• <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
    国产成人a区在线观看| 日韩av在线大香蕉| 老司机影院成人| 美女大奶头视频| 精品不卡国产一区二区三区| 老女人水多毛片| 三级毛片av免费| 综合色丁香网| 22中文网久久字幕| 中文在线观看免费www的网站| 麻豆乱淫一区二区| 亚洲综合色惰| 国产免费一级a男人的天堂| 午夜精品一区二区三区免费看| 老司机影院成人| 青春草亚洲视频在线观看| 婷婷色综合大香蕉| 变态另类成人亚洲欧美熟女| 欧美一级a爱片免费观看看| 欧美xxxx性猛交bbbb| 免费观看人在逋| 九九久久精品国产亚洲av麻豆| av.在线天堂| 小蜜桃在线观看免费完整版高清| 啦啦啦啦在线视频资源| 搡老妇女老女人老熟妇| 99久久精品热视频| 中国美白少妇内射xxxbb| 一本一本综合久久| 给我免费播放毛片高清在线观看| 久久久久久伊人网av| 亚洲精品国产av成人精品| 五月伊人婷婷丁香| 亚洲精品成人久久久久久| 只有这里有精品99| 成年女人看的毛片在线观看| 在线观看66精品国产| 此物有八面人人有两片| 亚洲人成网站在线播| 国产高清有码在线观看视频| 久久精品影院6| 国产亚洲精品av在线| 晚上一个人看的免费电影| 国产精品福利在线免费观看| 男人舔女人下体高潮全视频| 成人高潮视频无遮挡免费网站| 国产激情偷乱视频一区二区| 日韩欧美在线乱码| 黄色一级大片看看| 美女脱内裤让男人舔精品视频 | 只有这里有精品99| 国产av在哪里看| 99热只有精品国产| av国产免费在线观看| 美女黄网站色视频| 国产精品一区二区性色av| 中出人妻视频一区二区| 国产精品久久久久久久久免| 级片在线观看| 国产精品.久久久| 大型黄色视频在线免费观看| 国产男人的电影天堂91| 午夜亚洲福利在线播放| 日韩欧美精品免费久久| 春色校园在线视频观看| 一级黄片播放器| 亚洲久久久久久中文字幕| 国产伦一二天堂av在线观看| 久久热精品热| 美女黄网站色视频| 搡老妇女老女人老熟妇| 精品无人区乱码1区二区| 亚洲国产精品久久男人天堂| av在线亚洲专区| 精品一区二区三区人妻视频| 日韩av不卡免费在线播放| 国产一级毛片七仙女欲春2| 婷婷精品国产亚洲av| 久久精品国产亚洲av涩爱 | 成人特级黄色片久久久久久久| 精品久久久久久久久久免费视频| 乱系列少妇在线播放| 嫩草影院入口| 搡老妇女老女人老熟妇| 亚洲精品国产成人久久av| 国产精品久久久久久精品电影| 日本五十路高清| 大型黄色视频在线免费观看| 国产精品一区二区性色av| 亚洲一区二区三区色噜噜| 寂寞人妻少妇视频99o| 人妻制服诱惑在线中文字幕| 亚洲国产日韩欧美精品在线观看| 又爽又黄a免费视频| 午夜爱爱视频在线播放| 最后的刺客免费高清国语| 精品久久久久久久久久免费视频| 一个人看视频在线观看www免费| 日韩欧美 国产精品| 看非洲黑人一级黄片| 黄色视频,在线免费观看| 最近手机中文字幕大全| 成年免费大片在线观看| av黄色大香蕉| 国内精品一区二区在线观看| 亚洲av中文av极速乱| 国产精品人妻久久久影院| 午夜福利在线观看免费完整高清在 | 中文字幕久久专区| 中文字幕av成人在线电影| 精品久久国产蜜桃| 女人被狂操c到高潮| 一个人看视频在线观看www免费| av国产免费在线观看| 一夜夜www| 中出人妻视频一区二区| 黄色配什么色好看| 精品久久久久久久久亚洲| 日日干狠狠操夜夜爽| 精品久久久久久成人av| 