• <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 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的城管案件圖像分類方法

    2018-05-21 06:20:56李靈巧楊輝華劉振丙潘細(xì)朋
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)案件

    楊 浩,李靈巧 ,,楊輝華 ,,劉振丙 ,潘細(xì)朋

    1.桂林電子科技大學(xué) 計(jì)算機(jī)與信息安全學(xué)院,廣西 桂林 541004

    2.北京郵電大學(xué) 自動(dòng)化學(xué)院,北京 100876

    1 引言

    隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,城市管理正逐步走向數(shù)字化、網(wǎng)絡(luò)化、智能化[1],基于互聯(lián)網(wǎng)技術(shù)的城市管理技術(shù)也越來越成熟[2],如在智慧城市管理系統(tǒng)[3]中,普通市民可利用智能手機(jī)APP一鍵上報(bào)城市管理中存在的問題案件(如車輛亂停亂放、市容環(huán)境問題等)。同時(shí),在上報(bào)這種城管案件時(shí)用戶需要上傳至少一張?jiān)摪讣?duì)應(yīng)的現(xiàn)場(chǎng)圖片、現(xiàn)場(chǎng)位置等信息,城市管理工作人員在看到市民上報(bào)的問題案件后即可立即根據(jù)上報(bào)案件的圖片信息和位置信息等前往案發(fā)地點(diǎn)進(jìn)行相應(yīng)的處理,極大地提高了城市管理的工作效率[4]。然而,隨著用戶量的不斷增加,每天上報(bào)的案件數(shù)也在增加,若僅用人工來挑選不同類別的案件則費(fèi)時(shí)費(fèi)力,效率極低。因此迫切需要一種能夠?qū)⒊枪馨讣焖俜诸惖姆椒▉韰f(xié)助城市管理工作,讓城市管理更加智能化。

    基于案件圖像中的信息,可利用圖像分類的方法將案件自動(dòng)分類。目前,圖像分類的方法已經(jīng)很多,如Vapnik等人提出的支持向量機(jī)(Support Vector Machines,SVM)分類方法,Lu等人使用的拉格朗日支持向量機(jī)LSVM[5]方法等,然而使用這些方法前一般需要提取圖像的HOG特征等紋理特征,且對(duì)圖像特征提取的質(zhì)量會(huì)對(duì)最終的分類結(jié)果產(chǎn)生直接的影響。比較常用的圖像特征提取的方法有Gabor小波圖像紋理特征提取[6]、高斯馬爾柯夫隨機(jī)場(chǎng)(GMRF)遙感圖像特征提取[7]、SIFT提取圖像特征[8]。深度學(xué)習(xí)由Hinton等于2006年提出,其顯著特點(diǎn)是能夠自行學(xué)習(xí)圖像特征,并通過組合數(shù)據(jù)的低層特征從而形成更加抽象的高層特征表示[9],可極大地減少人工提取特征的各種開銷。隨后,一些深度學(xué)習(xí)方法快速發(fā)展起來,如降噪自編碼Denoising Autoencoder(DAE)[10]、稀疏自編碼 Sparse Autoencoder(SAE)[11]、卷積神經(jīng)網(wǎng)絡(luò)Convolutional Neural Networks(CNN)[12]等算法。利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)minist手寫數(shù)據(jù)集進(jìn)行識(shí)別,錯(cuò)誤率已經(jīng)低于人類手動(dòng)識(shí)別的錯(cuò)誤率[13];Yang等人利用SAE對(duì)圖像進(jìn)行分類[14],2012年KrizheVsky等人對(duì)ImageNet數(shù)據(jù)庫進(jìn)行圖像分類,測(cè)得top-5的測(cè)試誤差率為15.3%[12]。

    城市管理案件中的圖像均由各種普通手機(jī)拍攝所得,背景信息比較復(fù)雜、圖像質(zhì)量較低,因此利用上述方法對(duì)該類圖像進(jìn)行分類不能取得理想效果。針對(duì)該問題,本文基于城市管理案件中的圖像進(jìn)行分析,利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取圖像特征的特性,設(shè)計(jì)了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)算法ZCNN。首先,將獲取到案件圖像進(jìn)行統(tǒng)一的ZCA白化[15]處理,有效降低圖像特征之間的相關(guān)性,然后根據(jù)圖像特征,搭建8層卷積神經(jīng)網(wǎng)絡(luò),設(shè)定合適的卷積核大小,每層卷積層后連接一個(gè)下采樣層即pooling層,并利用線性糾正單元ReLU[16-17]加速訓(xùn)練過程,在pooling層中使用dropout技術(shù)隨機(jī)斷開網(wǎng)絡(luò)結(jié)點(diǎn)防止算法的過擬合。最后,在進(jìn)行模型微調(diào)時(shí),采用隨機(jī)梯度下降法逐層計(jì)算模型的參數(shù),此外,為了提高算法的精度,采用BP(Back Propagation)[18]算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。本文分別以兩類案件圖片(各1 300張,共2 600張)和四類案件圖片(各1 300張,共5 200張)實(shí)驗(yàn),驗(yàn)證算法的有效性。

    2 數(shù)據(jù)預(yù)處理——ZCA白化

    圖像數(shù)據(jù)的預(yù)處理是圖像分類任務(wù)中至關(guān)重要的一步,特別是自然圖像,圖像相鄰像素之間具有很強(qiáng)的相關(guān)性,影響最終分類效果,因此如何有效地去除圖像數(shù)據(jù)的相關(guān)性并降低其冗余度尤為必要[19]。白化(whitening),即將數(shù)據(jù)的協(xié)方差矩陣轉(zhuǎn)變成單位矩陣的過程,其目的是降低輸入數(shù)據(jù)的冗余,使白化后的數(shù)據(jù)更接近原始數(shù)據(jù)。在數(shù)值上,主要是使數(shù)據(jù)具有統(tǒng)一的協(xié)方差,且每個(gè)特征都有相同的方差。具體步驟如下:

    (1)首先,對(duì)數(shù)據(jù)進(jìn)行亮度和對(duì)比度的歸一化,對(duì)于圖像中每個(gè)像素點(diǎn)的像素值p(i),減去圖像灰度均值,然后再除以標(biāo)準(zhǔn)差,為使分母不為0,通常在分母中加入一個(gè)很小常數(shù)ε。計(jì)算公式如下:

