片免费区| 欧美日韩中文字幕国产精品一区二区三区| cao死你这个sao货| 欧美乱妇无乱码| 国产日本99.免费观看| 亚洲欧洲精品一区二区精品久久久| 亚洲欧美日韩东京热| 亚洲欧美日韩无卡精品| 国产精品自产拍在线观看55亚洲| av福利片在线| 最新美女视频免费是黄的| 国产精品乱码一区二三区的特点| 无遮挡黄片免费观看| 欧美性猛交╳xxx乱大交人| 两性夫妻黄色片| 欧美另类亚洲清纯唯美| 黄色毛片三级朝国网站| 国产精品一区二区精品视频观看| 亚洲中文字幕日韩| 国产99白浆流出| 中文字幕人成人乱码亚洲影| 免费看a级黄色片| 欧美av亚洲av综合av国产av| 国产私拍福利视频在线观看| 舔av片在线| 黄片大片在线免费观看| 亚洲欧美激情综合另类| 精品久久久久久久久久久久久| 9191精品国产免费久久| 在线a可以看的网站| 2021天堂中文幕一二区在线观| 欧美黄色片欧美黄色片| 亚洲熟妇熟女久久| 国产精品日韩av在线免费观看| 久久久久久国产a免费观看| 在线观看日韩欧美| 亚洲欧美精品综合久久99| 黑人操中国人逼视频| 国产黄片美女视频| 久久婷婷成人综合色麻豆| 五月伊人婷婷丁香| 亚洲精品美女久久久久99蜜臀| 欧美zozozo另类| 真人一进一出gif抽搐免费| 亚洲avbb在线观看| 波多野结衣巨乳人妻| 老司机深夜福利视频在线观看| 日韩中文字幕欧美一区二区| 精品国产美女av久久久久小说| 久久久精品欧美日韩精品| 欧美在线一区亚洲| 国产亚洲欧美98| 成人欧美大片| 国产精品久久久久久久电影 | 亚洲国产中文字幕在线视频| 欧美乱色亚洲激情| 亚洲国产精品sss在线观看| 黄频高清免费视频| 欧美丝袜亚洲另类 | 欧美3d第一页| 在线十欧美十亚洲十日本专区| 美女大奶头视频| 性色av乱码一区二区三区2| 国产97色在线日韩免费| 人妻丰满熟妇av一区二区三区| av福利片在线观看| 亚洲成人精品中文字幕电影| 婷婷六月久久综合丁香| 性色av乱码一区二区三区2| 精品午夜福利视频在线观看一区| 男人舔奶头视频| 国产精品久久视频播放| 亚洲国产日韩欧美精品在线观看 | 久久国产精品影院| 一区福利在线观看| 免费高清视频大片| 国产亚洲av嫩草精品影院| 亚洲人成网站高清观看| 999久久久精品免费观看国产| 亚洲18禁久久av| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美最黄视频在线播放免费| 日韩欧美 国产精品| 十八禁网站免费在线| 男人的好看免费观看在线视频 | 午夜免费观看网址| 中国美女看黄片| 99热这里只有是精品50| 国产午夜福利久久久久久| 国产精品久久久人人做人人爽| 制服丝袜大香蕉在线| 在线看三级毛片| 黄色a级毛片大全视频| 欧美成人午夜精品| 在线永久观看黄色视频| 91av网站免费观看| 国产精品亚洲av一区麻豆| 搞女人的毛片| 国产高清视频在线播放一区| 亚洲精品粉嫩美女一区| 久久亚洲真实| 黄色丝袜av网址大全| 黄色成人免费大全| 国内揄拍国产精品人妻在线| 一个人免费在线观看电影 | 三级毛片av免费| 99精品在免费线老司机午夜| 99久久久亚洲精品蜜臀av| 欧美日韩中文字幕国产精品一区二区三区| 在线看三级毛片| 精品久久久久久久人妻蜜臀av| 国产精品综合久久久久久久免费| 午夜福利免费观看在线| 久久久久国产一级毛片高清牌| 天天一区二区日本电影三级| 