• <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 ?

    結(jié)合卷積神經(jīng)網(wǎng)絡(luò)不同層的特征進(jìn)行包類商品檢索

    2018-02-27 03:06:38
    關(guān)鍵詞:款式檢索卷積

    駱 正 茂

    (浙江東方職業(yè)技術(shù)學(xué)院 浙江 溫州 325011)

    0 引 言

    相對(duì)于傳統(tǒng)的逛街購(gòu)物方式,網(wǎng)上購(gòu)物具有省時(shí)省力且物美價(jià)廉的優(yōu)點(diǎn)。隨著交易監(jiān)督制度的完善、物流行業(yè)的發(fā)展以及電子商務(wù)的進(jìn)步,網(wǎng)上購(gòu)物越來(lái)越受到人們的認(rèn)可,尤其是年輕人更愿意在網(wǎng)上購(gòu)物。

    包作為一種重要的商品,種類繁多款式多樣,有著極大的購(gòu)物需求。因此,如何讓消費(fèi)者在網(wǎng)購(gòu)平臺(tái)上快速地查找到稱心如意的款式,是一個(gè)重要的問(wèn)題。對(duì)于這個(gè)問(wèn)題,現(xiàn)在各大電商主要采用的是基于關(guān)鍵字檢索的方法。該方法的技術(shù)雖然比較成熟,但是依然存在一些問(wèn)題。例如,在構(gòu)建檢索庫(kù)的過(guò)程中,需要對(duì)每一種款式的包都做詳細(xì)的文字描述,否則無(wú)法根據(jù)關(guān)鍵字進(jìn)行搜索。但是,這是一項(xiàng)非常耗費(fèi)人工的工作。并且,消費(fèi)者有時(shí)候無(wú)法用文字準(zhǔn)確地描述出自己想要購(gòu)買的款式,基于關(guān)鍵字檢索的方式就無(wú)法發(fā)揮其作用。因此,該策略具有極大的局限性。

    基于內(nèi)容的圖像檢索是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究方向,能夠很好地解決關(guān)鍵字檢索中所面臨的問(wèn)題。首先,該方法對(duì)圖像內(nèi)容進(jìn)行編碼,將圖像轉(zhuǎn)換成一維向量表示。然后,通過(guò)距離度量等方式來(lái)比較向量之間的相似性,進(jìn)而獲得圖像之間的相似性。因此,一個(gè)表征能力較優(yōu)的向量計(jì)算方法成為衡量算法效果的一個(gè)關(guān)鍵因素。具有旋轉(zhuǎn)不變性的局部描述子SIFT算法[1]的出現(xiàn),以及Sivic和Zisserman關(guān)于詞袋模型算法[2]的研究,極大地促進(jìn)了基于內(nèi)容的圖像檢索的發(fā)展。Fisher[3]和Vlad[4]所運(yùn)用的聚合圖像局部特征點(diǎn)算法使圖像表征向量相對(duì)于詞袋模型具有更好的表征能力。詞袋算法和HE[5]算法相結(jié)合,也能夠取得較好的圖像檢索結(jié)果。此外,一些幾何驗(yàn)證方式[6-7]和擴(kuò)展查詢方法[8-9]的研究也提高了這種傳統(tǒng)方法的效果。近年來(lái),圖形處理硬件(GPU)的計(jì)算能力的提升以及大規(guī)模圖像訓(xùn)練集[10]的出現(xiàn),都極大地促進(jìn)了基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)領(lǐng)域的發(fā)展。大量現(xiàn)有工作[11-13]證明,利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的圖像特征能夠直接用來(lái)做圖像的相似性檢索并取得相對(duì)于傳統(tǒng)算法更好的效果。因此,本文采用卷積神經(jīng)網(wǎng)絡(luò)來(lái)處理包類款式的圖像檢索問(wèn)題。

    針對(duì)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要大量數(shù)據(jù)集的問(wèn)題,本文整理了5 000幅有標(biāo)簽的包類款式圖像訓(xùn)練集,同時(shí)提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)不同層的特征來(lái)進(jìn)行包類款式的圖像內(nèi)容檢索方法。實(shí)驗(yàn)結(jié)果證明,本文方法能夠較好地檢索出相同或相似款式的包。

    1 相關(guān)工作

    基于卷積神經(jīng)網(wǎng)絡(luò)模型Alex_net,Krizhevsky[12]等獲得了ImageNet LSVRC-2010大賽的冠軍。從那時(shí)起,卷積神經(jīng)網(wǎng)絡(luò)吸引了越來(lái)越多學(xué)者的注意。隨著研究的深入,卷積神經(jīng)網(wǎng)絡(luò)被應(yīng)用于機(jī)器視覺(jué)的諸多領(lǐng)域,并且取得了很好的效果。在圖像識(shí)別問(wèn)題上,基于網(wǎng)絡(luò)結(jié)構(gòu)VGG_net[14]、 Google 公司的inception系列[15]以及何凱明等的Res_net[16]的卷積神經(jīng)網(wǎng)絡(luò)模型,分別獲得了2014年、2015年、2016年的ImageNet 大賽的冠軍?;诰矸e神經(jīng)網(wǎng)絡(luò)的R-CNN[17-19]和YOLO[20-21]還能有效地解決通用目標(biāo)檢測(cè)問(wèn)題。

    Krizhevsky等[12]直接利用訓(xùn)練好的網(wǎng)絡(luò)模型來(lái)提取圖像特征,解決圖像的相似性檢索問(wèn)題。在此基礎(chǔ)上,Babenko等[11]將在待檢索圖像上微調(diào)好的網(wǎng)絡(luò)模型的全連接層作為圖像的特征。Azizpour等[22]采用max-pooling特定卷積層的方式進(jìn)一步提高特定物體或者場(chǎng)景檢索問(wèn)題的效果。Babenko等[23]則提出運(yùn)用sum-pooling結(jié)合白化歸一化等方式來(lái)獲得圖像特征的表征能力。Yannis等[24]進(jìn)一步提出了一種基于卷積層不同維度加權(quán)聚合的方法來(lái)計(jì)算圖像特征表示。最近,一些方法基于圖像局部區(qū)域和卷積層的特征結(jié)合來(lái)構(gòu)建圖像的特征表示,取得了不錯(cuò)的效果[25]。

