• <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 ?

    多標簽圖像的識別分類處理算法*

    2017-10-19 05:47:48徐有正
    計算機時代 2017年10期
    關鍵詞:圖像識別標簽卷積

    徐有正,黃 剛

    (南京郵電大學計算機學院,江蘇 南京 210003)

    多標簽圖像的識別分類處理算法*

    徐有正,黃 剛

    (南京郵電大學計算機學院,江蘇 南京 210003)

    目前卷積神經(jīng)網(wǎng)絡已在單標簽圖像的識別上得到了高效的應用,而多標簽圖像的識別需要處理包括尺寸、形狀、布局等多個對象,所以單標簽圖像分類的網(wǎng)絡模型架構不能很好地識別出復雜的對象布局和多標簽圖像場景。文章提出了端到端方式訓練的多標簽圖像識別算法,在對圖像進行隨機縮放和裁剪后,再進入卷積神經(jīng)網(wǎng)絡,其輸出經(jīng)過池化分類層,篩選出有效區(qū)域。同時提出加權、動態(tài)的歐式距離損失函數(shù)用于神經(jīng)網(wǎng)絡的優(yōu)化。實驗結果顯示,該算法有效提高了多標簽圖像識別的精度。

    多標簽圖像;卷積神經(jīng)網(wǎng)絡;圖像識別;動態(tài)損失函數(shù)

    0 引言

    近幾年圖像識別技術迅速發(fā)展,卷積神經(jīng)網(wǎng)絡(Convolutional neural network,CNN)[1]已經(jīng)能很好地應對單標簽圖像識別問題[2-3]。而對于多標簽圖像,盡管可以通過單標簽數(shù)據(jù)集(ImageNet[4])進行訓練,從而實現(xiàn)自動識別,但卻不能識別多標簽圖像中的復雜對象和布局。

    目前有一些方法用于解決以上多標簽圖像分類問題[3],其中一種是將多標簽識別問題轉化為單標簽預測問題,即對圖像內的對象進行分析定位并分類,但收集對象邊界信息需要耗費大量的計算資源。另一種方法是引入對象方案。如MCG[5]通過計算某個點的像素是否屬于邊緣的概率,對邊緣圖進行一系列操作得到UCM圖,但結果有不可預測性,需要計算數(shù)千個方案實現(xiàn)高召回率。魏等人是通過聚類算法選擇對象方案的一小部分,從所有方案中提取標簽,再通過池化層處理獲取圖像分類結果[6]。楊等人提取了200個對象方案,通過雙流CNN網(wǎng)絡編碼成為Fisher矢量,用于表示每個多標簽的對象[7]。但他們忽略了多標簽圖像中的標簽關系,且都不是端到端的可訓練的方法。在網(wǎng)絡訓練過程中,由于對象方案僅能覆蓋部分信息,都會不可避免地使部分有效信息缺失。

    1 端到端方式訓練的多標簽圖像識別

    本文提出了端到端方式訓練的多標簽圖像識別算法,在進入卷積神經(jīng)網(wǎng)絡之前,通過對圖像進行隨機縮放和裁剪,再經(jīng)過卷積神經(jīng)網(wǎng)絡的分類。

    由于不同區(qū)域對應不同的標簽,為了實現(xiàn)高召回率,本文設計出了新的最大池化分類層,該層通過對比所有樣本,篩選出被激活的得分最高區(qū)域,并通過反向傳播算法優(yōu)化網(wǎng)絡。為了進一步提高圖像識別的準確度,本文提出了新的動態(tài)損失函數(shù)用于神經(jīng)網(wǎng)絡的訓練。該損失函數(shù)根據(jù)每個標簽的置信度,懲罰那些置信度低的標簽來校驗網(wǎng)絡,以此更好地監(jiān)督網(wǎng)絡訓練過程。

    1.1 預處理

    在圖像預處理階段,本文方法將一個圖像I采用隨機縮放的方法,保持其長寬比將其寬縮放至x像素,變?yōu)閳D像M。在依次采用隨機比例a∈[0.5,1]重新縮放{M1,M2,…,Mt},最后再從 Mt中隨機裁剪出 b 個224×224的圖像{O1,O2,…,Ob}。最終得到k(k=a×b)個不同信息的特征子圖。在進行訓練時,單從一個特征子圖上看,并不能很好地計算原圖像中所有內容??紤]到這一點,本文方法將來自同一個圖像的樣本的特征子圖都放,在同一個mini-batch進行訓練。整體處理過程如圖1所示。