免费看a级黄色片| 国产伦人伦偷精品视频| 老司机午夜福利在线观看视频| 熟妇人妻久久中文字幕3abv| 精华霜和精华液先用哪个| 麻豆av在线久日| 午夜精品一区二区三区免费看| 久久欧美精品欧美久久欧美| а√天堂www在线а√下载| 亚洲国产精品久久男人天堂| 亚洲国产高清在线一区二区三| 变态另类丝袜制服| 又爽又黄无遮挡网站| 国语自产精品视频在线第100页| 99热只有精品国产| 国产精品美女特级片免费视频播放器 | АⅤ资源中文在线天堂| 给我免费播放毛片高清在线观看| 国产99久久九九免费精品| 日韩欧美 国产精品| 国产黄a三级三级三级人| 久久这里只有精品19| 亚洲成av人片在线播放无| 老汉色∧v一级毛片| 久久久水蜜桃国产精品网| 操出白浆在线播放| 国产成人精品久久二区二区免费| 人人妻,人人澡人人爽秒播| 亚洲一码二码三码区别大吗| 久久伊人香网站| 成人特级黄色片久久久久久久| 国产91精品成人一区二区三区| 99在线视频只有这里精品首页| 久久久久久久久中文| 国产三级在线视频| 精品免费久久久久久久清纯| 欧美日韩亚洲国产一区二区在线观看| 777久久人妻少妇嫩草av网站| 国产精品,欧美在线| 一级作爱视频免费观看| 亚洲成av人片在线播放无| 草草在线视频免费看| 97超级碰碰碰精品色视频在线观看| 高潮久久久久久久久久久不卡| 精品人妻1区二区| 在线观看免费午夜福利视频| 久久久久久九九精品二区国产 | 12—13女人毛片做爰片一| 一边摸一边抽搐一进一小说| 变态另类成人亚洲欧美熟女| 母亲3免费完整高清在线观看| 不卡av一区二区三区| 黄色视频,在线免费观看| 国产激情偷乱视频一区二区| 亚洲国产欧美人成| 国产1区2区3区精品| 国产欧美日韩精品亚洲av| 最新美女视频免费是黄的| 黄色女人牲交| 日本三级黄在线观看| 中文字幕人成人乱码亚洲影| 校园春色视频在线观看| 在线观看一区二区三区| 欧美中文综合在线视频| 午夜a级毛片| 首页视频小说图片口味搜索| 国产精品影院久久| 国产视频内射| 亚洲自拍偷在线| 非洲黑人性xxxx精品又粗又长| 一区二区三区高清视频在线| 亚洲成人久久爱视频| 悠悠久久av| 久久性视频一级片| 精品一区二区三区视频在线观看免费| 给我免费播放毛片高清在线观看| 身体一侧抽搐| 亚洲一卡2卡3卡4卡5卡精品中文| 国内少妇人妻偷人精品xxx网站 | 日韩欧美在线乱码| 成在线人永久免费视频| 国产熟女xx| 天天添夜夜摸| 亚洲午夜理论影院| av在线天堂中文字幕| 看黄色毛片网站| 国产亚洲欧美在线一区二区| 午夜日韩欧美国产| 国产精品av久久久久免费| 亚洲午夜理论影院| 91av网站免费观看| 欧美日韩瑟瑟在线播放| 亚洲一码二码三码区别大吗| 国产精品99久久99久久久不卡| 免费人成视频x8x8入口观看| 变态另类成人亚洲欧美熟女| 午夜免费激情av| 精品不卡国产一区二区三区| 高清毛片免费观看视频网站| 不卡一级毛片| 欧美日韩福利视频一区二区| 波多野结衣高清无吗| 黄色片一级片一级黄色片| 老熟妇仑乱视频hdxx| 精品熟女少妇八av免费久了| 国产三级中文精品| 欧美黄色淫秽网站| 国产一区二区在线观看日韩 | 国产成人精品久久二区二区91| 熟妇人妻久久中文字幕3abv| 午夜亚洲福利在线播放| 日韩精品中文字幕看吧| 免费看十八禁软件| 亚洲中文字幕一区二区三区有码在线看 | 18禁裸乳无遮挡免费网站照片| 