• <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?。痪矸e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
    欧美日韩av久久| 极品少妇高潮喷水抽搐| 欧美人与性动交α欧美软件| 中文字幕高清在线视频| 久久久久人妻精品一区果冻| 综合色丁香网| 大片电影免费在线观看免费| 国产成人免费观看mmmm| 啦啦啦在线观看免费高清www| 国产熟女午夜一区二区三区| 午夜老司机福利片| 狂野欧美激情性xxxx| 操出白浆在线播放| 国产精品成人在线| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲一区二区三区欧美精品| 日本av免费视频播放| av片东京热男人的天堂| 日本一区二区免费在线视频| 日韩制服骚丝袜av| 成人三级做爰电影| 亚洲国产精品一区三区| 一二三四中文在线观看免费高清| av电影中文网址| 狂野欧美激情性bbbbbb| 久久久久久久大尺度免费视频| 精品亚洲成a人片在线观看| 日韩 欧美 亚洲 中文字幕| 国产伦理片在线播放av一区| 亚洲av电影在线进入| 国产伦人伦偷精品视频| 国产成人精品久久二区二区91 | 最黄视频免费看| 桃花免费在线播放| 欧美国产精品一级二级三级| 亚洲精品久久午夜乱码| 午夜福利影视在线免费观看| 亚洲五月色婷婷综合| 久久久久久免费高清国产稀缺| 乱人伦中国视频| avwww免费| www.av在线官网国产| 51午夜福利影视在线观看| 超色免费av| 色婷婷av一区二区三区视频| √禁漫天堂资源中文www| 亚洲综合色网址| e午夜精品久久久久久久| 男女边吃奶边做爰视频| 久久久久久久精品精品| 9色porny在线观看| 男男h啪啪无遮挡| 欧美日韩av久久| 18禁观看日本| 丝袜喷水一区| a级片在线免费高清观看视频| 久久久国产精品麻豆| 中文天堂在线官网| 国产精品成人在线| 大码成人一级视频| 精品少妇久久久久久888优播| 咕卡用的链子| 国产乱来视频区| 新久久久久国产一级毛片| 秋霞伦理黄片| av有码第一页| 久久免费观看电影| 国产极品天堂在线| 永久免费av网站大全| 欧美日韩成人在线一区二区| 久久久精品国产亚洲av高清涩受| 2018国产大陆天天弄谢| 日本爱情动作片www.在线观看| 欧美人与性动交α欧美软件| 激情视频va一区二区三区| av在线app专区| 国产成人午夜福利电影在线观看| 久久精品人人爽人人爽视色| 久久免费观看电影| 菩萨蛮人人尽说江南好唐韦庄| svipshipincom国产片| 啦啦啦视频在线资源免费观看| 国产老妇伦熟女老妇高清| 亚洲精品国产区一区二| tube8黄色片| 欧美黑人欧美精品刺激| 中文字幕另类日韩欧美亚洲嫩草| 大话2 男鬼变身卡| 亚洲熟女精品中文字幕| 国产成人欧美在线观看 | 少妇人妻 视频| 国产成人啪精品午夜网站| 久久97久久精品| 欧美日韩精品网址| 亚洲美女搞黄在线观看| 国产精品国产av在线观看| a级片在线免费高清观看视频| 黄色一级大片看看| 亚洲国产欧美一区二区综合| 中国国产av一级| 啦啦啦啦在线视频资源| 国产欧美亚洲国产| 亚洲伊人久久精品综合| 久久影院123| 免费观看性生交大片5| 无限看片的www在线观看| 亚洲专区中文字幕在线 | 下体分泌物呈黄色| 国产欧美亚洲国产| xxx大片免费视频| 亚洲欧美中文字幕日韩二区| 亚洲欧美成人精品一区二区| 国产 一区精品| 亚洲,一卡二卡三卡| 