    圖1 處理全過程

    1.2 融合分類

    隨機縮放和裁剪的處理將一個圖像生成了k個不同的特征子圖,每一個子圖都代表著不同尺度和位置的信息。因為子圖中僅能提供有限的識別信息,甚至僅覆蓋小部分。所以問題的關鍵是如何讓這些動態(tài)生成的子圖代表整個圖像中的有效信息。本文方法在共享卷積神經(jīng)網(wǎng)絡后增加一層最大池化分類層以解決這個問題。如公式⑴,我們用pnkc∈Rn×k×c來表示一個mini-batch的預測分數(shù)。其中C={1,2,…,c}表示一個不同類別的標簽集合,c是其中一個分類。每一次訓練的mini-batch的大小為N,n表示{1,2,…,N}其中一個樣本數(shù)據(jù),k表示第k個子圖。

    經(jīng)過最大池化分類層的合并處理,某個特征子圖最適合代表的某個分類,其預測值將會最大,便于篩選每一個分類最容易被識別的特征,詳細處理過程如圖2所示。

    圖2 融合分類示意圖

    1.3 動態(tài)歐式距離損失函數(shù)

    Softmax regression作為Logistics regression的一種擴展,常常多用于解決多分類問題。該損失函數(shù)如公式⑵。

    其中,N為mini-bacth的大小,Pn是第n個樣本經(jīng)過歸一化處理后,得到正確標簽的概率。其表達式如公式⑶。

    其中,C是所有類別標簽的總個數(shù)。tn是第n個類別中原始預測分數(shù)。

    然而直接將Softmax的損失函數(shù)用于多標簽分類問題顯然是不合適的,因為從上述的公式中可以看出,從每一次的mini-batch的訓練中,它只能計算出一個正確標簽的概率。而我們一個圖片中是多個標簽,即對應著多個類別。

    針對多標簽識別問題的分析如下。

    假設該識別系統(tǒng)中共20個分類,當進行圖像識別時,該系統(tǒng)會針對當前圖像對所有的分類得出一個預測值。例如一個圖像中有狗,人,帽子,那么在理想狀態(tài)下,狗,人,帽子的預測值都會比較高,其他如馬,車等類別的預測值就會降低。但是在實際操作中,所有預測值并不都是完美的,有可能錯誤的類別預測值會很高。所以針對這樣的情況,本文提出了一種動態(tài)的基于歐式距離的損失函數(shù),如公式⑷。其中N表示一個mini-batch中所有樣本,n表示第n個樣本。Rnh所表示的是第n個樣本中第h個錯誤標簽的預測值。代表的是錯誤標簽集合的基數(shù)。Yn代表的是分類正確的集合,Zh表示錯誤集合。png代表的是第n個樣本中第g個類別中實際正確標簽的預測值,pnh代表的是第n個樣本中第h個類別實際錯誤標簽的預測值。f是用于學習排序的重新加權函數(shù),如公式⑸所示。用和來表示第n個批次的期望輸出值,本文就直接用1和0來表示。從公式⑷可以看出,如果錯誤的樣本數(shù)很多,通過加權函數(shù)的運算將會使整體的損失函數(shù)變大,從而達到懲罰效果。

    本文采用了隨機梯度下降法來優(yōu)化,其優(yōu)化過程如下。

    將式⑹分解,以便于計算。如公式⑺⑻所示。

    綜合公式⑹-公式⑻,可以容易地計算梯度,并可通過標準誤差反向傳播算法來最小化損失函數(shù)。

    2 實驗

    本次實驗采用了PASCAL VOC 2007數(shù)據(jù)集和PASCAL VOC 2012數(shù)據(jù)集。VOC是一個多標簽的數(shù)據(jù)集。其中PASCAL VOC 2007數(shù)據(jù)集中共有9953幅圖像用于訓練和測試。該數(shù)據(jù)集中每個圖像都存在著1-7個對象,每個對象對應著10個分類中的一類。PASCAL VOC 2012數(shù)據(jù)集具備更多的數(shù)據(jù),共22531幅圖像。在測試集中并沒有正確標簽,所以需在最后用PASCAL VOC評估服務器來測試結果。本文采用了VGG-16作為CNN的模型。VGG有很多版本,它的特點是連續(xù)的卷積層多,計算量也比較大。

    訓練:在訓練前先使用ImageNet數(shù)據(jù)集來預訓練CNN模型,以便初始化網(wǎng)絡,再在VOC數(shù)據(jù)集上進行微調。復制所有預訓練的參數(shù),并將偏置初始值設為0,設置學習速率為0.0002,最后全連接層的學習速率設置為0.002。