    其中是原始輸入圖像數(shù)據(jù)別表示圖像的均值和方差。當(dāng)圖像灰度值在[0,255]時(shí),令常數(shù)ε=10。

    (2)計(jì)算訓(xùn)練樣本的協(xié)方差矩陣,公式如下:

    由于數(shù)據(jù)間是相關(guān)的,因此此時(shí)計(jì)算的協(xié)方差矩陣是非對(duì)角陣。

    (3)降低數(shù)據(jù)間的相關(guān)性,將協(xié)方差矩陣轉(zhuǎn)變?yōu)閷?duì)角陣。方程如下:

    其中V是特征向量矩陣。D是由協(xié)方差矩陣Σ特征值組成的對(duì)角陣。

    (4)采用ZCA白化,公式如下:

    其中δ是很小的一個(gè)常數(shù),設(shè)置為0.01,I為單位矩陣。

    通過將圖像數(shù)據(jù)進(jìn)行ZCA(Zero Components Analysis)白化后,可降低各像素之間的相關(guān)性和數(shù)據(jù)的冗余度,使得特征向量各維度方差相等,數(shù)據(jù)得到有效的統(tǒng)一。

    3 卷積神經(jīng)網(wǎng)絡(luò)模型搭建

    3.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN),是由Huber和Wiesel提出[20],其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性,基本結(jié)構(gòu)主要包括兩層:一層是卷積層,用設(shè)定的卷積核對(duì)一幅圖像進(jìn)行卷積,將卷積值加權(quán)并加偏置,然后通過一個(gè)激活函數(shù)得到的;另一層是下采樣層也稱池化層(pooling層),利用圖像的局部相關(guān)性原理對(duì)圖像進(jìn)行子抽樣,這樣可以減少數(shù)據(jù)處理量的同時(shí)又保留了有用的信息。

    為了更清楚地理解卷積和池化的過程,如圖1所示,輸入圖像的大小為h×d,kx是r×c大小的卷積濾波器(卷積核),步長(zhǎng)設(shè)置為1,那么卷積層的特征圖的大小為(h -r+1)×(d -c+1)。池化層Cx的特征平面數(shù)量等于卷積層的特征平面?zhèn)€數(shù),其每個(gè)神經(jīng)元都與卷積層的感受野區(qū)域連接,計(jì)算最大值或平均值。第l個(gè)卷積層的第j個(gè)特征平面上的神經(jīng)元通過激活函數(shù)的輸出為:

    其中,是第l個(gè)卷積層的第 j個(gè)特征平面上的神經(jīng)元輸出,是偏置向量,*表示二維卷積操作,是卷積核。S(·)是非線性激活函數(shù)。非線性激活函數(shù)通常的有雙曲函數(shù)(tanh)、sigmoid函數(shù)和修正線性單元(ReLU),前兩種是飽和非線性函數(shù),后一種是不飽和非線性函數(shù),在網(wǎng)絡(luò)模型訓(xùn)練時(shí)前兩種的速度明顯低于后者,尤其是在深度神經(jīng)網(wǎng)絡(luò)中,這種時(shí)間上的差異更加明顯。因此,本文中所有卷積層激活函數(shù)都采用ReLU函數(shù),即S(z)=max(0,z)。

    3.2 ZCNN模型

    本文所研究的數(shù)據(jù)為城市管理案件圖像,該類型圖像均為普通手機(jī)拍攝所得,且拍攝者均為普通市民,拍攝地點(diǎn)為城市各個(gè)角落,因此這種圖片具有圖片背景復(fù)雜、圖片像素較低、圖片大小角度不一、圖片像素之間相關(guān)性較強(qiáng)的特點(diǎn),考慮傳統(tǒng)的圖像識(shí)別分類方法需要進(jìn)行非常復(fù)雜的特征提取,本文以深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)(CNN)算法為基礎(chǔ),利用CNN能夠自行學(xué)習(xí)圖片特征的優(yōu)勢(shì),設(shè)計(jì)網(wǎng)絡(luò)模型??紤]本模型要應(yīng)用于智慧城市管理案件數(shù)據(jù),因此網(wǎng)絡(luò)結(jié)構(gòu)在保證分類精度的前提下不宜太大,盡量減少訓(xùn)練時(shí)間,縮減運(yùn)營成本。為了去除圖像各像素之間的相關(guān)性且使圖像大小均一,模型使用了圖像歸一化處理和ZCA白化處理,具體方法如下。

    本算法首先對(duì)輸入圖像采用了歸一化處理和ZCA白化處理,其次,本方法設(shè)計(jì)的卷積核大小為13×13,且在卷積層利用ReLU激活函數(shù)加快網(wǎng)絡(luò)訓(xùn)練速度,同時(shí)在pooling層后利用dropout技術(shù)隨機(jī)斷開10%的網(wǎng)絡(luò)結(jié)點(diǎn)防止算法過擬合,最后使用BP算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào),全連接層采用softmax分類器進(jìn)行分類。模型的結(jié)構(gòu)依次為輸入層Input—卷積層C1—下采樣層S2—卷積層C3—下采樣層S4—卷積層C5—下采樣層S6—全連接層Full Connected。具體過程如下:

    (1)將經(jīng)過ZCA白化預(yù)處理后的圖像數(shù)據(jù)統(tǒng)一處理成100×100大小作為模型的輸入層。

    (2)設(shè)定卷積核大小為13×13,采用6個(gè)濾波器用于卷積輸入的圖像,然后加偏置,得到卷積層C1,包含6個(gè)大小為88×88的特征圖。

    (3)將得到的C1層中的每個(gè)特征圖中經(jīng)過averagepooling,即特征圖中每4個(gè)像素值求其平均值,然后加權(quán)值,加偏置,并采用ReLU作為激活函數(shù),同時(shí)本方法在pooling層采用dropout隨機(jī)斷開10%結(jié)點(diǎn),最后輸出S2層6個(gè)大小為44×44的特征圖。