    雖然已經(jīng)有很多關(guān)于卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像檢索方面的研究,但是基于卷積神經(jīng)網(wǎng)絡(luò)不同層的特征應(yīng)用于包類款式的圖像檢索問(wèn)題研究還比較少。一方面包類圖像不是剛體比較容易受角度、亮度、尺度等因素影響。另一方面沒(méi)有針對(duì)這類問(wèn)題的公開(kāi)數(shù)據(jù)集。因此文章提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)不同層特征的方法來(lái)解決包類款式的圖像檢索問(wèn)題,并且同時(shí)提供了一份包類款式數(shù)據(jù)集。

    2 算法介紹

    為了提高圖像的表征能力從而增加檢索的準(zhǔn)確度。本文提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)不同層的特征進(jìn)行圖像檢索的方法。算法一共包括三個(gè)步驟,下面將對(duì)算法進(jìn)行詳細(xì)的介紹。

    2.1 微調(diào)訓(xùn)練

    卷積神經(jīng)網(wǎng)絡(luò)模型[12,14-16]擁有非常多的模型參數(shù),因此具有很強(qiáng)的分類能力。同時(shí),也因?yàn)槠鋮?shù)較多,所以需要大量的數(shù)據(jù)集進(jìn)行訓(xùn)練。然而,很多任務(wù)往往并沒(méi)有百萬(wàn)級(jí)的數(shù)據(jù)集。遷移學(xué)習(xí)被用來(lái)緩解這種問(wèn)題。在大量數(shù)據(jù)集訓(xùn)練好的網(wǎng)絡(luò)模型基礎(chǔ)上,針對(duì)特定的任務(wù)利用少量的數(shù)據(jù)集進(jìn)行微調(diào)訓(xùn)練,是一種簡(jiǎn)單且高效的遷移學(xué)習(xí)方法能夠取得不錯(cuò)的效果。

    為了能夠得到較好表示包類商品圖片的特征,算法首先利用少量數(shù)據(jù)集通過(guò)微調(diào)訓(xùn)練的方式得到一個(gè)對(duì)于包類商品圖片分類能力較好的網(wǎng)絡(luò)模型。圖1中給出了一個(gè)微調(diào)訓(xùn)練的網(wǎng)絡(luò)結(jié)構(gòu),固定或略微更新已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)層的參數(shù),重新訓(xùn)練修改后的網(wǎng)絡(luò)層的參數(shù)。然后,通過(guò)優(yōu)化多分類任務(wù)來(lái)訓(xùn)練網(wǎng)絡(luò)模型的參數(shù)。定義損失函數(shù)如下:

    (1)

    式中:N表示訓(xùn)練集的圖片數(shù),pn表示第n張輸入圖片所有款式中的最大概率值,該值可以根據(jù)SoftMax計(jì)算得到,ln是第n張圖片對(duì)應(yīng)的款式標(biāo)簽??梢允褂锰荻认陆捣▉?lái)優(yōu)化該損失函數(shù)。

    圖1 微調(diào)網(wǎng)絡(luò)結(jié)構(gòu)

    2.2 初次檢索

    圖像檢索主要包括建立特征索引庫(kù)和近鄰匹配兩個(gè)步驟,接下來(lái)將圍繞這兩個(gè)方面來(lái)展開(kāi)介紹。

    第一步是建立特征索引庫(kù)。假設(shè)檢索庫(kù)中共有M張圖片,I表示其中一張圖片。將I作為已經(jīng)微調(diào)好的網(wǎng)絡(luò)的輸入,做一次前向傳播操作。然后,提取網(wǎng)絡(luò)中的高層特征和中層特征,通過(guò)特征拼接的方式將不用層的特征拼接在一起,做一次歸一化操作得到圖片I的一維特征向量VI,其向量維度用N表示。因此,對(duì)于檢索庫(kù)中的M張圖片,分別采用這種方式提取圖片的特征就可以得到一個(gè)M×N的矩陣。這個(gè)矩陣就是要建立的特征索引庫(kù)。

    第二步是近鄰匹配。用q表示輸入的查詢圖片。首先,計(jì)算出q的特征向量,計(jì)算方法與建立索引庫(kù)時(shí)的方法相同。然后,計(jì)算出索引庫(kù)中與向量Vq距離最相鄰的k個(gè)向量,采用如下距離度量公式:

    Sq,i=‖vq-vi‖2i∈{1,2,…,M}

    (2)

    簡(jiǎn)單地對(duì)所有的S值進(jìn)行排序,即可獲得k個(gè)距離最小的向量的索引,即所查詢到的圖像的索引。

    2.3 擴(kuò)展搜索

    根據(jù)初次搜索查詢到的k張圖片的特征向量和查詢圖片的特征向量,求出這些向量的均值,得到一個(gè)新的特征向量。利用該特征向量再做一次搜索。這種利用初次查詢的結(jié)果進(jìn)行擴(kuò)展查詢的方式被證明能夠取得一定的檢索精度的提升[23-24],并且本文后面的實(shí)驗(yàn)部分也證明了該方法的有效性。

    3 數(shù)據(jù)集和準(zhǔn)確度度量

    圖2展示了訓(xùn)練集中的部分訓(xùn)練圖片。訓(xùn)練集一共包含50種不同的款式,每個(gè)款式有100張圖片。每種款式是由同一種款式的不同角度、亮度、背景、顏色的包類圖片組成。測(cè)試集包含50種不同的款式(和訓(xùn)練集中的款式不同),每種款式包含20張圖片。這些圖片主要來(lái)源于蘑菇街網(wǎng)頁(yè)上的商品展示區(qū)和用戶評(píng)論區(qū),因此數(shù)據(jù)集也考慮到了網(wǎng)頁(yè)圖片和現(xiàn)實(shí)圖片的場(chǎng)景差異問(wèn)題。

    圖2 部分訓(xùn)練集中的圖片

    本文采用查詢結(jié)果的平均準(zhǔn)確率來(lái)評(píng)估算法的準(zhǔn)確度:

    (3)

    式中:a表示正確的查詢結(jié)果,N表示所有的查詢結(jié)果。

    4 實(shí)驗(yàn)和分析

    本文實(shí)驗(yàn)硬件環(huán)境為一臺(tái)搭載英偉達(dá)GeForce GTX Titan-X顯卡、英特爾i7處理器、32 GB內(nèi)存的臺(tái)式電腦,軟件環(huán)境為Ubuntu14.04、開(kāi)源深度學(xué)習(xí)框架Caffe[26]。本部分將通過(guò)實(shí)驗(yàn)來(lái)分析本文算法的可行性。

    4.1 網(wǎng)絡(luò)模型微調(diào)

    隨著深度學(xué)習(xí)研究的深入,近年來(lái)有許多網(wǎng)絡(luò)結(jié)構(gòu)被提出來(lái)。為了選擇適合包類圖片檢索的網(wǎng)絡(luò)結(jié)構(gòu),本文首先在ImageNet 數(shù)據(jù)集上進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練。然后在本文提供的檢索測(cè)試集上通過(guò)計(jì)算mAP值來(lái)測(cè)量各種網(wǎng)絡(luò)模型的檢索效果。表1中給出了測(cè)量的結(jié)果,可以看出Google_net[15]比較適合本文的任務(wù)。因此,本文選擇該卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為基礎(chǔ)網(wǎng)絡(luò),在該網(wǎng)絡(luò)上進(jìn)行微調(diào)訓(xùn)練。

    表1 各種網(wǎng)絡(luò)模型在測(cè)試集上的檢索效果比較

    基于Caffe框架來(lái)進(jìn)行網(wǎng)絡(luò)的微調(diào)訓(xùn)練。首先,在原有的用來(lái)定義Google_net網(wǎng)絡(luò)結(jié)構(gòu)的train_val.prototxt文件中修改網(wǎng)絡(luò)結(jié)構(gòu)中l(wèi)oss1/classifer、loss2/classifer以及l(fā)oss3/classifer層神經(jīng)元的個(gè)數(shù)為50,同時(shí)修改對(duì)應(yīng)的網(wǎng)絡(luò)層的名稱為loss1/classifer_modify、loss2/classifer_modify、以及l(fā)oss3/classifer_modify。然后,在train_val.prototxt文件中分別設(shè)置這三層網(wǎng)絡(luò)的學(xué)習(xí)率為lr=0.000 1,設(shè)置網(wǎng)絡(luò)中其他層的學(xué)習(xí)率lr=0.000 01。最后在solver.prototxt文件中設(shè)置base_lr為0.001、weight_decay=0.000 4、momentum=0.9,采用增量梯度下降法來(lái)訓(xùn)練網(wǎng)絡(luò)中的參數(shù)。該微調(diào)策略可以保證未修改層參數(shù)在原網(wǎng)絡(luò)上略微改變的同時(shí),加快修改層參數(shù)的學(xué)習(xí)速率。圖3中給出了采用每層統(tǒng)一設(shè)置學(xué)習(xí)率和分層設(shè)置學(xué)習(xí)率的mAP值比較。從圖中曲線可以看出,單獨(dú)設(shè)置修改層的學(xué)習(xí)率的參數(shù)不僅能夠加快學(xué)習(xí)速率,而且不易陷入局部最優(yōu)的情況。

    圖3 統(tǒng)一設(shè)置學(xué)習(xí)率和分層設(shè)置學(xué)習(xí)率的結(jié)果比較

    在訓(xùn)練的過(guò)程中,采用數(shù)據(jù)增強(qiáng)來(lái)擴(kuò)充訓(xùn)練集。經(jīng)過(guò)多次測(cè)試最終采用了圖片鏡像和改變亮度來(lái)擴(kuò)充訓(xùn)練集。由原先的5 000張圖片擴(kuò)充到15 000張圖片。經(jīng)過(guò)數(shù)據(jù)增強(qiáng)訓(xùn)練得到的網(wǎng)絡(luò)模型較未經(jīng)數(shù)據(jù)增強(qiáng)的網(wǎng)絡(luò)模型,在一方面能夠防止過(guò)擬合,另一方面能夠取得mAP值的提升,在本文測(cè)試集上約為1個(gè)點(diǎn)的提升。

    4.2 結(jié)合Google_net網(wǎng)絡(luò)不同層進(jìn)行搜索

    Google_net網(wǎng)絡(luò)層數(shù)相比Alex_net和Vgg_net的層數(shù)較多。通過(guò)測(cè)試,提取網(wǎng)絡(luò)的Inception_4c/1x1層的特征作為Middle-level特征,提取pool5/7x7_s1層的特征作為High-level特征能夠取得較好的檢索效果。由于Inception_4c/1x1是卷積層特征,接下來(lái)采用文獻(xiàn)[22]的方法做了一次最大池化的操作得到一個(gè)128維的向量,然后對(duì)該向量做L2標(biāo)準(zhǔn)化,如圖4所示。直接提取Pool5/7x7_s1層的特征得到一個(gè)1 024維的向量,同樣做L2標(biāo)準(zhǔn)化。

    圖4 提取輸入圖像的特征表示

    直接拼接標(biāo)準(zhǔn)化后的兩個(gè)向量,可以得到一個(gè)1152維的特征向量。由于該特征維度較大,為了節(jié)省存儲(chǔ)空間,算法采用PCA來(lái)進(jìn)行降維。表2中給出了在N=10時(shí)的不同降維維度的檢索結(jié)果。從表2中可以發(fā)現(xiàn),特征維度的降低并沒(méi)有對(duì)檢索效果帶來(lái)很大的影響,還有可能出現(xiàn)結(jié)果變好的情況,這是因?yàn)镻CA可能會(huì)減少一些不重要信息對(duì)檢索帶來(lái)的負(fù)面影響。因此,算法利用PCA把每張圖片的特征向量從1152維降低到128維,能夠在不影響檢索精度的前提下極大地節(jié)約存儲(chǔ)空間。