黑人巨大精品欧美一区二区蜜桃| 在线看a的网站| svipshipincom国产片| 一级黄片播放器| 99re6热这里在线精品视频| av福利片在线| 热99国产精品久久久久久7| 秋霞伦理黄片| 欧美精品一区二区免费开放| 午夜激情久久久久久久| av国产精品久久久久影院| 一区二区三区四区激情视频| 欧美日韩精品网址| 97在线人人人人妻| 老汉色av国产亚洲站长工具| 亚洲精品视频女| 日韩一卡2卡3卡4卡2021年| 黑人欧美特级aaaaaa片| 免费日韩欧美在线观看| 18禁动态无遮挡网站| 人妻 亚洲 视频| 人体艺术视频欧美日本| 欧美人与性动交α欧美精品济南到| 成人三级做爰电影| 一级毛片我不卡| 中文字幕制服av| 国产精品国产av在线观看| 男女之事视频高清在线观看 | 男女下面插进去视频免费观看| 精品国产乱码久久久久久小说| 亚洲欧洲精品一区二区精品久久久 | 青春草亚洲视频在线观看| 欧美 亚洲 国产 日韩一| 午夜精品国产一区二区电影| 亚洲精品一二三| 亚洲精品aⅴ在线观看| 日韩不卡一区二区三区视频在线| 亚洲av电影在线观看一区二区三区| 2021少妇久久久久久久久久久| 18禁观看日本| 成年人免费黄色播放视频| 日韩一本色道免费dvd| 狂野欧美激情性xxxx| 日日爽夜夜爽网站| 在线免费观看不下载黄p国产| 国产日韩欧美在线精品| 欧美黄色片欧美黄色片| 国产av码专区亚洲av| 99香蕉大伊视频| 黑人欧美特级aaaaaa片| 美女国产高潮福利片在线看| 男女午夜视频在线观看| 啦啦啦 在线观看视频| 一区二区三区精品91| 国产精品三级大全| 高清欧美精品videossex| 天天躁夜夜躁狠狠躁躁| 欧美人与善性xxx| 亚洲一区二区三区欧美精品| av网站在线播放免费| av不卡在线播放| 久久久久精品性色| 亚洲图色成人| 女人久久www免费人成看片| 欧美日韩视频精品一区| 午夜久久久在线观看| 亚洲自偷自拍图片 自拍| 99久久人妻综合| 欧美变态另类bdsm刘玥| 国产精品av久久久久免费| 亚洲激情五月婷婷啪啪| av网站在线播放免费| 丝袜美足系列| 亚洲精品中文字幕在线视频| 日韩电影二区| 精品免费久久久久久久清纯 | 老司机影院毛片| 国产亚洲欧美精品永久| 亚洲图色成人| 国产精品无大码| 亚洲综合精品二区| 看免费成人av毛片| 搡老乐熟女国产| 嫩草影视91久久| 中文天堂在线官网| av电影中文网址| 久久久欧美国产精品| 亚洲欧美成人综合另类久久久| 久久久久网色| 亚洲精品美女久久av网站| 亚洲成国产人片在线观看| 免费黄色在线免费观看| 肉色欧美久久久久久久蜜桃| 日日爽夜夜爽网站| 欧美黄色片欧美黄色片| 亚洲一级一片aⅴ在线观看| 国产在视频线精品| 国产精品蜜桃在线观看| 亚洲精品一二三| 久久性视频一级片| 国产精品熟女久久久久浪| 91精品三级在线观看| 大码成人一级视频| 亚洲图色成人| 波多野结衣一区麻豆| 一本大道久久a久久精品| 亚洲欧美成人精品一区二区| 久久久国产一区二区| 欧美 日韩 精品 国产| 高清黄色对白视频在线免费看| 看免费av毛片| 蜜桃在线观看..