    (4)將得到的S2層作為下一層的輸入層,采用卷積核大小為13×13,輸出特征圖數(shù)為12,卷積后得到C3層,特征圖大小為32×32。

    (5)將C3層的特征圖經(jīng)過同步驟(3)的處理后得到S4層,特征圖大小為16×16。

    (6)同步驟(4),將S4層作為輸入層,卷積核大小依然為13×13,輸出特征圖數(shù)為18,卷積后得到C5的特征圖大小為4×4。

    (7)將C5層經(jīng)過同步驟(3)的處理后得到S6層的特征圖,大小為2×2。

    (8)最后將得到的S6層進(jìn)行全連接,通過softmax分類器得到分類結(jié)果。

    整個(gè)ZCNN的模型結(jié)構(gòu)圖如圖2,卷積過程表述如表1。

    圖1 卷積和池化結(jié)構(gòu)

    圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    表1 卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)過程

    4 實(shí)驗(yàn)數(shù)據(jù)與結(jié)果

    4.1 基于城管案件數(shù)據(jù)的實(shí)驗(yàn)

    本實(shí)驗(yàn)數(shù)據(jù)主要來源于本單位與南寧市青秀區(qū)合作研發(fā)的智慧城市管理系統(tǒng)[3-4](簡(jiǎn)稱“城管通”系統(tǒng)),該系統(tǒng)包括Web網(wǎng)頁端和智能手機(jī)APP端(支持iOS和Android兩個(gè)平臺(tái)),市民或工作者發(fā)現(xiàn)城市中的問題時(shí),通過個(gè)人手機(jī)拍攝案發(fā)現(xiàn)場(chǎng)圖片,選擇案件描述,然后一鍵上報(bào)到系統(tǒng)。本文針對(duì)不同類別案件數(shù)據(jù)做了兩組實(shí)驗(yàn):第一組從系統(tǒng)中道路交通類和市容環(huán)境類中案件各隨機(jī)選取1 300個(gè),共2 600個(gè)案件,做二分類實(shí)驗(yàn)。第二組從系統(tǒng)中電動(dòng)車亂擺放類、亂扔垃圾類、機(jī)動(dòng)車違章停放類、垃圾桶周圍臟亂類四類案件中各隨機(jī)選取1 300個(gè),共5 200個(gè)案件做四分類。部分智慧城管案件的樣例圖像如圖3所示。

    圖3 實(shí)驗(yàn)數(shù)據(jù)樣例圖

    4.2 評(píng)價(jià)指標(biāo)

    本文采用幾個(gè)常用的分類評(píng)價(jià)指標(biāo)作為模型的評(píng)價(jià)標(biāo)準(zhǔn),具體為Accuracy、Precision、Recall、F1_Score[21]。其計(jì)算公式分別如下:

    令TP表示當(dāng)前類原本是正類并且也被預(yù)測(cè)為正類的個(gè)數(shù),F(xiàn)P表示當(dāng)前類原本是負(fù)類且被預(yù)測(cè)為正類的個(gè)數(shù),TN表示當(dāng)前類原本是負(fù)類且被預(yù)測(cè)為負(fù)類的個(gè)數(shù),F(xiàn)N表示當(dāng)前類原本是正類且被預(yù)測(cè)為負(fù)類的個(gè)數(shù)[22],S表示當(dāng)前類樣本總數(shù)。

    (1)當(dāng)前類的精度:

    (2)當(dāng)前類的準(zhǔn)確率:

    (3)當(dāng)前類的召回率

    (4)當(dāng)前類的F1值:

    (5)平均精度:總類別數(shù))。

    (6)平均召回率:總類別數(shù))。

    (7)平均準(zhǔn)確率:總類別數(shù))。

    (8)平均 F1值總類別數(shù))。

    4.3 二分類實(shí)驗(yàn)

    本實(shí)驗(yàn)采用道路交通類(Road_Traffic)和市容環(huán)境(City_Environment)類的案件圖片各1 300張,共2 600張,其中,各取1 000張作為訓(xùn)練集,剩余各取300張作為測(cè)試集;分別計(jì)算各類的Accuracy(精度)、Precision(準(zhǔn)確率)、Recall(召回率)、F1_Score(F1值)以及總的平均精度Mean_acc、平均準(zhǔn)確率Mean_pre、平均召回率Mean_recall以及平均的F1值Mean_F1,并與Lagrangian SVM(LSVM)、稀疏自編碼SAE以及未改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果如表2所示,模型ROC曲線如圖4,均方誤差曲線如圖5。

    圖4 ROC曲線

    根據(jù)以上實(shí)驗(yàn)結(jié)果,可以看出本文所設(shè)計(jì)的ZCNN模型在對(duì)于智慧城管的二分類問題上,其各項(xiàng)性能均優(yōu)于LSVM、SAE以及傳統(tǒng)的CNN算法,且根據(jù)圖5可以看出,本算法能夠在短時(shí)間內(nèi)得到收斂,誤差逐漸減小并趨于穩(wěn)定。

    表2 二分類實(shí)驗(yàn)結(jié)果

    表3 四分類實(shí)驗(yàn)結(jié)果

    圖5 均方誤差曲線

    4.4 多分類實(shí)驗(yàn)

    本實(shí)驗(yàn)采用電動(dòng)車亂擺放類(electrocar)、亂丟垃圾類(rubbish)、汽車違章停放類(car)和垃圾箱周圍不清潔類(dustbin)共四類案件圖片各1 300張,共5 200張;其中各選1 000張共4 000張作為訓(xùn)練集,剩余各取300張,共1 200張作為測(cè)試集;分別計(jì)算各類的Accuracy(精度)、Precision(準(zhǔn)確率)、Recall(召回率)、F1_Score(F1值)以及總的平均精度Mean_acc、平均準(zhǔn)確率Mean_pre、平均召回率Mean_recall以及平均的F1值Mean_F1,并與線性SVM(LSVM)、稀疏自編碼SAE以及未改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果如表3所示,模型ROC曲線如圖6,均方誤差曲線MSE如圖7。

    圖6 ROC曲線

    圖7 均方誤差曲線

    根據(jù)實(shí)驗(yàn)結(jié)果,可以看出本文所設(shè)計(jì)的ZCNN模型在對(duì)于城管案件的多分類問題上明顯優(yōu)于LSVM、SAE以及傳統(tǒng)的CNN算法,且根據(jù)圖7可以看出,本算法能夠在短時(shí)間內(nèi)得到收斂,誤差逐漸減小并趨于穩(wěn)定。