国产精品免费视频内射| 在线观看免费日韩欧美大片| 日韩欧美 国产精品| 久99久视频精品免费| 男人舔女人的私密视频| 99久久精品国产亚洲精品| 国产野战对白在线观看| 午夜福利成人在线免费观看| 亚洲美女视频黄频| 男女那种视频在线观看| 88av欧美| 一区二区三区国产精品乱码| 精品国产乱码久久久久久男人| 免费在线观看视频国产中文字幕亚洲| 国产成人精品久久二区二区91| 激情在线观看视频在线高清| 国模一区二区三区四区视频 | 免费电影在线观看免费观看| 夜夜躁狠狠躁天天躁| 亚洲av成人av| 99久久99久久久精品蜜桃| 亚洲狠狠婷婷综合久久图片| 特级一级黄色大片| 岛国在线免费视频观看| 国产亚洲av高清不卡| 十八禁人妻一区二区| 999久久久精品免费观看国产| 麻豆成人午夜福利视频| 神马国产精品三级电影在线观看 | 久久婷婷人人爽人人干人人爱| 精品久久久久久久久久久久久| 亚洲,欧美精品.| 高潮久久久久久久久久久不卡| 19禁男女啪啪无遮挡网站| 国产成人精品久久二区二区免费| 国产伦人伦偷精品视频| 亚洲专区国产一区二区| 1024手机看黄色片| 午夜免费成人在线视频| 校园春色视频在线观看| 在线免费观看的www视频| 亚洲在线自拍视频| 九九热线精品视视频播放| 久久久久免费精品人妻一区二区| 两个人视频免费观看高清| av免费在线观看网站| 这个男人来自地球电影免费观看| 每晚都被弄得嗷嗷叫到高潮| 操出白浆在线播放| 日韩成人在线观看一区二区三区| 日本在线视频免费播放| 国产欧美日韩精品亚洲av| 中文字幕高清在线视频| 一夜夜www| 777久久人妻少妇嫩草av网站| 国产成人影院久久av| 精品国产超薄肉色丝袜足j| 别揉我奶头~嗯~啊~动态视频| 亚洲午夜精品一区,二区,三区| 亚洲aⅴ乱码一区二区在线播放 | 两人在一起打扑克的视频| 亚洲欧美日韩无卡精品| 亚洲第一电影网av| 十八禁网站免费在线| 日韩欧美在线乱码| 亚洲aⅴ乱码一区二区在线播放 | 欧美黄色淫秽网站| 国产av一区二区精品久久| 最近最新中文字幕大全电影3| 亚洲精品美女久久av网站| 91在线观看av| 国产精品 国内视频| 精品一区二区三区视频在线观看免费| 精品无人区乱码1区二区| 精华霜和精华液先用哪个| 亚洲欧洲精品一区二区精品久久久| 久久精品国产亚洲av香蕉五月| x7x7x7水蜜桃| 12—13女人毛片做爰片一| 狠狠狠狠99中文字幕| 91在线观看av| 十八禁网站免费在线| 午夜福利成人在线免费观看| 国产三级在线视频| 在线观看免费午夜福利视频| 国产午夜福利久久久久久| 日韩大码丰满熟妇| 国产亚洲精品一区二区www| 免费电影在线观看免费观看| 国产精品久久电影中文字幕| 人人妻人人澡欧美一区二区| 亚洲欧美激情综合另类| 免费在线观看影片大全网站| 亚洲欧美日韩高清专用| 亚洲熟女毛片儿| 亚洲国产欧美一区二区综合| 成人国产综合亚洲| 国产亚洲精品久久久久5区| 日日夜夜操网爽| 久久天堂一区二区三区四区| 精品欧美一区二区三区在线| 亚洲真实伦在线观看| 国产v大片淫在线免费观看| 久久婷婷人人爽人人干人人爱| 啦啦啦观看免费观看视频高清| 久久中文字幕人妻熟女| 亚洲国产高清在线一区二区三| 亚洲成人久久爱视频| 国产av在哪里看| 熟女少妇亚洲综合色aaa.