    表2 PCA降維對(duì)檢索結(jié)果的影響

    將測(cè)試集中的所有圖片通過(guò)上述方法獲得圖片的特征表示,并且建立索引表。然后,通過(guò)近鄰搜索的方式進(jìn)行查詢,得到初次查詢的結(jié)果。最后,根據(jù)初次查詢的結(jié)果使用前5張最相近的圖片的特征均值進(jìn)行擴(kuò)展查詢,得到查詢的最終結(jié)果。表3中列舉了算法的在N=10時(shí)測(cè)試集上的使用多層和單層特征,以及擴(kuò)展查詢的檢索結(jié)果比較。從結(jié)果中可以看出,通過(guò)結(jié)合不同層的特征能夠帶來(lái)檢索精度的提升。并且擴(kuò)展查詢能進(jìn)一步提高檢索能力。

    表3 不同算法的結(jié)果比較

    表4給出了本文算法和一些傳統(tǒng)的基于特征描述子的方法在N=10時(shí)測(cè)試集上的檢索結(jié)果比較。從表中可以看出本文算法要比這些傳統(tǒng)算法要好很多。這是因?yàn)橛行┌惿唐繁砻姹容^光滑沒(méi)有一些顯著的局部信息,因此采用sift這種局部描述子和聚類算法相結(jié)合的方式就很難發(fā)揮其作用。

    表4 和傳統(tǒng)方法的結(jié)果比較

    圖5中給出了部分圖片的搜索結(jié)果,左邊第一列圖片是輸入的查詢圖片,右邊是查詢的結(jié)果。

    圖5 部分查詢結(jié)果

    該實(shí)驗(yàn)部分充分證明算法的有效性。表1中首先給出了基于文獻(xiàn)[22]中直接利用在ImageNet數(shù)據(jù)集上訓(xùn)練好的網(wǎng)絡(luò)來(lái)提取特征的方法解決包類圖像相似檢索的問(wèn)題,該方法的top5準(zhǔn)確度只能達(dá)到78.39%。為證明僅僅基于網(wǎng)絡(luò)高層特征作為圖像特征[11]的方法不適合做圖像相似檢索。表3給出了基于單層特征和本文提出的采用多層特征的效果比較。顯然本文提出的基于多層特征融合的方法能夠取得更好的檢索精度。同時(shí)表4中和傳統(tǒng)算法的對(duì)比,也證明了基于深度學(xué)習(xí)算法在包類圖像相似檢索問(wèn)題上的高效性。綜上所述本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)不同層特征的方法,能夠很好地應(yīng)用于包類圖像的相似檢索。

    4.3 實(shí)際應(yīng)用

    為了說(shuō)明算法的實(shí)際應(yīng)用價(jià)值,本部分介紹在實(shí)際場(chǎng)景下本文算法的應(yīng)用。上傳手機(jī)拍攝的包類圖片來(lái)搜索相同款式的包類商品。由于這種情況下拍攝的圖片往往包含比較復(fù)雜的背景,所以需要先做目標(biāo)檢測(cè)。本文采用Faster-rcnn[19]算法進(jìn)行包的檢測(cè),圖6中給出了一些檢測(cè)的結(jié)果。然后,利用本文算法進(jìn)行相同包類款式的檢索。為了評(píng)估算法的所需要消耗的時(shí)間,本次實(shí)驗(yàn)構(gòu)建了包含100萬(wàn)張不同種類商品的檢索庫(kù)。表5中給出了算法在各個(gè)階段所花費(fèi)的時(shí)間和總時(shí)間。實(shí)驗(yàn)結(jié)果表明,本文的算法通過(guò)和檢測(cè)算法結(jié)合能夠用于街拍圖片的快速檢索。

    圖6 包類商品檢測(cè)的結(jié)果

    階段檢測(cè)提取特征近鄰匹配總計(jì)時(shí)間0.04s0.03s0.50s0.57s

    5 結(jié) 語(yǔ)

    本文介紹了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)不同層的特征進(jìn)行包類商品圖像檢索的方法。詳細(xì)的實(shí)驗(yàn)結(jié)果與應(yīng)用證明了本文方法能夠取得較好的檢索效果。但是,算法依然存在一些不足之處,比如模型只根據(jù)較少的訓(xùn)練集訓(xùn)練獲得,因此模型的遷移能力有限。在今后的研究中,將進(jìn)一步完善和解決本文算法所存在的問(wèn)題。

    [1] Lowe D G.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

    [2] Sivic J,Zisserman A.Video Google:A Text Retrieval Approach to Object Matching in Videos[C]//IEEE International Conference on Computer Vision.IEEE Computer Society,2003:1470.

    [3] Perronnin F,Liu Y,Sanchez J,et al.Large-scale image retrieval with compressed Fisher vectors[C]//2013 IEEE Conference on Computer Vision and Pattern Recognition.IEEE,2010:3384-3391.

    [4] Jégou H,Perronnin F,Douze M,et al.Aggregating local image descriptors into compact codes[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2012,34(9):1704-1716.

    [5] Jegou H,Douze M,Schmid C.Hamming Embedding and Weak Geometric Consistency for Large Scale Image Search[C]//European Conference on Computer Vision.Springer-Verlag,2008:304-317.

    [6] Philbin J,Chum O,Isard M,et al.Object retrieval with large vocabularies and fast spatial matching[C]//Computer Vision and Pattern Recognition,2007.CVPR’07.IEEE Conference on.IEEE,2007:1-8.

    [7] Shen X,Lin Z,Brandt J,et al.Spatially-Constrained Similarity Measure for Large-Scale Object Retrieval[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2014,36(6):1229-1241.

    [8] Chum O,Mikulik A,Perdoch M,et al.Total recall II:Query expansion revisited[C]//IEEE Conference on Computer Vision & Pattern Recognition.IEEE,2011:889-896.

    [9] Tolias G,Jégou H.Visual query expansion with or without geometry:Refining local descriptors by feature aggregation[J].Pattern Recognition,2014,47(10):3466-3476.

    [10] Russakovsky O,Deng J,Su H,et al.ImageNet Large Scale Visual Recognition Challenge[J].International Journal of Computer Vision,2015,115(3):211-252.