    4.5 基于ImageNet數(shù)據(jù)集的多分類實(shí)驗(yàn)

    ImageNet數(shù)據(jù)集為目前世界上最大的圖像識(shí)別庫,共包含1 400萬張以上的高清圖片,在ILSVRC-2012大賽中,Alex等人設(shè)計(jì)出AlexNet模型,在ImageNet的子集中做實(shí)驗(yàn)測(cè)得top-5的錯(cuò)誤率為15.3%[12]。此外,Simonyan等人設(shè)計(jì)的VGG-Net基于該數(shù)據(jù)集在ILSVRC-2014大賽中測(cè)得top-5的錯(cuò)誤率為7.3%[23]。Szegedy等人設(shè)計(jì)的Google-Net基于該數(shù)據(jù)集測(cè)得top-5的錯(cuò)誤率僅為6.67%[24]。該類型網(wǎng)絡(luò)結(jié)構(gòu)均是基于多GPU并行加速的大型深層神經(jīng)網(wǎng)絡(luò)模型,雖然能夠在大型數(shù)據(jù)庫的識(shí)別中獲得較高的精度,但是其不論在訓(xùn)練時(shí)間和花費(fèi)代價(jià)成本上均遠(yuǎn)遠(yuǎn)高于本文所設(shè)計(jì)的模型,不適用于本文中所提及的城管案件圖像分類工作。具體模型結(jié)構(gòu)對(duì)比如表4。

    表4 模型結(jié)構(gòu)對(duì)比(總層數(shù)只計(jì)算卷積層和全連接層)

    從表4中可以看出,本文所提出的方法在沒有使用GPU加速和使用普通電腦配置(酷睿 i5,4 GB內(nèi)存,MATLAB2016b)的條件下雖然只采用ImageNet數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)進(jìn)行實(shí)驗(yàn),依然能夠很快地完成模型的訓(xùn)練,相比 AlexNet、VGG-Net、Google-Net等較大型的網(wǎng)絡(luò)結(jié)構(gòu),極大地縮短了訓(xùn)練時(shí)間,減少了成本開支,提高了工作效率。適用于本文所提及的城管案件分類情況和其他中小型應(yīng)用場(chǎng)景。

    本文在ImageNet數(shù)據(jù)庫中隨機(jī)抽取4類圖片數(shù)據(jù)各1 300張共5 200張進(jìn)行分類實(shí)驗(yàn),實(shí)驗(yàn)數(shù)據(jù)樣例如圖8。

    圖8 ImageNet數(shù)據(jù)樣例圖

    實(shí)驗(yàn)選取4類圖片各1 000張共4 000張作為訓(xùn)練集,其余各300張共1 200張作為測(cè)試集,實(shí)驗(yàn)結(jié)果如表5。根據(jù)表5可以看出,本文所提方法對(duì)于ImageNet數(shù)據(jù)集依然能夠在較短訓(xùn)練時(shí)間內(nèi)獲得較高精確率。ROC曲線如圖9,均方誤差曲線如圖10,可以看出能夠在較短時(shí)間內(nèi)得到收斂。

    圖9 ROC曲線

    5 結(jié)論

    隨著智慧城管系統(tǒng)的應(yīng)用越來越普及,每日上報(bào)的案件數(shù)量也在增加,對(duì)于大量由市民和工作人員上報(bào)的城管案件若僅用人工來挑選出不同的類別,則費(fèi)時(shí)費(fèi)力,效率極低,且由于個(gè)人對(duì)于不同案件類型的理解錯(cuò)誤導(dǎo)致大量案件被錯(cuò)誤分類,造成對(duì)于城市管理案件的紊亂。

    表5 ImageNet多分類實(shí)驗(yàn)結(jié)果

    圖10 均方誤差曲線

    本文基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)了改進(jìn)的ZCNN算法用于將城管案件圖像自動(dòng)分類,從而達(dá)到將案件自動(dòng)分類的效果。首先獲取城市管理案件圖像,將案件圖像進(jìn)行ZCA預(yù)處理,設(shè)計(jì)8層卷積神經(jīng)網(wǎng)絡(luò)模型,采用大小為13×13的卷積核對(duì)圖像進(jìn)行卷積,為了加速模型的訓(xùn)練,采用線性糾正單元ReLU作為激活函數(shù),在pooling層采用average-pooling,并且在pooling之后采用dropout減少算法的過擬合,使用BP算法優(yōu)化模型,提高模型的魯棒性,全連接層采用softmax分類器進(jìn)行分類。通過采用道路交通類和市容環(huán)境類兩類案件圖像共2 600張做二分類實(shí)驗(yàn)和采用電動(dòng)車亂擺放類、亂丟垃圾類、汽車違章停放類和垃圾箱周圍不清潔類四類案件圖片共5 200張做四分類實(shí)驗(yàn),并與LSVM、SAE以及未經(jīng)過改進(jìn)的CNN算法進(jìn)行對(duì)比,分別計(jì)算各類的Accuracy(精度)、Precision(準(zhǔn)確率)、Recall(召回率)、F1_Score(F1值)以及總的平均精度Mean_acc、平均準(zhǔn)確率Mean_pre、平均召回率Mean_recall以及平均的F1值Mean_F1,結(jié)果顯示本方法的分類結(jié)果明顯優(yōu)于其他方法。且將本方法應(yīng)用于公開數(shù)據(jù)集ImageNet中,在保持原層數(shù)不變和不使用GPU加速的情況下相比 AlexNet、VGG-Net、Google-Net等大型網(wǎng)絡(luò)極大地縮短了訓(xùn)練時(shí)間,減少了模型本身的大小,節(jié)約了成本,且依然能夠保持較好的分類精度。

    [1]王靜遠(yuǎn),李超,熊璋,等.以數(shù)據(jù)為中心的智慧城市研究綜述[J].計(jì)算機(jī)研究與發(fā)展,2014,51(2):239-259.

    [2]Yang C.Research on construction of digital intelligent city management system[J].International Journal of Hybrid Information Technology,2014,7.

    [3]吳希玉.深化城管改革建設(shè)宜居南寧[N].廣西日?qǐng)?bào),2015-12-30(7).