| 七月丁香在线播放| 性色av一级| 黄频高清免费视频| 男男h啪啪无遮挡| 国产又色又爽无遮挡免| 亚洲成国产人片在线观看| 蜜桃国产av成人99| 国产女主播在线喷水免费视频网站| 丁香六月欧美| 国产成人午夜福利电影在线观看| 国产精品一国产av| 丁香六月欧美| 亚洲自偷自拍图片 自拍| 九九爱精品视频在线观看| 欧美老熟妇乱子伦牲交| 国产极品天堂在线| 精品久久蜜臀av无| 婷婷色综合www| 日本91视频免费播放| 国产有黄有色有爽视频| 色吧在线观看| 2021少妇久久久久久久久久久| 亚洲国产毛片av蜜桃av| 天堂中文最新版在线下载| 啦啦啦在线观看免费高清www| 国产片特级美女逼逼视频| h视频一区二区三区| 久久久久久久久久久久大奶| 国产人伦9x9x在线观看| 另类精品久久| 欧美激情极品国产一区二区三区| 久久久久精品久久久久真实原创| 嫩草影院入口| 精品亚洲成国产av| 久久人妻熟女aⅴ| 18禁裸乳无遮挡动漫免费视频| 国产精品熟女久久久久浪| 亚洲精品久久成人aⅴ小说| 日韩人妻精品一区2区三区| 成人影院久久| 亚洲精品国产区一区二| 人人妻人人澡人人爽人人夜夜| 女人精品久久久久毛片| 免费日韩欧美在线观看| 久久久精品免费免费高清| 又大又爽又粗| 色视频在线一区二区三区| 国产精品久久久久久精品古装| 在线精品无人区一区二区三| 日韩精品有码人妻一区| netflix在线观看网站| 国产xxxxx性猛交| 一级,二级,三级黄色视频| 黑人欧美特级aaaaaa片| 纯流量卡能插随身wifi吗| 天天添夜夜摸| 又粗又硬又长又爽又黄的视频| 老司机影院成人| kizo精华| 国产欧美日韩综合在线一区二区| 99九九在线精品视频| 欧美97在线视频| 欧美亚洲 丝袜 人妻 在线| 国产成人免费无遮挡视频| 丁香六月天网| 国产女主播在线喷水免费视频网站| av一本久久久久| 国产精品久久久久久精品古装| 久久久久久久久久久免费av| 18禁裸乳无遮挡动漫免费视频| 国产 精品1| 美女脱内裤让男人舔精品视频| 亚洲综合色网址| 一边摸一边做爽爽视频免费| 午夜福利在线免费观看网站| bbb黄色大片| 不卡av一区二区三区| 亚洲视频免费观看视频| 哪个播放器可以免费观看大片| 日日摸夜夜添夜夜爱| tube8黄色片| 这个男人来自地球电影免费观看 | 少妇被粗大的猛进出69影院| 亚洲一卡2卡3卡4卡5卡精品中文| 日韩欧美精品免费久久| 午夜免费观看性视频| 国产黄频视频在线观看| 午夜日韩欧美国产| avwww免费| 亚洲精品,欧美精品| 少妇猛男粗大的猛烈进出视频| 午夜影院在线不卡| 18在线观看网站| 91精品国产国语对白视频| 欧美精品高潮呻吟av久久| 视频在线观看一区二区三区| 制服人妻中文乱码| 亚洲少妇的诱惑av| 日韩一本色道免费dvd| 午夜激情久久久久久久| 侵犯人妻中文字幕一二三四区| 男女床上黄色一级片免费看| 日韩不卡一区二区三区视频在线| 国产精品久久久久久精品电影小说| avwww免费| 国产极品天堂在线| 午夜日韩欧美国产| 午夜免费男女啪啪视频观看| 欧美国产精品一级二级三级| 久久久欧美国产精品| 国产精品欧美亚洲77777| 亚洲国产成人一精品久久久| 亚洲欧美精品自产自拍| 精品一区在线观看国产| 久久久精品区二区三区| 午夜福利免费观看在线| av网站在线播放免费| 男人舔女人的私密视频| 波多野结衣一区麻豆| 热re99久久精品国产66热6| 亚洲av国产av综合av卡| 亚洲五月色婷婷综合| 久久久亚洲精品成人影院| 亚洲欧美中文字幕日韩二区| 久久久亚洲精品成人影院| 黄色视频在线播放观看不卡| 日韩一本色道免费dvd| 国产 精品1| 国产精品久久久久久人妻精品电影 | 纯流量卡能插随身wifi吗| 性高湖久久久久久久久免费观看| 午夜激情久久久久久久| 成年av动漫网址| 99精品久久久久人妻精品| 亚洲国产欧美日韩在线播放| 日本一区二区免费在线视频| 人人妻,人人澡人人爽秒播 | 国产片内射在线| 久久精品aⅴ一区二区三区四区| 各种免费的搞黄视频| 