    測試:先將已經(jīng)訓練好的CNN模型后添加三層全連接神經(jīng)網(wǎng)絡,使其轉換為完全卷積神經(jīng)網(wǎng)絡,后添加的全連接網(wǎng)絡此時并不需要訓練。開始測試圖像,先將圖像將寬分別縮放為{256,384,512,640,768}五個不同尺度的圖像,并保持長寬比。最后分別在完全卷積模型中訓練五個不同尺度。

    3 實驗結果對比與分析

    本文將此方法與當下流行的比較先進的方法進行比較。其結果在圖3中可以看出。本文方法在兩個數(shù)據(jù)集中的表現(xiàn)都明顯優(yōu)于其他方法。HCP-VGG引入了對象提案的辦法,它和本文的方法相比略麻煩,因為需要先提取數(shù)百個對象提案,然后再對不同類型的對象進行后續(xù)處理,最后才能學習到多標簽圖像的識別方法。本文方法可以直接利用隨機抽取樣本的方式,生成一個圖像多角度的樣本,不需要選用上百個對象就可以達到不錯的識別率。

    圖3 各種方法準確率對比

    ⑴ 本文方法共分為隨機縮放,隨機截取和動態(tài)損失函數(shù)優(yōu)化三個步驟。為了探究預處理的必要性,本文重新采用PASCAL VOC 2007數(shù)據(jù)集,對每個步驟進行單獨測試。單尺度隨機裁剪:直接將圖像的寬縮放至256像素,直接進行隨機裁取。

    ⑵ 隨機尺度無裁剪:采用無裁剪的隨機尺度的方法,因此不需要使用合并類別最大池操作。

    ⑶ 使用加權動態(tài)歐式距離損失函數(shù)。

    實驗結果如表1所示,如果采用了單一尺度隨機裁剪方法,識別率對比本文方法下降了2.1%。如果采用隨機尺度單一裁剪的方法,識別率相比本文方法也下降了1.3%。如果采用了標準的歐幾里德?lián)p失函數(shù),識別率也比本文方法少了0.6%。

    表1 不同方法結果比較

    4 總結

    針對多標簽圖像的識別問題,目前大多數(shù)有效方法是采用對象提案法來解決的,即在訓練之前,生成上百個對象區(qū)域,再用離線對象建議訓練網(wǎng)絡,這些方法實際上是不斷修復調整候選區(qū)域。而本文方法并非如此,其本質是直接尋找有效區(qū)域,從而節(jié)省了大量的計算機計算資源。另外,本方法不局限于一種卷積神經(jīng)網(wǎng)絡,可更換其他卷積神經(jīng)網(wǎng)絡,因而有廣泛的適用性,具有較好的應用前景。

    [1]常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.圖像理解中的卷積神經(jīng)網(wǎng)絡[J].自動化學報,2016.9:1300-1312

    [2]C.Xu,D.Tao,and C.Xu,"Large-margin multi-view information bottleneck," IEEE Trans. Pattern Anal.Mach.Intell.,2014.36(8):1559-1572

    [3]Donahue J,Jia Y,Vinyals O,et al.DeCAF:a deep convolutional activation feature for generic visual recognition[C]//InternationalConference on International Conference on Machine Learning.JMLR.org,2014:I-647

    [4]J.Deng,W.Dong,R.Socher,L.-J.Li,K.Li,and L.Fei-Fei,"ImageNet:A large-scale hierarchical image database,"in Proc.CVPR,2009:248-255

    [5]P.Arbeláez,J.Pont-Tuset,J.T.Barron,F.Marques,and J.Malik,"Multiscale combinatorial grouping,"in Proc.CVPR,2014:328-335

    [6]Wei Y,Xia W,Huang J,et al.CNN:Single-label to Multi-label[J].Computer Science,2014.

    [7]Yang H,Zhou J T,Zhang Y,et al.Exploit Bounding Box Annotations for Multi-label Object Recognition[J].Computer Science,2016.

