• <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)
    国产精品久久久av美女十八| 久久亚洲国产成人精品v| 在线精品无人区一区二区三| 亚洲av国产av综合av卡| 人妻久久中文字幕网| 91精品国产国语对白视频| 一二三四在线观看免费中文在| 亚洲少妇的诱惑av| 国产精品一区二区在线观看99| 制服诱惑二区| 中国国产av一级| 男人爽女人下面视频在线观看| 精品亚洲乱码少妇综合久久| 99国产精品免费福利视频| 亚洲av国产av综合av卡| 久久ye,这里只有精品| 丝袜脚勾引网站| 亚洲第一av免费看| 性色av乱码一区二区三区2| 亚洲黑人精品在线| 国产精品秋霞免费鲁丝片| svipshipincom国产片| 国产成人免费无遮挡视频| 色播在线永久视频| 老司机影院成人| 久久人人爽人人片av| 热re99久久精品国产66热6| 嫩草影视91久久| 国产欧美亚洲国产| 日本一区二区免费在线视频| 亚洲免费av在线视频| 中文字幕色久视频| 丝袜脚勾引网站| 久久精品熟女亚洲av麻豆精品| 亚洲欧美精品自产自拍| 亚洲成国产人片在线观看| 精品欧美一区二区三区在线| 一本综合久久免费| 午夜两性在线视频| 日韩欧美一区视频在线观看| 国产精品 国内视频| 久久久国产一区二区| 亚洲成人手机| 我的亚洲天堂| 汤姆久久久久久久影院中文字幕| 1024视频免费在线观看| 777米奇影视久久| 欧美 亚洲 国产 日韩一| 国产亚洲精品第一综合不卡| 91精品国产国语对白视频| 亚洲av电影在线观看一区二区三区| 日韩三级视频一区二区三区| 捣出白浆h1v1| 欧美日韩视频精品一区| 国产免费视频播放在线视频| 97在线人人人人妻| 精品国产一区二区三区久久久樱花| 国产麻豆69| 少妇猛男粗大的猛烈进出视频| 午夜视频精品福利| 亚洲精品美女久久久久99蜜臀| 国产色视频综合| 淫妇啪啪啪对白视频 | 1024香蕉在线观看| 两性夫妻黄色片| 久久人人爽av亚洲精品天堂| 不卡一级毛片| 国产成人精品在线电影| 亚洲综合色网址| 老司机影院成人| 日韩 欧美 亚洲 中文字幕| 满18在线观看网站| 精品第一国产精品| 成人国产一区最新在线观看| 天天添夜夜摸| 亚洲精品国产一区二区精华液| 老熟妇乱子伦视频在线观看 | 免费不卡黄色视频| 国产精品久久久久久精品电影小说| 搡老岳熟女国产| 在线看a的网站| 国产男女内射视频| 啦啦啦啦在线视频资源| 亚洲av电影在线进入| 亚洲av男天堂| 美女国产高潮福利片在线看| 久久av网站| 制服诱惑二区| 夜夜骑夜夜射夜夜干| 天天影视国产精品| 又大又爽又粗| 精品国产乱子伦一区二区三区 | 国产成人欧美在线观看 | 99久久99久久久精品蜜桃| 精品亚洲乱码少妇综合久久| 美女大奶头黄色视频| 国产成人啪精品午夜网站| 国产亚洲av高清不卡| 欧美激情 高清一区二区三区| 国产精品成人在线| 精品卡一卡二卡四卡免费| 97在线人人人人妻| 1024视频免费在线观看| 精品少妇内射三级| 啦啦啦免费观看视频1| 人成视频在线观看免费观看| 精品一区在线观看国产| 伊人久久大香线蕉亚洲五| 黄色视频,在线免费观看| 精品欧美一区二区三区在线| 动漫黄色视频在线观看| 黄色视频,在线免费观看| 精品欧美一区二区三区在线| 久热爱精品视频在线9| 国产伦理片在线播放av一区| 久久这里只有精品19| 欧美乱码精品一区二区三区| 久久天堂一区二区三区四区| 99精品久久久久人妻精品| netflix在线观看网站| 91成人精品电影| 