    [4]向志強(qiáng),朱麗莉.“互聯(lián)網(wǎng)+城管”的“青秀探索”[N].新華每日電訊,2016-02-03(7).

    [5]Lu S X,Wang X Z.A comparison among four SVM classification methods:LSVM,NLSVM,SSVM and NSVM[C]//Proceedings of 2004 International Conference on Machine Learning and Cybernet-ics,2004:4277-4282.

    [6]Zhang D,Wong A,Indrawan M,et al.Content-based image retrieval using Gabor texture features[J].IEEE Transactions on PAMI,2010:13-15.

    [7]明冬萍,駱劍承,沈占鋒.基于GMRF-SVM的高分辨率遙感影像目標(biāo)區(qū)域劃分方法[J].測(cè)繪科學(xué),2009,34(2):33-37.

    [8]Lindeberg T.Scale invariant feature transform[J].Scholarpedia,2012,7(5):2012-2021.

    [9]Hinton G E,Salakhutdinov R R.Reducing the dimensionality of data with neural networks[J].Science,2006,313(5786).

    [10]Jain V,Seung H S.Natural image denoising with convolutional networks[J].Advances in Neural Information Processing Systems,2009:769-776.

    [11]Ng A.Sparse autoencoder[J].CS294A Lecture notes,2011,72:1-19.

    [12]Krizhevsky A,Sutskever I,Hinton G E.ImageNet classification with deep convolutional neural networks[J].Advances in Neural Information Processing Systems,2012:1097-1105.

    [13]Dan C,Meier U,Schmidhuber J.Multi-column deep neural networks for image classification[J].Computer Vision and Pattern Recognition,2012,157(10):3642-3649.

    [14]Yang J,Yu K,Gong Y,et al.Linear spatial pyramid matching using sparse coding for image classification[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2009:1794-1801.

    [15]Adam C,Ng A Y.Learning feature repre-sentations with k-means[M]//Neural networks:Tricks of the trade.Berlin Heidelberg:Springer,2012:561-580.

    [16]Hinton G E,Srivastava N,Krizhevsky A,et al.Improving neural networks by preventing coada-ptation of feature detectors[J].arXiv preprint arXiv:1207.0580,2012.

    [17]Maas A L,Hannun A Y,Ng A Y.Rectifier nonlinearities improve neural network acoustic models[C]//Proc ICML,2013.

    [18]Cheng J,Wang X,Si T,et al.Maximum burning rate and fixed carbon burnout efficiency of power coal blends predicted with back-propagation neural network models[J].Fuel,2016,172:170-177.

    [19]Akata Z,Perronnin F,Harchaoui Z,et al.Label-embedding for image classification[J].IEEE Transactions on Software Engineering,2016,38(7):1425-1438.

    [20]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.

    [21]Bahrampour S,Nasrabadi N M,Ray A,et al.Multimodal task-driven dictionary learning for image classification[J].IEEE Transactions on Image Processing,2016,25(1):24-38.

    [22]Zhou Y,Wei Y.Learning hierarchical spectral spatial features for hyperspectral image classification[J].IEEE Transactions on Cybernetics,2015,46(7):1667-1678.

    [23]Simonyan K,Zisserman A.Very deep convolutional networks for large-scale image recognition[J].Computer Science,2014.

    [24]Szegedy C,Liu W,Jia Y,et al.Going deeper with convolutions[C]//IEEE Conference on Computer Vision and Pattern Recognition,2014:1-9.