久久久久国产网址| 男人舔女人下体高潮全视频| 国产成人a∨麻豆精品| 久久精品国产鲁丝片午夜精品| 三级经典国产精品| 婷婷六月久久综合丁香| 嫩草影院入口| 久久久a久久爽久久v久久| 亚洲中文字幕日韩| 国产成年人精品一区二区| 一本一本综合久久| 天堂网av新在线| 日本黄大片高清| 99在线人妻在线中文字幕| 老司机影院成人| 成人一区二区视频在线观看| 国产乱人视频| 一级毛片电影观看 | 嘟嘟电影网在线观看| av在线亚洲专区| 亚洲精品成人久久久久久| 日日干狠狠操夜夜爽| 国内精品宾馆在线| 国产精品一二三区在线看| 色尼玛亚洲综合影院| 赤兔流量卡办理| 免费av不卡在线播放| 成人毛片a级毛片在线播放| 黄片无遮挡物在线观看| 国产精品久久久久久精品电影| a级毛片免费高清观看在线播放| 久久韩国三级中文字幕| 国产淫片久久久久久久久| 蜜桃亚洲精品一区二区三区| 亚洲av成人精品一区久久| 国产午夜精品论理片| 国产精品久久久久久久电影| 欧美又色又爽又黄视频| 久久精品国产亚洲av香蕉五月| 亚洲国产欧美人成| 卡戴珊不雅视频在线播放| 三级毛片av免费| 国产精品99久久久久久久久| 日韩欧美三级三区| 人妻少妇偷人精品九色| 国产伦理片在线播放av一区 | 51国产日韩欧美| 尾随美女入室| 在线观看一区二区三区| 久久久久九九精品影院| 亚洲丝袜综合中文字幕| 久久久午夜欧美精品| 亚洲av第一区精品v没综合| 别揉我奶头 嗯啊视频| 全区人妻精品视频| 国产国拍精品亚洲av在线观看| 久久人人爽人人片av| 两性午夜刺激爽爽歪歪视频在线观看| 国产蜜桃级精品一区二区三区| 一本一本综合久久| av在线亚洲专区| 99久久精品热视频| 在现免费观看毛片| 亚洲人成网站在线观看播放| 国产精品无大码| 嫩草影院入口| 成人欧美大片| 91aial.com中文字幕在线观看| 国产成人a∨麻豆精品| 国产色婷婷99| 自拍偷自拍亚洲精品老妇| 免费搜索国产男女视频| 国产高清三级在线| 国产三级中文精品| 欧美+亚洲+日韩+国产| 在线观看美女被高潮喷水网站| 欧美高清性xxxxhd video| 亚洲国产高清在线一区二区三| 国产一区二区亚洲精品在线观看| 亚洲一区高清亚洲精品| .国产精品久久| 中文精品一卡2卡3卡4更新| 国产人妻一区二区三区在| 两性午夜刺激爽爽歪歪视频在线观看| 高清日韩中文字幕在线| 久99久视频精品免费| 国产伦一二天堂av在线观看| 久久久久久伊人网av| 在线免费观看不下载黄p国产| 少妇熟女aⅴ在线视频| 免费电影在线观看免费观看| 国产成人aa在线观看| 成人一区二区视频在线观看| 国内精品美女久久久久久| 欧美日韩乱码在线| 国产精品永久免费网站| 99久久久亚洲精品蜜臀av| 精品免费久久久久久久清纯| 乱码一卡2卡4卡精品| 亚洲精品久久久久久婷婷小说 | 免费观看的影片在线观看| 欧美高清成人免费视频www| 日韩精品有码人妻一区| 好男人在线观看高清免费视频| 亚洲无线观看免费| 99热网站在线观看| 美女 人体艺术 gogo| av福利片在线观看| 中文字幕熟女人妻在线| 精品久久久久久成人av| 久久久久久九九精品二区国产| 国产黄片视频在线免费观看| 十八禁国产超污无遮挡网站| 欧美日韩在线观看h| 插阴视频在线观看视频| 日韩在线高清观看一区二区三区| 搡女人真爽免费视频火全软件| 亚洲最大成人手机在线| 国产免费男女视频| 亚州av有码| 国产69精品久久久久777片| 国产老妇女一区| 久久久久久久午夜电影| 亚洲人成网站在线播| 