    Recognition and classification algorithm for multi-label image

    Xu Youzheng,Huang Gang
    (School of Computer Science and Technology,Nanjing University of Posts and Telecommunications,Nanjing,Jiangsu 210003,China)

    Convolutionalneuralnetwork hasbeen widely applied in single-tagged imagerecognition.Formulti-labelimage recognition,it is necessary to deal with various objects including size,shape,and layout and so on.Therefore,the network model architecture of single-label image classification cannot recognize well in complex object layout and multi-label image scene.The multi-label image recognition algorithm trained by the end-to-end training method is proposed in this paper.After random zooming and cutting the image is processed by convolutional neural network,and then the effective area is screened through the pooled classification layer.Meanwhile,a weighted and dynamic Euclidean distance loss function is proposed also for the optimization of neural network.Experimental results show that the accuracy of multi-label image recognition is improved effectively.

    multi-label image;convolutional neural network;image recognition;dynamic loss function

    TP391.4

    A

    1006-8228(2017)10-04-04

    2017-08-16

    國家自然科學基金項目(61171053);南京郵電大學基金(SG1107)

    徐有正(1992-),男,江蘇宿遷人,碩士研究生,主要研究方向:機器學習與圖像識別。

    黃剛(1961-),男,江蘇南京人,教授,碩士研究生導師,主要研究方向:計算機軟件理論及應用。

    10.16644/j.cnki.cn33-1094/tp.2017.10.002

    猜你喜歡
    圖像識別標簽卷積
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    基于Resnet-50的貓狗圖像識別
    電子制作(2019年16期)2019-09-27 09:34:50
    高速公路圖像識別技術應用探討
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    圖像識別在物聯(lián)網(wǎng)上的應用
    電子制作(2018年19期)2018-11-14 02:37:04
    無懼標簽 Alfa Romeo Giulia 200HP
    車迷(2018年11期)2018-08-30 03:20:32
    圖像識別在水質檢測中的應用
    電子制作(2018年14期)2018-08-21 01:38:16
    不害怕撕掉標簽的人,都活出了真正的漂亮
    海峽姐妹(2018年3期)2018-05-09 08:21:02
    基于傅里葉域卷積表示的目標跟蹤算法