欧美精品高潮呻吟av久久| 狂野欧美激情性xxxx| 亚洲国产毛片av蜜桃av| 国产男女内射视频| 少妇被粗大的猛进出69影院| 国产一区二区 视频在线| 欧美黄色片欧美黄色片| 啦啦啦中文免费视频观看日本| 老汉色av国产亚洲站长工具| 91精品伊人久久大香线蕉| 成人亚洲精品一区在线观看| 久久人人爽av亚洲精品天堂| 国产色婷婷99| 天天躁夜夜躁狠狠久久av| 中文字幕高清在线视频| 久久久欧美国产精品| 色吧在线观看| 丝袜在线中文字幕| 母亲3免费完整高清在线观看| 国产1区2区3区精品| 在线观看免费视频网站a站| 亚洲欧洲国产日韩| 国产精品一区二区精品视频观看| 久久精品人人爽人人爽视色| 亚洲欧洲精品一区二区精品久久久 | 精品亚洲乱码少妇综合久久| 欧美亚洲 丝袜 人妻 在线| 夜夜骑夜夜射夜夜干| 老汉色av国产亚洲站长工具| 国产激情久久老熟女| 99久久人妻综合| 欧美精品一区二区免费开放| 国产精品久久久久成人av| 在线天堂中文资源库| 国产亚洲最大av| 乱人伦中国视频| 久久精品亚洲av国产电影网| 我要看黄色一级片免费的| 美女高潮到喷水免费观看| 欧美精品av麻豆av| 国产野战对白在线观看| av免费观看日本| 少妇 在线观看| av.在线天堂| 久久韩国三级中文字幕| 久久天堂一区二区三区四区| 桃花免费在线播放| 如何舔出高潮| 亚洲精品视频女| 亚洲四区av| 久久精品人人爽人人爽视色| 久久人人爽av亚洲精品天堂| 男女无遮挡免费网站观看| 菩萨蛮人人尽说江南好唐韦庄| 热re99久久精品国产66热6| 交换朋友夫妻互换小说| 好男人视频免费观看在线| 亚洲成av片中文字幕在线观看| svipshipincom国产片| 国产亚洲精品第一综合不卡| 美女主播在线视频| 日韩一区二区三区影片| 国产成人精品久久二区二区91 | 久久国产精品男人的天堂亚洲| 视频区图区小说| 欧美亚洲日本最大视频资源| 久久人妻熟女aⅴ| 久久青草综合色| 久热这里只有精品99| 色吧在线观看| 九九爱精品视频在线观看| 亚洲精品,欧美精品| 黄色视频在线播放观看不卡| 最近中文字幕2019免费版| av在线播放精品| a级片在线免费高清观看视频| 中文精品一卡2卡3卡4更新| 丝瓜视频免费看黄片| 制服诱惑二区| 亚洲五月色婷婷综合| 纵有疾风起免费观看全集完整版| 午夜日韩欧美国产| 黄色视频不卡| 青春草亚洲视频在线观看| 精品一品国产午夜福利视频| 一级毛片 在线播放| 天天躁夜夜躁狠狠躁躁| 亚洲色图 男人天堂 中文字幕| 亚洲欧美日韩另类电影网站| 成年美女黄网站色视频大全免费| 69精品国产乱码久久久| 亚洲精品日本国产第一区| 亚洲av日韩精品久久久久久密 | 人人妻人人澡人人看| 飞空精品影院首页| 色吧在线观看| 久久天堂一区二区三区四区| 国产免费视频播放在线视频| 免费观看av网站的网址| 免费黄色在线免费观看| 少妇被粗大猛烈的视频| 免费黄频网站在线观看国产| 伦理电影免费视频| 亚洲中文av在线| 亚洲欧美清纯卡通| 亚洲激情五月婷婷啪啪| 亚洲精品国产av蜜桃| 爱豆传媒免费全集在线观看| 国产一卡二卡三卡精品 | 久久av网站| 国产1区2区3区精品| 男女之事视频高清在线观看 | 亚洲精品国产区一区二| 色吧在线观看| 国产一卡二卡三卡精品 | 欧美黑人欧美精品刺激| 女人爽到高潮嗷嗷叫在线视频| 欧美精品一区二区大全| 亚洲av综合色区一区| 波多野结衣一区麻豆| 亚洲国产欧美日韩在线播放| 大香蕉久久成人网| 美女国产高潮福利片在线看| 成年人免费黄色播放视频| 天美传媒精品一区二区| 