人成视频在线观看免费观看| 窝窝影院91人妻| 十八禁高潮呻吟视频| 高清黄色对白视频在线免费看| 男女高潮啪啪啪动态图| 天天躁夜夜躁狠狠躁躁| 欧美在线一区亚洲| 日日爽夜夜爽网站| 久久狼人影院| 免费人妻精品一区二区三区视频| 精品高清国产在线一区| 午夜福利乱码中文字幕| 免费在线观看黄色视频的| 欧美日韩国产mv在线观看视频| 涩涩av久久男人的天堂| 这个男人来自地球电影免费观看| 大片免费播放器 马上看| 国产日韩欧美在线精品| tocl精华| 日韩免费高清中文字幕av| 在线观看免费视频网站a站| 嫁个100分男人电影在线观看| 亚洲 欧美一区二区三区| 精品人妻一区二区三区麻豆| 十八禁人妻一区二区| 亚洲 欧美一区二区三区| 新久久久久国产一级毛片| 欧美精品人与动牲交sv欧美| 亚洲中文日韩欧美视频| 日韩 欧美 亚洲 中文字幕| 亚洲精品久久久久久婷婷小说| 窝窝影院91人妻| 免费黄频网站在线观看国产| 91国产中文字幕| 国产免费一区二区三区四区乱码| 久久毛片免费看一区二区三区| 99香蕉大伊视频| 美国免费a级毛片| 欧美黑人精品巨大| 一区二区av电影网| 黄色视频在线播放观看不卡| 国产三级黄色录像| 多毛熟女@视频| 欧美亚洲日本最大视频资源| 免费女性裸体啪啪无遮挡网站| svipshipincom国产片| 欧美亚洲日本最大视频资源| 天天操日日干夜夜撸| 高潮久久久久久久久久久不卡| 久久精品国产a三级三级三级| cao死你这个sao货| 中文字幕高清在线视频| 久久毛片免费看一区二区三区| 在线观看免费午夜福利视频| 国产精品99久久99久久久不卡| 亚洲精品美女久久久久99蜜臀| 十分钟在线观看高清视频www| 九色亚洲精品在线播放| 久久精品aⅴ一区二区三区四区| 精品人妻熟女毛片av久久网站| 亚洲精品国产av蜜桃| 亚洲成人国产一区在线观看| 欧美激情高清一区二区三区| 精品熟女少妇八av免费久了| 搡老乐熟女国产| 热re99久久精品国产66热6| 18禁国产床啪视频网站| 久久精品亚洲av国产电影网| 最新在线观看一区二区三区| 性色av乱码一区二区三区2| 精品国产一区二区久久| 看免费av毛片| 又紧又爽又黄一区二区| 美女午夜性视频免费| 久久中文字幕一级| 亚洲欧美成人综合另类久久久| 真人做人爱边吃奶动态| 亚洲,欧美精品.| 国产成人一区二区三区免费视频网站| 欧美成人午夜精品| 亚洲性夜色夜夜综合| www.熟女人妻精品国产| 久久久国产欧美日韩av| 99热国产这里只有精品6| 老司机影院成人| 亚洲精品美女久久av网站| 成年女人毛片免费观看观看9 | 爱豆传媒免费全集在线观看| 999久久久精品免费观看国产| 欧美激情高清一区二区三区| 日日摸夜夜添夜夜添小说| 精品视频人人做人人爽| 色婷婷av一区二区三区视频| 亚洲精品国产区一区二| 啪啪无遮挡十八禁网站| 咕卡用的链子| 十八禁网站免费在线| 中文精品一卡2卡3卡4更新| 每晚都被弄得嗷嗷叫到高潮| 久久久久国内视频| 老司机影院成人| 大香蕉久久网| 9色porny在线观看| h视频一区二区三区| 久久精品久久久久久噜噜老黄| 97人妻天天添夜夜摸| 亚洲中文av在线| 夫妻午夜视频| 少妇精品久久久久久久| 三级毛片av免费| 99热全是精品| 69av精品久久久久久 | 韩国精品一区二区三区| a级毛片在线看网站| 热re99久久国产66热| 久久国产精品男人的天堂亚洲| 人成视频在线观看免费观看| 久久久国产一区二区| 曰老女人黄片| 在线观看免费视频网站a站| 久久久久久久久久久久大奶| av网站在线播放免费| 国产精品国产三级国产专区5o| 丝袜美腿诱惑在线| 亚洲情色 制服丝袜| 国产一区有黄有色的免费视频| 两性夫妻黄色片| 国产老妇伦熟女老妇高清| 国产精品九九99| 多毛熟女@视频| 国产日韩欧美亚洲二区| 国产国语露脸激情在线看| 精品少妇一区二区三区视频日本电影| 欧美在线一区亚洲| 欧美久久黑人一区二区| 国产精品免费视频内射| www.