    標簽化傷害了誰
    美女主播在线视频| 大码成人一级视频| 黄色怎么调成土黄色| 狂野欧美激情性bbbbbb| 精品视频人人做人人爽| 少妇高潮的动态图| 日本黄大片高清| 国产极品粉嫩免费观看在线| 国产国拍精品亚洲av在线观看| 热re99久久国产66热| 国产一级毛片在线| av有码第一页| 亚洲av中文av极速乱| 亚洲激情五月婷婷啪啪| 欧美日韩成人在线一区二区| 久久精品国产自在天天线| 各种免费的搞黄视频| 乱人伦中国视频| 韩国高清视频一区二区三区| 男人舔女人的私密视频| 人妻 亚洲 视频| 国产毛片在线视频| 欧美老熟妇乱子伦牲交| 日韩熟女老妇一区二区性免费视频| 国产永久视频网站| 纵有疾风起免费观看全集完整版| 亚洲精品视频女| 欧美日韩精品成人综合77777| 亚洲国产av新网站| 七月丁香在线播放| 最近中文字幕高清免费大全6| 久久国内精品自在自线图片| 国产欧美日韩一区二区三区在线| 国产高清三级在线| 亚洲性久久影院| 国产av码专区亚洲av| 交换朋友夫妻互换小说| 国产麻豆69| 两个人看的免费小视频| 高清不卡的av网站| 亚洲欧美一区二区三区国产| 国产色爽女视频免费观看| 亚洲中文av在线| av播播在线观看一区| 国国产精品蜜臀av免费| 日日摸夜夜添夜夜爱| 黄色毛片三级朝国网站| 一本久久精品| 国产男女内射视频| √禁漫天堂资源中文www| 草草在线视频免费看| 日韩中文字幕视频在线看片| 久久影院123| 成人无遮挡网站| 亚洲五月色婷婷综合| 自线自在国产av| 日韩一区二区视频免费看| 亚洲国产日韩一区二区| 中文字幕人妻丝袜制服| 制服诱惑二区| 久久人人爽人人爽人人片va| 国产成人免费无遮挡视频| 国产成人免费无遮挡视频| 国产黄色视频一区二区在线观看| 久久亚洲国产成人精品v| 天堂俺去俺来也www色官网| 免费人成在线观看视频色| 高清黄色对白视频在线免费看| 在线观看三级黄色| 麻豆精品久久久久久蜜桃| a级片在线免费高清观看视频| 亚洲精品乱码久久久久久按摩| 一级毛片电影观看| a级毛色黄片| 久久亚洲国产成人精品v| 国产精品成人在线| 毛片一级片免费看久久久久| 又黄又爽又刺激的免费视频.| 在线天堂最新版资源| 中国三级夫妇交换| 欧美xxxx性猛交bbbb| 午夜免费男女啪啪视频观看| 欧美日韩成人在线一区二区| 热re99久久国产66热| 极品少妇高潮喷水抽搐| 久久久久久久久久久久大奶| 久久99热这里只频精品6学生| 丝袜在线中文字幕| 亚洲经典国产精华液单| 在线观看三级黄色| 久久精品久久久久久久性| 亚洲在久久综合| 日本午夜av视频| 一二三四中文在线观看免费高清| 欧美精品高潮呻吟av久久| 大话2 男鬼变身卡| 男女高潮啪啪啪动态图| 亚洲国产欧美日韩在线播放| 香蕉丝袜av| 亚洲精品色激情综合| 老司机亚洲免费影院| 美女中出高潮动态图| av网站免费在线观看视频| 国产亚洲最大av| 国产精品国产三级国产专区5o| 尾随美女入室| 精品久久久久久电影网| 一二三四在线观看免费中文在 | 亚洲av中文av极速乱| 久久人人爽av亚洲精品天堂| 18禁动态无遮挡网站| 久久女婷五月综合色啪小说| 日韩三级伦理在线观看| 国产黄色视频一区二区在线观看| 精品人妻熟女毛片av久久网站| 欧美bdsm另类| 热99国产精品久久久久久7| 日韩欧美一区视频在线观看| av免费观看日本| av卡一久久| 国产亚洲av片在线观看秒播厂| 亚洲第一区二区三区不卡| 国产亚洲午夜精品一区二区久久| 香蕉精品网在线| 久久女婷五月综合色啪小说| 激情五月婷婷亚洲| 免费黄网站久久成人精品| 久久久久久久久久人人人人人人| 18禁裸乳无遮挡动漫免费视频| 99久国产av精品国产电影| 日韩一区二区视频免费看| 国产精品偷伦视频观看了| 亚洲,一卡二卡三卡| 极品少妇高潮喷水抽搐| 久久99精品国语久久久| 丰满乱子伦码专区| 久久精品久久久久久久性| 久久久久精品人妻al黑| 黄色配什么色好看| 人妻 亚洲 视频| 99re6热这里在线精品视频| 中文字幕另类日韩欧美亚洲嫩草| 亚洲国产精品专区欧美| 亚洲av免费高清在线观看| 亚洲人成网站在线观看播放| 国产黄频视频在线观看| 精品久久久精品久久久| 久久亚洲国产成人精品v| 亚洲美女视频黄频| 亚洲五月色婷婷综合| www.av在线官网国产| 女人精品久久久久毛片| 欧美丝袜亚洲另类| 久久人妻熟女aⅴ| 