国产高潮美女av| 免费搜索国产男女视频| 小蜜桃在线观看免费完整版高清| 日韩精品有码人妻一区| 少妇人妻精品综合一区二区 | 一级毛片久久久久久久久女| 日韩欧美国产在线观看| 亚洲精品久久久久久婷婷小说 | 美女 人体艺术 gogo| 一级黄色大片毛片| 深爱激情五月婷婷| 真实男女啪啪啪动态图| 村上凉子中文字幕在线| 一本久久精品| 国产免费男女视频| 少妇的逼好多水| 午夜精品国产一区二区电影 | 国模一区二区三区四区视频| 人人妻人人看人人澡| 日韩欧美一区二区三区在线观看| 秋霞在线观看毛片| 99视频精品全部免费 在线| 在线观看美女被高潮喷水网站| 国内精品久久久久精免费| 亚洲成人中文字幕在线播放| 1024手机看黄色片| 黄色配什么色好看| 国产视频首页在线观看| 国产精品麻豆人妻色哟哟久久 | 亚洲精品日韩在线中文字幕 | 亚洲精品亚洲一区二区| 一区二区三区免费毛片| 91精品一卡2卡3卡4卡| 91麻豆精品激情在线观看国产| 非洲黑人性xxxx精品又粗又长| 成人亚洲欧美一区二区av| 日韩成人av中文字幕在线观看| 欧美极品一区二区三区四区| 日韩国内少妇激情av| 国产黄a三级三级三级人| 婷婷色av中文字幕| 99久久九九国产精品国产免费| 精品久久国产蜜桃| 一本精品99久久精品77| 久久99精品国语久久久| 久久久国产成人免费| 亚洲经典国产精华液单| 国产精品女同一区二区软件| 99精品在免费线老司机午夜| 久久精品国产清高在天天线| 桃色一区二区三区在线观看| 国产高潮美女av| 18禁裸乳无遮挡免费网站照片| 内射极品少妇av片p| 国产一区二区在线av高清观看| 别揉我奶头 嗯啊视频| 国产真实伦视频高清在线观看| 久久久国产成人免费| 国产老妇女一区| 亚洲av熟女| 国产精品人妻久久久久久| 丰满人妻一区二区三区视频av| 国产v大片淫在线免费观看| 久久热精品热| 久久久色成人| 在线观看免费视频日本深夜| 69人妻影院| 人人妻人人看人人澡| 久久精品影院6| 狂野欧美白嫩少妇大欣赏| 久久久久久久亚洲中文字幕| 国产不卡一卡二| 欧美3d第一页| 神马国产精品三级电影在线观看| 国产精品久久久久久精品电影小说 | 久久亚洲国产成人精品v| 久久久久久久久久黄片| 日本在线视频免费播放| 日韩欧美精品v在线| 可以在线观看的亚洲视频| 欧美三级亚洲精品| 亚洲高清免费不卡视频| 黄色一级大片看看| 日本免费a在线| 国产午夜精品一二区理论片| 国产成年人精品一区二区| 精品人妻一区二区三区麻豆| 97人妻精品一区二区三区麻豆| 精品午夜福利在线看| 久久人人爽人人片av| 国产爱豆传媒在线观看| 99在线视频只有这里精品首页| 国产高清不卡午夜福利| 男女视频在线观看网站免费| 熟妇人妻久久中文字幕3abv| 久久久久久大精品| 国产av麻豆久久久久久久| 我的女老师完整版在线观看| 国内久久婷婷六月综合欲色啪| 国产真实伦视频高清在线观看| 韩国av在线不卡| 中文字幕av成人在线电影| 精品一区二区三区视频在线| 国内精品美女久久久久久| 春色校园在线视频观看| 国产亚洲精品久久久久久毛片| 久久韩国三级中文字幕| 少妇高潮的动态图| 国产黄色小视频在线观看| 欧美日韩国产亚洲二区| 久久久精品欧美日韩精品| 可以在线观看毛片的网站| 免费不卡的大黄色大毛片视频在线观看 | 欧美激情在线99| 天天一区二区日本电影三级| 亚洲最大成人av| 欧美最黄视频在线播放免费| av又黄又爽大尺度在线免费看 | 看黄色毛片网站| 久久久久久久午夜电影| 久久这里有精品视频免费| 