    [11] Babenko A,Slesarev A,Chigorin A,et al.Neural Codes for Image Retrieval[M]//Computer Vision-ECCV 2014.Springer International Publishing,2014:584-599.

    [12] Krizhevsky A,Sutskever I,Hinton G E.ImageNet Classification with Deep Convolutional Neural Networks[J].Advances in Neural Information Processing Systems,2012,25(2):2012.

    [13] Wan J,Wang D,Hoi S C H,et al.Deep Learning for Content-Based Image Retrieval:A Comprehensive Study[C]//ACM International Conference on Multimedia,2014:157-166.

    [14] Simonyan K,Zisserman A.Very Deep Convolutional Networks for Large-Scale Image Recognition[J].Computer Science,2014.

    [15] Szegedy C,Liu W,Jia Y,et al.Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2015:1-9.

    [16] He K,Zhang X,Ren S,et al.Deep Residual Learning for Image Recognition[C]//Computer Vision and Pattern Recognition.IEEE,2016:770-778.

    [17] Girshick R,Donahue J,Darrell T,et al.Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]//IEEE Conference on Computer Vision and Pattern Recognition.IEEE Computer Society,2014:580-587.

    [18] Girshick R.Fast R-CNN[C]//IEEE International Conference on Computer Vision.IEEE Computer Society,2015:1440-1448.

    [19] Ren S,He K,Girshick R,et al.Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2017,39(6):1137-1149.

    [20] Redmon J,Divvala S,Girshick R,et al.You Only Look Once:Unified,Real-Time Object Detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2016.

    [21] Liu W,Anguelov D,Erhan D,et al.SSD:Single Shot MultiBox Detector[C]//European Conference on Computer Vision.Springer,Cham,2016:21-37.

    [22] Azizpour H,Razavian A S,Sullivan J,et al.From generic to specific deep representations for visual recognition[C]//Computer Vision and Pattern Recognition Workshops.IEEE,2015:36-45.

    [23] Babenko A,Lempitsky V.Aggregating Deep Convolutional Features for Image Retrieval[J].Computer Science,2015.

    [24] Kalantidis Y,Mellina C,Osindero S.Cross-Dimensional Weighting for Aggregated Deep Convolutional Features[C]//European Conference on Computer Vision.Springer,Cham,2016:685-701.

    [25] Tolias G,Sicre R,Jégou H.Particular object retrieval with integral max-pooling of CNN activations[J].Computer Science,2015.

    [26] Jia Y,Shelhamer E,Donahue J,et al.Caffe:Convolutional Architecture for Fast Feature Embedding[C]//ACM International Conference on Multimedia.ACM,2014:675-678.