亚洲欧洲精品一区二区精品久久久 | 国产av一区二区精品久久| 国产免费一级a男人的天堂| 亚洲内射少妇av| 黄片无遮挡物在线观看| 制服人妻中文乱码| 国产乱人偷精品视频| 国产福利在线免费观看视频| 久久国产亚洲av麻豆专区| 午夜影院在线不卡| 国产极品天堂在线| 一区二区三区乱码不卡18| 日韩精品免费视频一区二区三区 | 观看美女的网站| 欧美3d第一页| 纵有疾风起免费观看全集完整版| 久久综合国产亚洲精品| 国产成人精品一,二区| 蜜臀久久99精品久久宅男| 在线观看免费高清a一片| 久久国产精品男人的天堂亚洲 | 国产深夜福利视频在线观看| 日韩av在线免费看完整版不卡| 日本爱情动作片www.在线观看| 在线观看人妻少妇| 婷婷色综合大香蕉| 最近2019中文字幕mv第一页| 最近中文字幕2019免费版| 97在线视频观看| 久久久久久人人人人人| 91午夜精品亚洲一区二区三区| 久久青草综合色| 天天影视国产精品| 男女啪啪激烈高潮av片| 国国产精品蜜臀av免费| 国产亚洲精品久久久com| 亚洲少妇的诱惑av| 久久久久久久久久人人人人人人| 国产熟女午夜一区二区三区| 中国国产av一级| 久久久久久久大尺度免费视频| 香蕉丝袜av| 久久影院123| 精品亚洲成a人片在线观看| 亚洲激情五月婷婷啪啪| 婷婷色综合www| a级片在线免费高清观看视频| 亚洲伊人久久精品综合| 青春草国产在线视频| 美女脱内裤让男人舔精品视频| 午夜久久久在线观看| 久久久久久久大尺度免费视频| 99国产综合亚洲精品| 青春草亚洲视频在线观看| av线在线观看网站| 插逼视频在线观看| 各种免费的搞黄视频| 妹子高潮喷水视频| 一级片免费观看大全| 日日摸夜夜添夜夜爱| 成年动漫av网址| 又大又黄又爽视频免费| 免费看av在线观看网站| 91午夜精品亚洲一区二区三区| 丝袜美足系列| 欧美激情国产日韩精品一区| av一本久久久久| 高清在线视频一区二区三区| 日本av免费视频播放| 免费日韩欧美在线观看| 欧美最新免费一区二区三区| 91在线精品国自产拍蜜月| 成年动漫av网址| 草草在线视频免费看| 亚洲欧美日韩另类电影网站| 亚洲经典国产精华液单| 久久99热这里只频精品6学生| 国产xxxxx性猛交| 看非洲黑人一级黄片| 男人爽女人下面视频在线观看| 黄色配什么色好看| 天堂8中文在线网| 精品亚洲成a人片在线观看| 国产黄频视频在线观看| 久久精品夜色国产| 国产福利在线免费观看视频| 少妇猛男粗大的猛烈进出视频| 亚洲精品久久成人aⅴ小说| 最新中文字幕久久久久| 激情视频va一区二区三区| 一级毛片黄色毛片免费观看视频| 一二三四中文在线观看免费高清| 欧美人与善性xxx| 色吧在线观看| 亚洲国产精品国产精品| 欧美日韩精品成人综合77777| 国产黄色视频一区二区在线观看| 日本黄大片高清| 国精品久久久久久国模美| 人妻 亚洲 视频| 最近最新中文字幕免费大全7| 国产精品久久久久久精品古装| 国产男女超爽视频在线观看| 亚洲色图综合在线观看| 尾随美女入室| 国产成人91sexporn| 国产在视频线精品| 天天影视国产精品| 日韩人妻精品一区2区三区| 亚洲高清免费不卡视频| 女性生殖器流出的白浆| 国产成人av激情在线播放| 午夜福利乱码中文字幕| 精品久久蜜臀av无| 久久精品国产亚洲av天美| 黄片无遮挡物在线观看| 国产精品国产三级国产专区5o| 午夜福利在线观看免费完整高清在| 精品少妇久久久久久888优播| 久久精品aⅴ一区二区三区四区 | 亚洲综合色网址| 高清毛片免费看| 久久99精品国语久久久| 少妇人妻精品综合一区二区| 国产一区二区三区综合在线观看 | 日韩制服丝袜自拍偷拍| 美女脱内裤让男人舔精品视频| 亚洲av男天堂| 中文字幕精品免费在线观看视频 | 边亲边吃奶的免费视频| 国产精品女同一区二区软件| 熟妇人妻不卡中文字幕| 香蕉丝袜av| 欧美另类一区| 丝袜脚勾引网站| 久久午夜福利片| 91成人精品电影| 丝袜人妻中文字幕| 色视频在线一区二区三区| 乱人伦中国视频| 母亲3免费完整高清在线观看 | 只有这里有精品99| 亚洲精品国产av成人精品| 男女无遮挡免费网站观看| 国产精品国产三级专区第一集| av国产久精品久网站免费入址| 青春草视频在线免费观看| 69精品国产乱码久久久| 丰满少妇做爰视频| 尾随美女入室| 日韩精品有码人妻一区| 