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)案件
    一起放火案件的調(diào)查:火災(zāi)案件中的“神秘來電”
    水上消防(2021年4期)2021-11-05 08:51:36
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    “左腳丟鞋”案件
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    HD Monitor在泉廈高速拋灑物案件中的應(yīng)用
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    3起案件 引發(fā)罪與非罪之爭(zhēng)
    黄片小视频在线播放| 夜夜爽天天搞| 亚洲狠狠婷婷综合久久图片| 99久久无色码亚洲精品果冻| 欧美极品一区二区三区四区| 国产精品不卡视频一区二区 | 久久久久久久精品吃奶| 最新在线观看一区二区三区| 韩国av一区二区三区四区| 亚洲精品在线美女| 久久久久久久久大av| 久久久久久大精品| 毛片女人毛片| 老女人水多毛片| 亚洲最大成人中文| 91av网一区二区| 琪琪午夜伦伦电影理论片6080| 97热精品久久久久久| 国产成人欧美在线观看| 国产伦一二天堂av在线观看| 国产成年人精品一区二区| 日本a在线网址| 一级黄片播放器| 夜夜躁狠狠躁天天躁| 久久国产精品影院| 久久久成人免费电影| 日日干狠狠操夜夜爽| 很黄的视频免费| 九色国产91popny在线| 亚洲色图av天堂| 亚洲自拍偷在线| 亚州av有码| 天天躁日日操中文字幕| 欧美国产日韩亚洲一区| 变态另类成人亚洲欧美熟女| 国产精品,欧美在线| 男女视频在线观看网站免费| 亚洲第一电影网av| 99视频精品全部免费 在线| 久久精品夜夜夜夜夜久久蜜豆| 欧美性感艳星| 极品教师在线视频| 黄色配什么色好看| 最新中文字幕久久久久| 99久久无色码亚洲精品果冻| 日韩欧美国产在线观看| 日韩中文字幕欧美一区二区| 亚洲自偷自拍三级| 日韩亚洲欧美综合| 日日摸夜夜添夜夜添小说| 午夜福利在线观看免费完整高清在 | 俄罗斯特黄特色一大片| 成人鲁丝片一二三区免费| 99热精品在线国产| 色哟哟哟哟哟哟| 在线免费观看的www视频| 午夜福利在线观看吧| 18禁黄网站禁片午夜丰满| 亚洲人成网站高清观看| 国产精品一区二区性色av| 国产精品免费一区二区三区在线| 久久午夜亚洲精品久久| 美女被艹到高潮喷水动态| 永久网站在线| 国产一区二区激情短视频| 麻豆成人午夜福利视频| 亚洲中文日韩欧美视频| 色在线成人网| 啪啪无遮挡十八禁网站| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 超碰av人人做人人爽久久| 99热6这里只有精品| 波多野结衣巨乳人妻| 久久热精品热| 偷拍熟女少妇极品色| 国产视频内射| 欧美精品啪啪一区二区三区| 黄色女人牲交| 亚洲av免费高清在线观看| 真实男女啪啪啪动态图| 日韩欧美 国产精品| 国产av不卡久久| av女优亚洲男人天堂| 精品国内亚洲2022精品成人| 神马国产精品三级电影在线观看| 精品久久国产蜜桃| 亚洲成a人片在线一区二区| 看片在线看免费视频| 久久热精品热| 一夜夜www| 在线看三级毛片| 在线观看舔阴道视频| 自拍偷自拍亚洲精品老妇| 久久久精品欧美日韩精品| 一级黄片播放器| 中文资源天堂在线| 亚洲成人中文字幕在线播放| 亚洲精品影视一区二区三区av| 蜜桃久久精品国产亚洲av| 婷婷亚洲欧美| 美女高潮喷水抽搐中文字幕| 一进一出抽搐动态| 亚洲,欧美,日韩| 97人妻精品一区二区三区麻豆| 少妇裸体淫交视频免费看高清| 欧美黄色淫秽网站| 国产乱人伦免费视频| 草草在线视频免费看| 国产精品久久视频播放| 亚洲在线自拍视频| 午夜免费成人在线视频| 99国产精品一区二区蜜桃av| 老女人水多毛片| 身体一侧抽搐| 乱人视频在线观看| 蜜桃久久精品国产亚洲av| 黄色日韩在线| 国产欧美日韩精品亚洲av| 成人av在线播放网站| 国产激情偷乱视频一区二区| 亚洲精品日韩av片在线观看| 在线观看午夜福利视频| 精品久久久久久久人妻蜜臀av| 久久久久亚洲av毛片大全| 99国产综合亚洲精品| 国产成人欧美在线观看| 午夜两性在线视频| 久久久久久大精品| 免费黄网站久久成人精品 | 可以在线观看的亚洲视频| 成人精品一区二区免费| 国产一区二区在线观看日韩| 午夜福利视频1000在线观看| 小蜜桃在线观看免费完整版高清| 少妇丰满av| 亚洲精品久久国产高清桃花| 国产伦精品一区二区三区四那| 亚洲av成人不卡在线观看播放网| 亚洲黑人精品在线| 免费观看精品视频网站| 精品人妻视频免费看| 日韩av在线大香蕉| 啦啦啦韩国在线观看视频| 97碰自拍视频| 老鸭窝网址在线观看| 最近最新中文字幕大全电影3| 国产精品一区二区性色av| 午夜福利免费观看在线| 亚洲男人的天堂狠狠| 小说图片视频综合网站| 亚洲最大成人av| 久久久国产成人精品二区| 内射极品少妇av片p| 少妇被粗大猛烈的视频| 在现免费观看毛片| 国产免费男女视频| 黄片小视频在线播放| 精品人妻熟女av久视频| 国产精品一区二区三区四区免费观看 | 婷婷精品国产亚洲av| 宅男免费午夜| 国产69精品久久久久777片| 成人国产综合亚洲| 国产国拍精品亚洲av在线观看| 中文字幕精品亚洲无线码一区| 老司机深夜福利视频在线观看| 久久这里只有精品中国| 欧美日韩福利视频一区二区| 成人国产综合亚洲| 琪琪午夜伦伦电影理论片6080| 中国美女看黄片| 国产成人aa在线观看| av女优亚洲男人天堂| www日本黄色视频网| 波多野结衣高清作品| 国内毛片毛片毛片毛片毛片| 久久久色成人| 久久久国产成人精品二区| 少妇的逼水好多| 999久久久精品免费观看国产| 国产蜜桃级精品一区二区三区| 亚洲av第一区精品v没综合| 一进一出抽搐动态| 色尼玛亚洲综合影院| 欧美日韩国产亚洲二区| 欧美+亚洲+日韩+国产| 亚洲内射少妇av| 