    猜你喜歡
    款式檢索卷積
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    2019年第4-6期便捷檢索目錄
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    Dream Bag
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    專利檢索中“語(yǔ)義”的表現(xiàn)
    專利代理(2016年1期)2016-05-17 06:14:36
    最火的單品款式
    Coco薇(2015年5期)2016-03-29 22:40:10
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    初為人母的著裝困擾
    國(guó)際標(biāo)準(zhǔn)檢索
    亚洲欧美精品自产自拍| 久久国产亚洲av麻豆专区| 日韩中文字幕视频在线看片| 亚洲欧美色中文字幕在线| 激情五月婷婷亚洲| 黄色一级大片看看| 老熟女久久久| 亚洲精品成人av观看孕妇| 国产精品嫩草影院av在线观看| 黄色怎么调成土黄色| 日本猛色少妇xxxxx猛交久久| 极品人妻少妇av视频| av.在线天堂| 国产伦理片在线播放av一区| 亚洲国产精品999| 欧美变态另类bdsm刘玥| 日本欧美视频一区| 美女中出高潮动态图| 在线观看一区二区三区激情| 国产又色又爽无遮挡免| 两性夫妻黄色片| 国产成人91sexporn| 天美传媒精品一区二区| 黄色 视频免费看| 黄片小视频在线播放| a级毛片在线看网站| 少妇的丰满在线观看| 高清不卡的av网站| 国产精品久久久久久久久免| 欧美黄色片欧美黄色片| 成人黄色视频免费在线看| 中国国产av一级| 国产黄色视频一区二区在线观看| 久热这里只有精品99| 欧美日韩一区二区视频在线观看视频在线| 日日撸夜夜添| 国产精品熟女久久久久浪| 九九爱精品视频在线观看| 日韩,欧美,国产一区二区三区| 免费观看人在逋| 一级毛片 在线播放| 国产免费一区二区三区四区乱码| 在线观看人妻少妇| 免费高清在线观看日韩| 色婷婷av一区二区三区视频| 男男h啪啪无遮挡| 丝袜在线中文字幕| 久久精品国产亚洲av涩爱| 国产 一区精品| 黑人欧美特级aaaaaa片| 婷婷成人精品国产| 深夜精品福利| 男人操女人黄网站| 久久久久久久精品精品| 18禁观看日本| 女人久久www免费人成看片| 观看av在线不卡| 天美传媒精品一区二区| 老熟女久久久| 人体艺术视频欧美日本| 日日撸夜夜添| 老司机在亚洲福利影院| 国产av一区二区精品久久| 美女大奶头黄色视频| 啦啦啦在线观看免费高清www| 国产精品久久久久成人av| 涩涩av久久男人的天堂| 高清黄色对白视频在线免费看| 成年女人毛片免费观看观看9 | 日韩av免费高清视频| 男人爽女人下面视频在线观看| 欧美97在线视频| 亚洲国产精品一区二区三区在线| 夫妻午夜视频| 国产老妇伦熟女老妇高清| 国产免费一区二区三区四区乱码| 在线天堂中文资源库| 亚洲成人国产一区在线观看 | 韩国av在线不卡| 婷婷色综合www| 91精品伊人久久大香线蕉| 亚洲 欧美一区二区三区| 国产欧美日韩综合在线一区二区| av免费观看日本| 国产视频首页在线观看| 国产精品嫩草影院av在线观看| 99热全是精品| 美女高潮到喷水免费观看| 天堂中文最新版在线下载| 日本wwww免费看| 99久久99久久久精品蜜桃| 涩涩av久久男人的天堂| 国产精品 国内视频| 国产人伦9x9x在线观看| 韩国av在线不卡| 人人妻人人爽人人添夜夜欢视频| 一区二区三区精品91| 久久人人爽av亚洲精品天堂| 亚洲精品在线美女| 亚洲av日韩精品久久久久久密 | 亚洲国产欧美在线一区| 侵犯人妻中文字幕一二三四区| 久久毛片免费看一区二区三区| 国产黄色免费在线视频| 日本av手机在线免费观看| 欧美成人精品欧美一级黄| 岛国毛片在线播放| 亚洲av福利一区| av女优亚洲男人天堂| 另类亚洲欧美激情| av福利片在线| 欧美 亚洲 国产 日韩一| 国产免费又黄又爽又色| 亚洲精品视频女| 久久久久久久久免费视频了| 久久精品国产a三级三级三级| 亚洲人成77777在线视频| 女人精品久久久久毛片| 亚洲精品日本国产第一区| 久久狼人影院| 国产一区二区三区av在线| 国产1区2区3区精品| 免费看av在线观看网站| videos熟女内射| 丝袜人妻中文字幕| 美女脱内裤让男人舔精品视频| 如日韩欧美国产精品一区二区三区| 如日韩欧美国产精品一区二区三区| 精品久久久久久电影网| av一本久久久久| 亚洲国产欧美网| 一区二区三区激情视频| 热re99久久精品国产66热6| 亚洲专区中文字幕在线 | 亚洲久久久国产精品| 精品国产露脸久久av麻豆| 99精国产麻豆久久婷婷| 亚洲精品日韩在线中文字幕| 日韩不卡一区二区三区视频在线| 制服人妻中文乱码| 国产99久久九九免费精品| 中国国产av一级| 亚洲综合精品二区| 下体分泌物呈黄色| 亚洲精品成人av观看孕妇| 亚洲精华国产精华液的使用体验| 极品人妻少妇av视频| 五月天丁香电影| 欧美老熟妇乱子伦牲交| e午夜精品久久久久久久| 亚洲国产精品成人久久小说| www.av在线官网国产| 在线观看免费日韩欧美大片| 女性生殖器流出的白浆| 久热爱精品视频在线9| 亚洲精品一二三| 999久久久国产精品视频| 国产深夜福利视频在线观看| 黄片小视频在线播放| 亚洲成人av在线免费| 狠狠婷婷综合久久久久久88av| 中文欧美无线码| 午夜老司机福利片| 黑人欧美特级aaaaaa片| 一本久久精品| 午夜影院在线不卡| 中文字幕人妻熟女乱码| 国产精品嫩草影院av在线观看| a级片在线免费高清观看视频| 看非洲黑人一级黄片| 无限看片的www在线观看| 日韩精品免费视频一区二区三区| 亚洲熟女精品中文字幕| 丰满少妇做爰视频| 中文字幕人妻丝袜一区二区 | 久久久久久人人人人人| 美女脱内裤让男人舔精品视频| 黑人猛操日本美女一级片| 999精品在线视频| 90打野战视频偷拍视频| 亚洲欧洲精品一区二区精品久久久 | 国产成人系列免费观看| 国产精品国产三级专区第一集| 亚洲,一卡二卡三卡| 国产精品麻豆人妻色哟哟久久| 亚洲激情五月婷婷啪啪| 无限看片的www在线观看| 亚洲精品一二三| 亚洲国产av影院在线观看| 精品久久久精品久久久| 热re99久久精品国产66热6| 日韩欧美精品免费久久| 国产日韩一区二区三区精品不卡| 精品少妇内射三级| 欧美日韩av久久| 亚洲欧美一区二区三区国产| 国产亚洲一区二区精品| 精品国产超薄肉色丝袜足j| videos熟女内射| 亚洲精品一二三| 亚洲,欧美精品.