曰老女人黄片| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 男女无遮挡免费网站观看| 亚洲精品,欧美精品| 精品少妇内射三级| 青春草视频在线免费观看| 国产精品一国产av| av不卡在线播放| 国产又色又爽无遮挡免| 国产熟女午夜一区二区三区| 咕卡用的链子| 成人午夜精彩视频在线观看| av播播在线观看一区| 男男h啪啪无遮挡| 日韩精品免费视频一区二区三区 | 免费观看性生交大片5| 久久久国产欧美日韩av| 亚洲精品久久久久久婷婷小说| 日日摸夜夜添夜夜爱| 国产精品麻豆人妻色哟哟久久| 婷婷色麻豆天堂久久| 男男h啪啪无遮挡| 国产精品国产av在线观看| 日本vs欧美在线观看视频| 最近的中文字幕免费完整| 女人久久www免费人成看片| 97在线视频观看| 老女人水多毛片| 国产黄色免费在线视频| 国产成人免费无遮挡视频| 亚洲三级黄色毛片| 五月伊人婷婷丁香| 国内精品宾馆在线| 国产伦理片在线播放av一区| 草草在线视频免费看| 熟女人妻精品中文字幕| 五月开心婷婷网| 亚洲综合色网址| 久热久热在线精品观看| 肉色欧美久久久久久久蜜桃| 制服人妻中文乱码| videos熟女内射| 国产精品偷伦视频观看了| 亚洲欧美清纯卡通| 亚洲性久久影院| 在线观看三级黄色| 亚洲国产成人一精品久久久| av网站免费在线观看视频| 大片免费播放器 马上看| 少妇被粗大的猛进出69影院 | 亚洲国产欧美日韩在线播放| 久久精品国产自在天天线| 中文字幕制服av| 久久精品国产自在天天线| 久久久久久久大尺度免费视频| 免费观看a级毛片全部| 亚洲av综合色区一区| 国产精品一国产av| 国产欧美日韩一区二区三区在线| 草草在线视频免费看| 日韩制服丝袜自拍偷拍| 最近最新中文字幕免费大全7| 丁香六月天网| 亚洲国产欧美在线一区| 久久婷婷青草| 制服人妻中文乱码| 亚洲精品美女久久久久99蜜臀 | 亚洲第一av免费看| 亚洲内射少妇av| 日韩一区二区视频免费看| √禁漫天堂资源中文www| 成人午夜精彩视频在线观看| 欧美性感艳星| 黄色配什么色好看| 成人无遮挡网站| 在线天堂最新版资源| 高清欧美精品videossex| 精品熟女少妇av免费看| 王馨瑶露胸无遮挡在线观看| 91久久精品国产一区二区三区| 人妻 亚洲 视频| 伦理电影免费视频| 亚洲精华国产精华液的使用体验| 天美传媒精品一区二区| 国产白丝娇喘喷水9色精品| 18禁在线无遮挡免费观看视频| 色网站视频免费| 亚洲欧美清纯卡通| 欧美精品人与动牲交sv欧美| 国产日韩欧美视频二区| 午夜av观看不卡| 欧美日韩亚洲高清精品| 日韩不卡一区二区三区视频在线| 在线观看人妻少妇| 有码 亚洲区| 国产午夜精品一二区理论片| 色视频在线一区二区三区| 久久久久国产网址| 热re99久久国产66热| 最近中文字幕2019免费版| 高清欧美精品videossex| 国产福利在线免费观看视频| 韩国av在线不卡| 香蕉国产在线看| 女的被弄到高潮叫床怎么办| 国产麻豆69| 日本91视频免费播放| 亚洲精品色激情综合| h视频一区二区三区| 91久久精品国产一区二区三区| 中国美白少妇内射xxxbb| av天堂久久9| 亚洲精品美女久久久久99蜜臀 | 中文天堂在线官网| 国产亚洲一区二区精品| 中文字幕人妻熟女乱码| 高清在线视频一区二区三区| 久久人人爽人人爽人人片va| a级片在线免费高清观看视频| 黄色怎么调成土黄色| 女性生殖器流出的白浆| 2021少妇久久久久久久久久久| 中文天堂在线官网| 妹子高潮喷水视频| 国产一区二区在线观看av| 国产一区有黄有色的免费视频| 国产精品免费大片| 亚洲国产精品999| 精品少妇久久久久久888优播| 国产白丝娇喘喷水9色精品| 亚洲综合精品二区| 伊人亚洲综合成人网| 欧美成人午夜精品| 少妇被粗大猛烈的视频| 国产精品麻豆人妻色哟哟久久| 亚洲欧洲日产国产| 欧美激情国产日韩精品一区| 毛片一级片免费看久久久久| 寂寞人妻少妇视频99o| 97人妻天天添夜夜摸| 汤姆久久久久久久影院中文字幕| 飞空精品影院首页| 最近最新中文字幕免费大全7| 久久精品国产a三级三级三级| 69精品国产乱码久久久| 中文乱码字字幕精品一区二区三区| 亚洲一区二区三区欧美精品| 观看美女的网站| 国产不卡av网站在线观看| 亚洲精品456在线播放app| 老司机影院毛片| 亚洲,一卡二卡三卡| 色5月婷婷丁香| √禁漫天堂资源中文www| 