日韩欧美一区视频在线观看| 啦啦啦在线观看免费高清www| 18禁国产床啪视频网站| 美女福利国产在线| 国产精品久久久久久人妻精品电影 | 久久精品国产亚洲av高清一级| 国产乱来视频区| 国产精品秋霞免费鲁丝片| 日韩视频在线欧美| 精品少妇久久久久久888优播| 精品国产露脸久久av麻豆| 久热爱精品视频在线9| 久久精品久久久久久噜噜老黄| 午夜影院在线不卡| 人人妻人人添人人爽欧美一区卜| 丝袜美腿诱惑在线| 亚洲五月色婷婷综合| 少妇人妻 视频| 在线观看免费视频网站a站| 久久精品久久精品一区二区三区| 成年美女黄网站色视频大全免费| 超碰97精品在线观看| 一本—道久久a久久精品蜜桃钙片| 午夜免费观看性视频| 天美传媒精品一区二区| www.av在线官网国产| 日日摸夜夜添夜夜爱| 日韩欧美一区视频在线观看| 亚洲av成人精品一二三区| 亚洲图色成人| 99精品久久久久人妻精品| 亚洲一区中文字幕在线| 欧美激情高清一区二区三区 | 在线天堂最新版资源| 亚洲欧美清纯卡通| 天堂中文最新版在线下载| 免费日韩欧美在线观看| 永久免费av网站大全| 黄色视频在线播放观看不卡| 日韩一本色道免费dvd| 精品少妇一区二区三区视频日本电影 | 天天躁夜夜躁狠狠久久av| 久热爱精品视频在线9| 国产精品偷伦视频观看了| 国产一级毛片在线| 亚洲色图 男人天堂 中文字幕| 飞空精品影院首页| 国产欧美日韩综合在线一区二区| 自线自在国产av| 亚洲国产av影院在线观看| 十八禁高潮呻吟视频| 中文字幕色久视频| 美女午夜性视频免费| 男女边吃奶边做爰视频| 免费看不卡的av| 久久人人爽av亚洲精品天堂| 精品人妻熟女毛片av久久网站| 高清不卡的av网站| 夫妻性生交免费视频一级片| 欧美日韩国产mv在线观看视频| 欧美日韩综合久久久久久| 我要看黄色一级片免费的| 男女下面插进去视频免费观看| 国产黄色视频一区二区在线观看| 男女边摸边吃奶| 久久精品久久久久久久性| 欧美日韩福利视频一区二区| 老熟女久久久| 国产成人欧美在线观看 | 岛国毛片在线播放| 亚洲国产最新在线播放| 久久人妻熟女aⅴ| 欧美人与性动交α欧美软件| 高清黄色对白视频在线免费看| 老司机在亚洲福利影院| 香蕉国产在线看| 国产免费又黄又爽又色| 国产1区2区3区精品| 一级,二级,三级黄色视频| 女人高潮潮喷娇喘18禁视频| 在线观看国产h片| 精品免费久久久久久久清纯 | 久久精品人人爽人人爽视色| 一级黄片播放器| 亚洲一级一片aⅴ在线观看| 亚洲在久久综合| 丝袜脚勾引网站| 午夜av观看不卡| 日韩制服丝袜自拍偷拍| 亚洲免费av在线视频| 人妻 亚洲 视频| 日本av手机在线免费观看| 成人亚洲欧美一区二区av| 中文乱码字字幕精品一区二区三区| 亚洲激情五月婷婷啪啪| 亚洲精品国产区一区二| 国产麻豆69| 天天影视国产精品| 黑人猛操日本美女一级片| 中文字幕人妻丝袜一区二区 | 五月开心婷婷网| 日韩免费高清中文字幕av| 交换朋友夫妻互换小说| 国产黄色视频一区二区在线观看| 欧美精品一区二区免费开放| 久久人人97超碰香蕉20202| 一本色道久久久久久精品综合| 在线观看免费视频网站a站| 人人澡人人妻人| 国产成人精品在线电影| 久久久久网色| 街头女战士在线观看网站| 亚洲精品一区蜜桃| 国产成人啪精品午夜网站| 久久精品国产亚洲av涩爱| 王馨瑶露胸无遮挡在线观看| 国产成人精品无人区| 建设人人有责人人尽责人人享有的| 日韩伦理黄色片| 国产成人系列免费观看| 制服人妻中文乱码| 亚洲av电影在线进入| a 毛片基地| 制服诱惑二区|