又粗又硬又长又爽又黄的视频 | 欧美日韩精品成人综合77777| 久久久国产成人精品二区| 国产亚洲5aaaaa淫片| 三级毛片av免费| 亚洲精品乱码久久久久久按摩| 麻豆成人午夜福利视频| 一进一出抽搐gif免费好疼| 99在线视频只有这里精品首页| av在线蜜桃| 国产亚洲精品久久久com| 欧美三级亚洲精品| 国内精品宾馆在线| 色哟哟哟哟哟哟| 国产淫片久久久久久久久| 12—13女人毛片做爰片一| 亚洲av免费高清在线观看| 寂寞人妻少妇视频99o| 久久久色成人| 国产女主播在线喷水免费视频网站 | av免费在线看不卡| 又爽又黄a免费视频| 久久久久久久久大av| 又爽又黄a免费视频| 国产私拍福利视频在线观看| 天堂影院成人在线观看| 久久精品国产清高在天天线| 国产 一区 欧美 日韩| 久久久久久伊人网av| 国产综合懂色| 国产精品国产三级国产av玫瑰| 真实男女啪啪啪动态图| 亚洲国产欧美在线一区| 免费观看精品视频网站| 色哟哟·www| 美女被艹到高潮喷水动态| 九色成人免费人妻av| 欧美潮喷喷水| 91久久精品国产一区二区三区| 午夜免费男女啪啪视频观看| 九九热线精品视视频播放| 97超碰精品成人国产| 超碰av人人做人人爽久久| 不卡视频在线观看欧美| av在线播放精品| 白带黄色成豆腐渣| 六月丁香七月| 一级黄色大片毛片| 国产亚洲av嫩草精品影院| 国产精品一区二区性色av| 久99久视频精品免费| 欧美又色又爽又黄视频| 久久久国产成人精品二区| 日韩中字成人| 九九爱精品视频在线观看| 亚洲av男天堂| 日本一本二区三区精品| 97超视频在线观看视频| 国产色婷婷99| 一级毛片电影观看 | 欧美日韩综合久久久久久| 99久久精品国产国产毛片| 悠悠久久av| 午夜爱爱视频在线播放| 国产极品天堂在线| 女人被狂操c到高潮| 在线观看一区二区三区| 国产在视频线在精品| 97超视频在线观看视频| 久久这里有精品视频免费| 久久久精品欧美日韩精品| 欧美人与善性xxx| 免费人成视频x8x8入口观看| 夫妻性生交免费视频一级片| 一本久久中文字幕| 一区二区三区高清视频在线| 最近的中文字幕免费完整| 黄片无遮挡物在线观看| 内地一区二区视频在线| 亚洲av男天堂| 99精品在免费线老司机午夜| 青春草亚洲视频在线观看| 欧美人与善性xxx| 国产成人a∨麻豆精品| 高清午夜精品一区二区三区 | 亚洲欧美精品专区久久| 干丝袜人妻中文字幕| 精品人妻视频免费看| 老司机福利观看| 久久人人精品亚洲av| 女人被狂操c到高潮| 男人舔奶头视频| 蜜桃亚洲精品一区二区三区| 国产精品,欧美在线| 中文字幕久久专区| 我要搜黄色片| 99视频精品全部免费 在线| 国产真实乱freesex| 日本与韩国留学比较| 老司机福利观看| 亚洲一级一片aⅴ在线观看| 国产伦精品一区二区三区四那| 噜噜噜噜噜久久久久久91| 久久精品国产亚洲av涩爱 | 久久精品人妻少妇| 女人被狂操c到高潮| 日韩欧美一区二区三区在线观看| 国产精品野战在线观看| 亚洲av一区综合| 在线观看66精品国产| 一级毛片电影观看 | 久久精品91蜜桃| 亚洲欧美中文字幕日韩二区| 久久久午夜欧美精品| 欧美极品一区二区三区四区| 中文精品一卡2卡3卡4更新| 欧美日本视频| 日韩av在线大香蕉| 12—13女人毛片做爰片一| 免费看av在线观看网站| 国产精品,欧美在线| 赤兔流量卡办理| 欧美激情在线99| 国产一级毛片七仙女欲春2| 欧美色欧美亚洲另类二区| 精品人妻视频免费看| 