精品亚洲成a人片在线观看| 亚洲欧美成人综合另类久久久| 亚洲国产欧美日韩在线播放| 一区二区三区精品91| 少妇人妻精品综合一区二区| 久久久久久久久久久久大奶| 中文乱码字字幕精品一区二区三区| 全区人妻精品视频| 午夜91福利影院| 国产白丝娇喘喷水9色精品| 中文字幕av电影在线播放| 欧美日本中文国产一区发布| 黑人欧美特级aaaaaa片| 熟女av电影| av一本久久久久| 在线观看免费视频网站a站| 精品久久国产蜜桃| 一区二区日韩欧美中文字幕 | 亚洲欧美日韩卡通动漫| 欧美日本中文国产一区发布| 大陆偷拍与自拍| 久久99热这里只频精品6学生| 高清视频免费观看一区二区| 欧美少妇被猛烈插入视频| 亚洲丝袜综合中文字幕| xxx大片免费视频| 又黄又爽又刺激的免费视频.| 成人国语在线视频| 日日啪夜夜爽| 亚洲国产精品专区欧美| 99久久人妻综合| 菩萨蛮人人尽说江南好唐韦庄| 亚洲精品成人av观看孕妇| 男女免费视频国产| 国产1区2区3区精品| 黄色配什么色好看| 最近中文字幕高清免费大全6| 在线精品无人区一区二区三| 人人澡人人妻人| a级片在线免费高清观看视频| 制服人妻中文乱码| 欧美日本中文国产一区发布| av卡一久久| 久久久久久久久久人人人人人人| 丝袜美足系列| 精品福利永久在线观看| 国产欧美日韩一区二区三区在线| 久久久国产一区二区| 国产探花极品一区二区| 99久国产av精品国产电影| 成人手机av| 在线观看人妻少妇| 9色porny在线观看| 九九在线视频观看精品| 麻豆精品久久久久久蜜桃| www.色视频.com| 国产精品国产av在线观看| 国产精品久久久久久av不卡| 男的添女的下面高潮视频| 欧美成人精品欧美一级黄| 国产男人的电影天堂91| 欧美日本中文国产一区发布| 国产片特级美女逼逼视频| 亚洲熟女精品中文字幕| 日本欧美视频一区| xxxhd国产人妻xxx| 成人毛片60女人毛片免费| 飞空精品影院首页| 2018国产大陆天天弄谢| 伦理电影大哥的女人| 熟女人妻精品中文字幕| 草草在线视频免费看| 少妇的逼水好多| 亚洲婷婷狠狠爱综合网| 日韩av在线免费看完整版不卡| 久久久久久人妻| 免费久久久久久久精品成人欧美视频 | 日韩熟女老妇一区二区性免费视频| 亚洲欧美中文字幕日韩二区| av福利片在线| 久久久精品免费免费高清| 亚洲成人手机| 亚洲精品久久久久久婷婷小说| 国产乱人偷精品视频| 制服人妻中文乱码| 中文字幕人妻丝袜制服| 国产成人欧美| 高清av免费在线| 五月开心婷婷网| 欧美xxxx性猛交bbbb| 亚洲国产av影院在线观看| kizo精华| 中文字幕精品免费在线观看视频 | 久久久国产欧美日韩av| 人人妻人人添人人爽欧美一区卜| 亚洲av日韩在线播放| 国产一级毛片在线| 免费久久久久久久精品成人欧美视频 | 美女主播在线视频| 秋霞伦理黄片| av国产久精品久网站免费入址| 免费高清在线观看视频在线观看| av在线老鸭窝| 亚洲色图综合在线观看| a级毛片在线看网站| 亚洲少妇的诱惑av| 在线观看美女被高潮喷水网站| 日本黄大片高清| 亚洲精品国产av蜜桃| 国产亚洲午夜精品一区二区久久| 国产男女超爽视频在线观看| 国产日韩欧美视频二区| 国产欧美另类精品又又久久亚洲欧美| 国产一区二区三区综合在线观看 | 少妇被粗大猛烈的视频| 考比视频在线观看| 一级毛片我不卡| 国产 一区精品| 成人综合一区亚洲| 在线观看免费高清a一片| 2022亚洲国产成人精品| 国产精品久久久av美女十八| 久久99热这里只频精品6学生| 伊人亚洲综合成人网| 亚洲少妇的诱惑av| 天美传媒精品一区二区| 22中文网久久字幕| 丁香六月天网| 一区二区三区四区激情视频| 成人毛片a级毛片在线播放| 亚洲精品一区蜜桃| 综合色丁香网| 久久久久久久久久久久大奶| 极品少妇高潮喷水抽搐| 亚洲精品久久午夜乱码| 男女边摸边吃奶| 亚洲国产毛片av蜜桃av| 亚洲色图综合在线观看| 这个男人来自地球电影免费观看 | 丝瓜视频免费看黄片| 欧美性感艳星| 亚洲av欧美aⅴ国产| 国产日韩欧美亚洲二区| 久久青草综合色| 亚洲精品自拍成人| 乱码一卡2卡4卡精品| 最近中文字幕高清免费大全6| 男女啪啪激烈高潮av片| 少妇精品久久久久久久| 91精品国产国语对白视频| 只有这里有精品99| 久久精品熟女亚洲av麻豆精品| 成人无遮挡网站| 婷婷色综合大香蕉| 亚洲精品一二三| a级毛片黄视频|