| 五月玫瑰六月丁香| 特级一级黄色大片| 久久性视频一级片| 国产三级在线视频| 国产aⅴ精品一区二区三区波| 久久久久久国产a免费观看| 欧美精品啪啪一区二区三区| 制服诱惑二区| 天天躁狠狠躁夜夜躁狠狠躁| 久久国产精品人妻蜜桃| 欧美性猛交╳xxx乱大交人| 亚洲专区国产一区二区| 热99re8久久精品国产| www日本黄色视频网| 国产成人av激情在线播放| 亚洲狠狠婷婷综合久久图片| 一级黄色大片毛片| 国内精品久久久久久久电影| 色综合亚洲欧美另类图片| 精品久久久久久久人妻蜜臀av| cao死你这个sao货| ponron亚洲| 午夜福利成人在线免费观看| 亚洲熟妇熟女久久| 婷婷亚洲欧美| 欧美日韩福利视频一区二区| av欧美777| 看免费av毛片| 大型av网站在线播放| 12—13女人毛片做爰片一| 欧美一级毛片孕妇| 国产欧美日韩精品亚洲av| 两性午夜刺激爽爽歪歪视频在线观看 | 国产激情欧美一区二区| 69av精品久久久久久| 日本黄大片高清| 欧美黄色淫秽网站| 亚洲精品色激情综合| 好看av亚洲va欧美ⅴa在| 十八禁人妻一区二区| 国产男靠女视频免费网站| 午夜久久久久精精品| 成在线人永久免费视频| 亚洲中文字幕日韩| 欧美中文日本在线观看视频| 岛国视频午夜一区免费看| 韩国av一区二区三区四区| www.www免费av| 国产精品久久久久久亚洲av鲁大| 高清在线国产一区| 亚洲性夜色夜夜综合| 熟女电影av网| 欧美丝袜亚洲另类 | 欧美成狂野欧美在线观看| 久久人人精品亚洲av| 男女那种视频在线观看| 男女之事视频高清在线观看| 黄色 视频免费看| 欧美极品一区二区三区四区| 麻豆国产97在线/欧美 | 国产亚洲精品久久久久5区| 妹子高潮喷水视频| 成熟少妇高潮喷水视频| 琪琪午夜伦伦电影理论片6080| 午夜激情av网站| 精品一区二区三区四区五区乱码| 国产91精品成人一区二区三区| 国产精品亚洲美女久久久| 午夜精品在线福利| 色噜噜av男人的天堂激情| 亚洲av中文字字幕乱码综合| 久久精品成人免费网站| 亚洲美女黄片视频| 一级毛片女人18水好多| 一个人观看的视频www高清免费观看 | av免费在线观看网站| 免费在线观看成人毛片| 国产精品免费一区二区三区在线| 无限看片的www在线观看| 亚洲欧美日韩高清专用| av欧美777| 国产亚洲精品综合一区在线观看 | 婷婷精品国产亚洲av在线| 最近最新中文字幕大全电影3| 男女之事视频高清在线观看| 国产高清视频在线播放一区| 欧美国产日韩亚洲一区| 久久人妻福利社区极品人妻图片| 国产午夜福利久久久久久| 午夜福利成人在线免费观看| 视频区欧美日本亚洲| 在线a可以看的网站| 国产97色在线日韩免费| АⅤ资源中文在线天堂| 国产精品98久久久久久宅男小说| 国产视频内射| 天堂√8在线中文| 成年版毛片免费区| 97超级碰碰碰精品色视频在线观看| 男女床上黄色一级片免费看| 亚洲av五月六月丁香网| 老司机午夜十八禁免费视频| 天堂动漫精品| 国产精品1区2区在线观看.| 国产日本99.免费观看| 波多野结衣高清作品| 欧美不卡视频在线免费观看 | 色综合亚洲欧美另类图片| 成人永久免费在线观看视频| tocl精华| 久久99热这里只有精品18| 欧美乱码精品一区二区三区| tocl精华| 黄色女人牲交| 搞女人的毛片| 99久久国产精品久久久| 美女高潮喷水抽搐中文字幕| 亚洲色图av天堂| 国产69精品久久久久777片 | 热99re8久久精品国产| 日韩欧美三级三区| 亚洲av五月六月丁香网|