乱码一卡2卡4卡精品| a级毛片免费高清观看在线播放| 久久鲁丝午夜福利片| 成人无遮挡网站| 久久精品人妻少妇| 欧洲精品卡2卡3卡4卡5卡区| 欧美精品国产亚洲| 欧美日韩国产亚洲二区| 一本久久精品| 2021天堂中文幕一二区在线观| 欧美成人精品欧美一级黄| 亚洲av男天堂| 国产亚洲精品av在线| 亚洲经典国产精华液单| 简卡轻食公司| 在线观看一区二区三区| 欧美潮喷喷水| 91久久精品国产一区二区成人| 亚洲中文字幕日韩| 国产69精品久久久久777片| 亚洲av.av天堂| 可以在线观看毛片的网站| 一级毛片电影观看 | 久久久久久久亚洲中文字幕| 国产成人91sexporn| 国产视频内射| 哪个播放器可以免费观看大片| 国产一级毛片在线| 国产av在哪里看| 男人狂女人下面高潮的视频| 哪个播放器可以免费观看大片| 特大巨黑吊av在线直播| 日韩av不卡免费在线播放| 99久国产av精品国产电影| 国语自产精品视频在线第100页| 性插视频无遮挡在线免费观看| 小说图片视频综合网站| 性插视频无遮挡在线免费观看| av在线亚洲专区| 成人毛片60女人毛片免费| 12—13女人毛片做爰片一| 青春草国产在线视频 | 少妇丰满av| 99热6这里只有精品| 人妻夜夜爽99麻豆av| 好男人在线观看高清免费视频| 日韩人妻高清精品专区| 久久午夜亚洲精品久久| 欧美日韩一区二区视频在线观看视频在线 | 91av网一区二区| 午夜福利成人在线免费观看| 精品一区二区免费观看| 久久人妻av系列| 久久久久久久午夜电影| 18+在线观看网站| 亚洲欧美日韩卡通动漫| 精品不卡国产一区二区三区| 午夜福利视频1000在线观看| ponron亚洲| 人妻少妇偷人精品九色| 在线天堂最新版资源| 亚洲av免费高清在线观看| 男女啪啪激烈高潮av片| 免费看av在线观看网站| 日韩欧美一区二区三区在线观看| 久久久久久久亚洲中文字幕| 97在线视频观看| 伦精品一区二区三区| 亚洲欧美日韩卡通动漫| 精品不卡国产一区二区三区| 国产精华一区二区三区| 在线观看av片永久免费下载| 国产视频内射| 亚洲成人中文字幕在线播放| 成年av动漫网址| 亚洲美女视频黄频| 日韩大尺度精品在线看网址| a级毛片免费高清观看在线播放| 91狼人影院| 性插视频无遮挡在线免费观看| 国产精品一区二区性色av| 国产淫片久久久久久久久| 日本五十路高清| 免费看日本二区| 久久精品国产清高在天天线| 看黄色毛片网站| 久久韩国三级中文字幕| av在线蜜桃| 久久久国产成人精品二区| 亚洲欧美成人综合另类久久久 | 日韩成人伦理影院| 国产黄色小视频在线观看| 国产黄片美女视频| 午夜精品在线福利| 国产精品久久久久久亚洲av鲁大| 国产精品久久久久久久久免| 国产高清激情床上av| 欧美高清性xxxxhd video| 丰满人妻一区二区三区视频av| 大又大粗又爽又黄少妇毛片口| 国产成年人精品一区二区| 午夜视频国产福利| 亚洲av第一区精品v没综合| 变态另类成人亚洲欧美熟女| 一本久久精品| 久久99精品国语久久久| 精品人妻一区二区三区麻豆| 狂野欧美激情性xxxx在线观看| 国产成人一区二区在线| 两个人视频免费观看高清| 免费观看在线日韩| 热99re8久久精品国产| 亚洲欧美精品专区久久| 日本三级黄在线观看| 国产av不卡久久| 天天一区二区日本电影三级| 亚洲自偷自拍三级| 18+在线观看网站| 99久久无色码亚洲精品果冻| 插逼视频在线观看| 久久久久网色| 亚洲乱码一区二区免费版| 日本在线视频免费播放| 菩萨蛮人人尽说江南好唐韦庄 |