| 国产淫语在线视频| 成人午夜精彩视频在线观看| 91精品三级在线观看| 欧美日韩一区二区视频在线观看视频在线| 国产男女内射视频| 狂野欧美激情性bbbbbb| 少妇精品久久久久久久| 天天操日日干夜夜撸| 伦理电影免费视频| 久久久国产欧美日韩av| 午夜日本视频在线| 日韩免费高清中文字幕av| 免费看不卡的av| 性少妇av在线| 少妇人妻精品综合一区二区| 中文字幕人妻丝袜制服| 亚洲精品av麻豆狂野| 日本欧美视频一区| 国产一区二区在线观看av| 在线免费观看不下载黄p国产| 性高湖久久久久久久久免费观看| av网站在线播放免费| 国产一级毛片在线| 最新的欧美精品一区二区| 咕卡用的链子| 久久av网站| 国产精品一国产av| 亚洲欧美中文字幕日韩二区| 精品人妻熟女毛片av久久网站| 99热网站在线观看| 性色av一级| 免费观看人在逋| 天美传媒精品一区二区| 男女无遮挡免费网站观看| 欧美日韩一级在线毛片| 九色亚洲精品在线播放| 国产熟女欧美一区二区| 丰满乱子伦码专区| 一个人免费看片子| 菩萨蛮人人尽说江南好唐韦庄| 国产日韩欧美视频二区| 中文天堂在线官网| 啦啦啦视频在线资源免费观看| 日韩电影二区| 一本—道久久a久久精品蜜桃钙片| 日韩一区二区三区影片| 电影成人av| 精品国产国语对白av| 一本一本久久a久久精品综合妖精| 一本—道久久a久久精品蜜桃钙片| 亚洲精品国产区一区二| 这个男人来自地球电影免费观看 | 亚洲人成77777在线视频| 久久影院123| 国产精品久久久av美女十八| 视频区图区小说| 日韩 亚洲 欧美在线| 久久女婷五月综合色啪小说| 高清不卡的av网站| videos熟女内射| 最近中文字幕2019免费版| 王馨瑶露胸无遮挡在线观看| 在线观看免费高清a一片| 欧美日韩av久久| 日韩制服丝袜自拍偷拍| 欧美日韩综合久久久久久| 国产黄频视频在线观看| 多毛熟女@视频| 午夜福利免费观看在线| 一级片免费观看大全| 爱豆传媒免费全集在线观看| 久久久久久久精品精品| 九色亚洲精品在线播放| 久久久久国产精品人妻一区二区| 激情视频va一区二区三区| 99久久人妻综合| 免费看av在线观看网站| 19禁男女啪啪无遮挡网站| 婷婷色麻豆天堂久久| 日韩成人av中文字幕在线观看| 天堂俺去俺来也www色官网| 老司机影院毛片| 校园人妻丝袜中文字幕| 久久久欧美国产精品| 色吧在线观看| 新久久久久国产一级毛片| 国产精品一国产av| 激情视频va一区二区三区| 欧美精品一区二区大全| 国产老妇伦熟女老妇高清| 国产男女超爽视频在线观看| 国产成人免费无遮挡视频| 欧美老熟妇乱子伦牲交| 中文字幕最新亚洲高清| 1024香蕉在线观看| 中国国产av一级| 一区福利在线观看| 国产激情久久老熟女| 无遮挡黄片免费观看| 观看av在线不卡| 日韩中文字幕欧美一区二区 | 两性夫妻黄色片| 久久精品亚洲熟妇少妇任你| 肉色欧美久久久久久久蜜桃| 又黄又粗又硬又大视频| 99国产综合亚洲精品| 久久国产亚洲av麻豆专区| 人人妻人人爽人人添夜夜欢视频| 国产精品女同一区二区软件| 亚洲欧美成人精品一区二区| 国产精品一区二区在线不卡| 欧美精品高潮呻吟av久久| 久久久久精品久久久久真实原创| 妹子高潮喷水视频| 最新的欧美精品一区二区| 国产 精品1| 久久久久久久久久久免费av| 国产成人a∨麻豆精品| 久久精品国产亚洲av涩爱| 一级毛片电影观看| 国产精品久久久人人做人人爽| 国产精品人妻久久久影院| 老熟女久久久| 99热网站在线观看| 老熟女久久久| 亚洲av男天堂| 久久精品国产a三级三级三级| 少妇被粗大猛烈的视频| 亚洲专区中文字幕在线 | 丝袜喷水一区| 成人国产av品久久久| 美女主播在线视频| 女人被躁到高潮嗷嗷叫费观| 亚洲熟女精品中文字幕| 女人被躁到高潮嗷嗷叫费观| 久久久久久久久久久久大奶| 久久影院123| 亚洲精品国产一区二区精华液| 黑人猛操日本美女一级片| 国产精品免费视频内射| 人妻一区二区av| 51午夜福利影视在线观看| 爱豆传媒免费全集在线观看| 午夜日韩欧美国产| 欧美 日韩 精品 国产| 国产午夜精品一二区理论片| 99精国产麻豆久久婷婷| 少妇人妻久久综合中文| 精品卡一卡二卡四卡免费| 国产精品久久久久久精品古装| 欧美黑人欧美精品刺激| 久久免费观看电影| 久久久久精品国产欧美久久久 | 亚洲欧美成人精品一区二区| 哪个播放器可以免费观看大片| 麻豆精品久久久久久蜜桃| 亚洲av欧美aⅴ国产| 美女国产高潮福利片在线看| 欧美日韩一区二区视频在线观看视频在线| 日本av手机在线免费观看| 久久狼人影院| √禁漫天堂资源中文www| 亚洲美女搞黄在线观看| 亚洲av中文av极速乱| 欧美日韩av久久| 亚洲av欧美aⅴ国产| 老司机在亚洲福利影院| 这个男人来自地球电影免费观看 | 亚洲欧洲国产日韩| 亚洲美女搞黄在线观看| 一级毛片 在线播放| 国产亚洲av片在线观看秒播厂| 精品一区二区三区四区五区乱码 | 午夜免费观看性视频| 亚洲综合色网址| 国产成人系列免费观看| www.