噜噜噜噜噜久久久久久91| 亚洲欧美日韩卡通动漫| 久久天躁狠狠躁夜夜2o2o| 亚洲成人久久爱视频| 如何舔出高潮| 中文字幕久久专区| 一区二区三区激情视频| 91麻豆精品激情在线观看国产| 一个人观看的视频www高清免费观看| 成年女人毛片免费观看观看9| netflix在线观看网站| 国内少妇人妻偷人精品xxx网站| 99在线人妻在线中文字幕| 成年人黄色毛片网站| 尤物成人国产欧美一区二区三区| 国产精品国产高清国产av| av天堂在线播放| 毛片一级片免费看久久久久 | 国产在线精品亚洲第一网站| 少妇丰满av| 欧美日韩福利视频一区二区| 熟女电影av网| av视频在线观看入口| av在线老鸭窝| 久久这里只有精品中国| 男人狂女人下面高潮的视频| 亚洲精品亚洲一区二区| 国产亚洲精品久久久com| 91九色精品人成在线观看| 久久99热这里只有精品18| 国产麻豆成人av免费视频| 国产精品国产高清国产av| 国产一区二区在线av高清观看| 蜜桃亚洲精品一区二区三区| 久久精品人妻少妇| 男人的好看免费观看在线视频| 看片在线看免费视频| 久久精品国产亚洲av香蕉五月| 能在线免费观看的黄片| 女同久久另类99精品国产91| 天美传媒精品一区二区| 色综合婷婷激情| 国产伦精品一区二区三区视频9| 亚洲人成电影免费在线| h日本视频在线播放| 国产一区二区激情短视频| 亚洲久久久久久中文字幕| 91久久精品电影网| 一本久久中文字幕| 在线十欧美十亚洲十日本专区| 五月玫瑰六月丁香| 久久精品国产99精品国产亚洲性色| 中文亚洲av片在线观看爽| 噜噜噜噜噜久久久久久91| 久久人妻av系列| 久久国产乱子免费精品| 麻豆国产av国片精品| 久久精品国产亚洲av涩爱 | 色尼玛亚洲综合影院| 国产精品影院久久| 一本一本综合久久| 国产老妇女一区| 日本免费a在线| 人妻丰满熟妇av一区二区三区| 婷婷色综合大香蕉| 色视频www国产| 国内精品美女久久久久久| 欧美成人性av电影在线观看| 在线播放无遮挡| 免费电影在线观看免费观看| 亚洲国产精品久久男人天堂| 3wmmmm亚洲av在线观看| 1024手机看黄色片| 婷婷亚洲欧美| 亚洲七黄色美女视频| 啦啦啦韩国在线观看视频| 国产免费av片在线观看野外av| 成年免费大片在线观看| 中文字幕av成人在线电影| 欧美xxxx黑人xx丫x性爽| 在线观看舔阴道视频| 亚洲精品色激情综合| 欧美成人免费av一区二区三区| 大型黄色视频在线免费观看| 国产亚洲精品久久久com| 亚洲色图av天堂| 深夜精品福利| 婷婷丁香在线五月| 自拍偷自拍亚洲精品老妇| 国产欧美日韩一区二区精品| 国产精品国产高清国产av| 听说在线观看完整版免费高清| 国产精品一区二区免费欧美| 亚洲激情在线av| 国产精品伦人一区二区| 人人妻人人澡欧美一区二区| 51国产日韩欧美| 久久香蕉精品热| 99国产精品一区二区蜜桃av| 久久久久免费精品人妻一区二区| 午夜福利免费观看在线| 高潮久久久久久久久久久不卡| 九九久久精品国产亚洲av麻豆| 免费看日本二区| 老熟妇仑乱视频hdxx| 99riav亚洲国产免费| 国内精品一区二区在线观看| 亚洲av一区综合| 少妇的逼水好多| 亚洲av成人av| 九色国产91popny在线| 99在线视频只有这里精品首页| 日韩欧美在线乱码| 高清日韩中文字幕在线| 成熟少妇高潮喷水视频| 国产一区二区在线观看日韩| 老司机福利观看| 久久人人精品亚洲av| 无人区码免费观看不卡| 日本免费一区二区三区高清不卡| 国产真实乱freesex| 国产黄片美女视频| 免费搜索国产男女视频| 欧美不卡视频在线免费观看| 欧美zozozo另类| 韩国av一区二区三区四区| 国产一区二区亚洲精品在线观看| 国产欧美日韩精品一区二区| 九色成人免费人妻av| 一本精品99久久精品77| 草草在线视频免费看| 色综合欧美亚洲国产小说| av天堂在线播放| 日韩 亚洲 欧美在线| 成年女人看的毛片在线观看| 免费观看的影片在线观看| 亚洲经典国产精华液单 | 久久精品91蜜桃| 久久6这里有精品| 亚洲中文日韩欧美视频| 色综合亚洲欧美另类图片| 免费观看的影片在线观看| 制服丝袜大香蕉在线| 久久精品国产亚洲av天美| 亚洲第一区二区三区不卡| 一级毛片久久久久久久久女| 两人在一起打扑克的视频| 久久香蕉精品热| 丰满人妻一区二区三区视频av| 国产欧美日韩一区二区精品| netflix在线观看网站| 日韩中字成人| 久久久国产成人免费| 老司机深夜福利视频在线观看| 日韩欧美三级三区| 日本黄色片子视频| 国产精品国产高清国产av| 搡女人真爽免费视频火全软件 | 黄色丝袜av网址大全| 久久精品人妻少妇| 性插视频无遮挡在线免费观看| 日韩大尺度精品在线看网址| 国产野战对白在线观看| 午夜福利在线观看吧| 色5月婷婷丁香| 黄片小视频在线播放| 免费在线观看亚洲国产| 精品一区二区三区视频在线观看免费| 免费无遮挡裸体视频| 亚洲av五月六月丁香网| 国产精品精品国产色婷婷| 亚洲天堂国产精品一区在线| 黄色日韩在线| 亚洲av日韩精品久久久久久密| 国产大屁股一区二区在线视频| 91av网一区二区| 日本撒尿小便嘘嘘汇集6| 日本成人三级电影网站| 亚洲av日韩精品久久久久久密| 亚洲不卡免费看| 久久久久亚洲av毛片大全| 午夜精品久久久久久毛片777| 亚洲av二区三区四区| 免费高清视频大片| 男人狂女人下面高潮的视频| 国内少妇人妻偷人精品xxx网站| 久久天躁狠狠躁夜夜2o2o| 丁香六月欧美| 久久婷婷人人爽人人干人人爱| 欧美xxxx性猛交bbbb| 黄色配什么色好看| 国产精品三级大全| 国产色婷婷99| 婷婷六月久久综合丁香| 亚洲av免费高清在线观看| 又黄又爽又免费观看的视频| 五月伊人婷婷丁香| xxxwww97欧美| 99久久九九国产精品国产免费| 国产伦人伦偷精品视频| 国产精品不卡视频一区二区 | 国模一区二区三区四区视频| 在线观看舔阴道视频| 麻豆国产97在线/欧美| 色尼玛亚洲综合影院| 此物有八面人人有两片| 欧美成人一区二区免费高清观看| 色5月婷婷丁香| 亚洲熟妇中文字幕五十中出| 两人在一起打扑克的视频| 亚洲精品在线观看二区| 青草久久国产| 在线观看舔阴道视频| 高清日韩中文字幕在线| 亚洲av不卡在线观看| 此物有八面人人有两片| 午夜福利视频1000在线观看| 国产精品乱码一区二三区的特点| 嫩草影院精品99| 又爽又黄a免费视频| 亚洲片人在线观看| 久9热在线精品视频| 亚洲人成网站在线播放欧美日韩| 欧美成人性av电影在线观看| 国产伦在线观看视频一区| 国产主播在线观看一区二区| 国产日本99.免费观看| 久久精品91蜜桃| 欧美日韩中文字幕国产精品一区二区三区| 久久久精品大字幕| 国产高清激情床上av| 好男人在线观看高清免费视频| 成年版毛片免费区| 色综合站精品国产| 淫妇啪啪啪对白视频| 乱码一卡2卡4卡精品| 亚洲第一电影网av| 最近中文字幕高清免费大全6 | 俺也久久电影网| 伊人久久精品亚洲午夜| 我要搜黄色片| 国产欧美日韩精品一区二区| 欧美午夜高清在线| 婷婷丁香在线五月| 亚洲精品成人久久久久久| 一进一出抽搐动态| 国产视频一区二区在线看| 桃红色精品国产亚洲av| 赤兔流量卡办理| 女生性感内裤真人,穿戴方法视频| 人妻丰满熟妇av一区二区三区| 亚洲av.av天堂| 校园春色视频在线观看| 亚洲美女黄片视频| 久久99热6这里只有精品| 精品人妻1区二区| 午夜激情欧美在线| 精品人妻偷拍中文字幕| 日韩亚洲欧美综合| 日本成人三级电影网站| 亚洲精品影视一区二区三区av| 天堂影院成人在线观看| 午夜福利高清视频| 美女cb高潮喷水在线观看| 国产精品1区2区在线观看.| 国产三级黄色录像| 精品久久久久久久久久免费视频| 亚洲av美国av| 国产精品亚洲av一区麻豆| 亚洲成人精品中文字幕电影| 国内精品久久久久久久电影| 91午夜精品亚洲一区二区三区 | 天天躁日日操中文字幕| 内射极品少妇av片p| 中文字幕熟女人妻在线| 日日夜夜操网爽| 天堂动漫精品| 最新在线观看一区二区三区| 男女那种视频在线观看| av国产免费在线观看| 美女 人体艺术 gogo| 中文亚洲av片在线观看爽| 亚洲七黄色美女视频| 脱女人内裤的视频| 91麻豆精品激情在线观看国产| 国产成人啪精品午夜网站| 99久久精品热视频| 欧美乱妇无乱码| 国产视频一区二区在线看| 久久天躁狠狠躁夜夜2o2o| 久久久久久久久久成人| 我要看日韩黄色一级片| 日日摸夜夜添夜夜添小说| 国产成年人精品一区二区| 中亚洲国语对白在线视频| 久99久视频精品免费| 日本成人三级电影网站| 亚洲av熟女| 老司机深夜福利视频在线观看| 欧美zozozo另类| 国产精品亚洲美女久久久| 国产黄色小视频在线观看| 久久精品国产亚洲av涩爱 | 露出奶头的视频| 国产探花在线观看一区二区| 日韩欧美国产一区二区入口| 2021天堂中文幕一二区在线观| 亚洲最大成人手机在线| 亚洲中文字幕日韩| www.www免费av| 啦啦啦韩国在线观看视频| 国产乱人伦免费视频| 一夜夜www| 国产探花极品一区二区| 午夜亚洲福利在线播放| 国产伦在线观看视频一区| 俄罗斯特黄特色一大片| 在线观看舔阴道视频| 乱人视频在线观看| 久久久久免费精品人妻一区二区| 久久久精品欧美日韩精品| 在线观看舔阴道视频| 欧美一区二区亚洲| 亚洲无线观看免费| 欧美一区二区亚洲| 国产免费男女视频| 女人十人毛片免费观看3o分钟| 天天一区二区日本电影三级| 狠狠狠狠99中文字幕| 欧美日韩瑟瑟在线播放| 岛国在线免费视频观看| 亚洲经典国产精华液单 | 中文资源天堂在线| 嫩草影院精品99| 亚洲一区二区三区不卡视频| 69av精品久久久久久| 12—13女人毛片做爰片一| 蜜桃亚洲精品一区二区三区| 亚洲国产欧洲综合997久久,| 欧美激情国产日韩精品一区| 毛片女人毛片| 搡老岳熟女国产| 高潮久久久久久久久久久不卡| 男女之事视频高清在线观看| 色哟哟哟哟哟哟| 国产精品久久久久久久久免 | 国产成人啪精品午夜网站| 色哟哟·www| 精品福利观看| 免费在线观看亚洲国产| 宅男免费午夜| 熟妇人妻久久中文字幕3abv| 欧美成狂野欧美在线观看| 97人妻精品一区二区三区麻豆| 尤物成人国产欧美一区二区三区| 亚洲av日韩精品久久久久久密| 欧美精品啪啪一区二区三区| 麻豆国产av国片精品| 色噜噜av男人的天堂激情| 日日摸夜夜添夜夜添小说| 老鸭窝网址在线观看| 波多野结衣高清无吗| 日韩欧美国产在线观看| 日韩欧美免费精品| 麻豆成人av在线观看| 夜夜夜夜夜久久久久| 国产成年人精品一区二区| 亚洲va日本ⅴa欧美va伊人久久| 亚洲av免费高清在线观看| 婷婷色综合大香蕉| 国产av麻豆久久久久久久| 日本 欧美在线| 亚洲精品亚洲一区二区| 亚洲天堂国产精品一区在线| 亚洲av一区综合| 三级国产精品欧美在线观看| 亚洲av不卡在线观看| 国产亚洲欧美在线一区二区| 亚洲专区国产一区二区| 亚洲成人久久爱视频| 丰满的人妻完整版| 91狼人影院| 青草久久国产| 一a级毛片在线观看| 看黄色毛片网站| 一本久久中文字幕| 97人妻精品一区二区三区麻豆| 啦啦啦韩国在线观看视频| 嫩草影院入口| 国产精品影院久久| 99热这里只有是精品50| 欧美zozozo另类| 男人舔奶头视频| 男女那种视频在线观看| 亚洲欧美日韩卡通动漫| 中文字幕av成人在线电影| 色尼玛亚洲综合影院| 俄罗斯特黄特色一大片| 我的老师免费观看完整版| 亚洲精品乱码久久久v下载方式| 亚洲最大成人av| 国产极品精品免费视频能看的| 如何舔出高潮| 久久久久久大精品| 精品一区二区三区视频在线观看免费| 老司机福利观看| 亚洲最大成人av| 亚洲中文字幕一区二区三区有码在线看| 校园春色视频在线观看| 舔av片在线| 国产免费一级a男人的天堂| 蜜桃久久精品国产亚洲av| 深爱激情五月婷婷| 成人av一区二区三区在线看| 日本三级黄在线观看| 亚洲av一区综合| 亚洲专区中文字幕在线| 九色国产91popny在线| 欧美在线一区亚洲| 亚洲精品一区av在线观看| 精品一区二区三区av网在线观看| 一个人观看的视频www高清免费观看| 日本五十路高清| 欧美一级a爱片免费观看看| 亚洲精品影视一区二区三区av| 午夜福利18| 真人做人爱边吃奶动态| 国产亚洲av嫩草精品影院|