精华液| 80岁老熟妇乱子伦牲交| 黑人欧美特级aaaaaa片| 亚洲精品美女久久久久99蜜臀 | 丝袜在线中文字幕| 亚洲欧洲国产日韩| 亚洲成人免费av在线播放| 成人国产av品久久久| 国产成人免费观看mmmm| 久久国产精品男人的天堂亚洲| 亚洲综合色网址| 国产精品香港三级国产av潘金莲 | 下体分泌物呈黄色| 国产女主播在线喷水免费视频网站| 久久久久精品性色| 午夜日本视频在线| 999精品在线视频| 别揉我奶头~嗯~啊~动态视频 | 久久精品久久久久久久性| 成人手机av| 国产精品久久久久久久久免| 黄片无遮挡物在线观看| 黄网站色视频无遮挡免费观看| 欧美精品人与动牲交sv欧美| 五月天丁香电影| 美女大奶头黄色视频| 老司机在亚洲福利影院| 国产精品偷伦视频观看了| 亚洲精品中文字幕在线视频| 精品国产一区二区久久| 国产精品久久久av美女十八| svipshipincom国产片| 宅男免费午夜| 啦啦啦在线免费观看视频4| 在线天堂中文资源库| 精品少妇内射三级| 国产免费福利视频在线观看| 久热爱精品视频在线9| av在线观看视频网站免费| 最近的中文字幕免费完整| 只有这里有精品99| 悠悠久久av| 欧美日韩一级在线毛片| 国产亚洲av片在线观看秒播厂| 大码成人一级视频| 亚洲视频免费观看视频| 啦啦啦在线免费观看视频4| 亚洲av电影在线进入| 又黄又粗又硬又大视频| 一级,二级,三级黄色视频| 欧美日韩一级在线毛片| 18禁观看日本| 亚洲成国产人片在线观看| 欧美在线黄色| 丰满迷人的少妇在线观看| 尾随美女入室| 两个人看的免费小视频| 久久精品人人爽人人爽视色| 2021少妇久久久久久久久久久| 久久久久久久久久久久大奶| 亚洲一区中文字幕在线| 一区二区三区精品91| 久久久久久久大尺度免费视频| 日韩一卡2卡3卡4卡2021年| 丰满饥渴人妻一区二区三| 人成视频在线观看免费观看| 大陆偷拍与自拍| 男女高潮啪啪啪动态图| 在线观看免费视频网站a站| 久久久国产一区二区| 国产xxxxx性猛交| 成人国产麻豆网| 日本欧美国产在线视频| 国产精品.久久久| 欧美中文综合在线视频| 男女午夜视频在线观看| 日本午夜av视频| 国产亚洲一区二区精品| 麻豆av在线久日| av女优亚洲男人天堂| 免费女性裸体啪啪无遮挡网站| 天天躁日日躁夜夜躁夜夜| 90打野战视频偷拍视频| 亚洲精品日本国产第一区| 18在线观看网站| 晚上一个人看的免费电影| 99热网站在线观看| 午夜福利一区二区在线看| 校园人妻丝袜中文字幕| 国产免费现黄频在线看| 亚洲精品日本国产第一区| 母亲3免费完整高清在线观看| 国产亚洲av高清不卡| 99香蕉大伊视频| 午夜福利视频在线观看免费| 亚洲精品国产色婷婷电影| 91精品三级在线观看| 久久精品国产综合久久久| 午夜福利网站1000一区二区三区| 日韩中文字幕欧美一区二区 | 中文精品一卡2卡3卡4更新| 亚洲欧美成人精品一区二区| av卡一久久| 国产成人精品久久二区二区91 | 男的添女的下面高潮视频| 黄网站色视频无遮挡免费观看| 亚洲欧美成人综合另类久久久| tube8黄色片| 制服人妻中文乱码| 国产男女超爽视频在线观看| 最近的中文字幕免费完整| 99香蕉大伊视频| 国产一区有黄有色的免费视频| 国产视频首页在线观看| 90打野战视频偷拍视频| 九色亚洲精品在线播放| 日本一区二区免费在线视频| 美女中出高潮动态图| 我的亚洲天堂| 叶爱在线成人免费视频播放| 午夜激情av网站| 日本午夜av视频| 国产精品久久久av美女十八| 亚洲精品国产一区二区精华液| 在线亚洲精品国产二区图片欧美| 久久性视频一级片| 在线观看免费高清a一片| 久久久久国产精品人妻一区二区| 中文字幕另类日韩欧美亚洲嫩草| 亚洲成人手机| 精品少妇黑人巨大在线播放| 制服人妻中文乱码| 亚洲欧美成人精品一区二区| 中文字幕最新亚洲高清| 亚洲精华国产精华液的使用体验| 国产视频首页在线观看| 蜜桃在线观看..| 在线观看国产h片| 亚洲欧美成人精品一区二区| 精品第一国产精品| 男女床上黄色一级片免费看| 综合色丁香网| 亚洲精品美女久久av网站| 两个人看的免费小视频| 国产精品二区激情视频| 多毛熟女@视频| 国产成人午夜福利电影在线观看| 久久久久人妻精品一区果冻| 亚洲国产精品999| 日韩成人av中文字幕在线观看| 在线天堂中文资源库| 一二三四中文在线观看免费高清| 亚洲av日韩精品久久久久久密 | 夫妻午夜视频| 国产精品国产av在线观看| 搡老乐熟女国产| 色网站视频免费| 国产亚洲av高清不卡| 99久久精品国产亚洲精品| 18禁国产床啪视频网站| 午夜福利影视在线免费观看| 91aial.com中文字幕在线观看| 欧美精品高潮呻吟av久久| 人人妻人人添人人爽欧美一区卜| 大话2 男鬼变身卡| 三上悠亚av全集在线观看| 欧美中文综合在线视频| 亚洲av电影在线进入| 韩国av在线不卡| 国产97色在线日韩免费| 亚洲成av片中文字幕在线观看| 夜夜骑夜夜射夜夜干| av在线观看视频网站免费| 无遮挡黄片免费观看| 综合色丁香网| 国产女主播在线喷水免费视频网站| 国产欧美日韩一区二区三区在线| 免费av中文字幕在线| 久久精品人人爽人人爽视色| 99热全是精品| 日韩制服骚丝袜av| 国产色婷婷99| 欧美精品av麻豆av| 久久精品国产a三级三级三级| 国产伦人伦偷精品视频| 老司机深夜福利视频在线观看 | 国产成人系列免费观看| 一级毛片电影观看| 老汉色av国产亚洲站长工具| 一区二区三区乱码不卡18| 你懂的网址亚洲精品在线观看| 老司机亚洲免费影院| 这个男人来自地球电影免费观看 | 国产麻豆69| 一级爰片在线观看| www.熟女人妻精品国产| 岛国毛片在线播放| 国产精品久久久久成人av| 日韩人妻精品一区2区三区| av不卡在线播放| 国产精品偷伦视频观看了| 午夜精品国产一区二区电影| 操美女的视频在线观看| 美女中出高潮动态图| 精品一区二区三区av网在线观看 | 亚洲成色77777| 最近手机中文字幕大全| 亚洲第一区二区三区不卡| 777久久人妻少妇嫩草av网站| 91国产中文字幕| 国产精品蜜桃在线观看| 精品一区二区三区四区五区乱码 | 黄色 视频免费看| 色婷婷av一区二区三区视频| 青春草视频在线免费观看| 搡老乐熟女国产| 精品酒店卫生间| 2021少妇久久久久久久久久久| 亚洲精品日韩在线中文字幕| 久久久精品区二区三区| 亚洲国产av新网站| avwww免费| 在线观看国产h片| 成人亚洲精品一区在线观看| 不卡av一区二区三区| 亚洲精品久久久久久婷婷小说| 如何舔出高潮| 精品一区在线观看国产| 一级毛片黄色毛片免费观看视频| 老汉色∧v一级毛片| 熟女少妇亚洲综合色aaa.| 国产高清不卡午夜福利| 久久精品久久久久久久性| 免费久久久久久久精品成人欧美视频| 性高湖久久久久久久久免费观看| 建设人人有责人人尽责人人享有的| 欧美日韩亚洲国产一区二区在线观看 | 欧美精品人与动牲交sv欧美|