熟女人妻精品国产| 丝袜脚勾引网站| 欧美黑人精品巨大| 99精国产麻豆久久婷婷| 一区二区av电影网| 亚洲欧美一区二区三区久久| 涩涩av久久男人的天堂| 免费观看av网站的网址| 欧美日韩亚洲国产一区二区在线观看 | 国产精品久久久久久精品电影小说| 亚洲中文av在线| 亚洲av电影在线观看一区二区三区| 搡老岳熟女国产| 午夜老司机福利片| 老熟妇仑乱视频hdxx| 久久久久久久久久久久大奶| 女人爽到高潮嗷嗷叫在线视频| 亚洲成av片中文字幕在线观看| 欧美另类亚洲清纯唯美| 亚洲国产毛片av蜜桃av| 日本vs欧美在线观看视频| 悠悠久久av| 视频在线观看一区二区三区| 老熟妇乱子伦视频在线观看 | 窝窝影院91人妻| 国产欧美日韩一区二区三 | av线在线观看网站| bbb黄色大片| 亚洲欧美精品综合一区二区三区| 纵有疾风起免费观看全集完整版| av不卡在线播放| 午夜福利在线免费观看网站| 国精品久久久久久国模美| 亚洲视频免费观看视频| 高清在线国产一区| 午夜福利一区二区在线看| 欧美黄色淫秽网站| 在线观看人妻少妇| 日本vs欧美在线观看视频| 少妇粗大呻吟视频| 美女主播在线视频| 久久久久久人人人人人| 欧美日韩视频精品一区| 国产一级毛片在线| 国产成人影院久久av| 中文字幕精品免费在线观看视频| 欧美日韩亚洲综合一区二区三区_| 久久青草综合色| 人妻 亚洲 视频| 777米奇影视久久| 新久久久久国产一级毛片| 日韩有码中文字幕| 12—13女人毛片做爰片一| 中国美女看黄片| 曰老女人黄片| 电影成人av| 欧美国产精品va在线观看不卡| 亚洲人成77777在线视频| xxxhd国产人妻xxx| 亚洲,欧美精品.| 男女国产视频网站| 91麻豆精品激情在线观看国产 | 国产在线免费精品| 久久 成人 亚洲| 老汉色av国产亚洲站长工具| 91大片在线观看| h视频一区二区三区| 精品久久蜜臀av无| 午夜福利视频在线观看免费| 亚洲伊人久久精品综合| av在线app专区| 国产欧美日韩一区二区精品| 女人爽到高潮嗷嗷叫在线视频| 嫩草影视91久久| 少妇 在线观看| 欧美激情 高清一区二区三区| 亚洲欧美成人综合另类久久久| 秋霞在线观看毛片| 亚洲av国产av综合av卡| av电影中文网址| av有码第一页| 亚洲人成电影免费在线| 免费久久久久久久精品成人欧美视频| 国产男女内射视频| 成人手机av| 大片电影免费在线观看免费| 一级黄色大片毛片| 亚洲av电影在线进入| 亚洲精品av麻豆狂野| 亚洲久久久国产精品| 亚洲国产精品一区三区| 99re6热这里在线精品视频| 欧美久久黑人一区二区| 一二三四社区在线视频社区8| 久久ye,这里只有精品| 少妇被粗大的猛进出69影院| 青春草亚洲视频在线观看| 考比视频在线观看| 精品第一国产精品| 捣出白浆h1v1| 亚洲中文日韩欧美视频| 俄罗斯特黄特色一大片| 国产一区二区 视频在线| av天堂在线播放| 这个男人来自地球电影免费观看| 狂野欧美激情性bbbbbb| 嫁个100分男人电影在线观看| 99热全是精品| 香蕉国产在线看| 蜜桃国产av成人99| 久久精品久久久久久噜噜老黄| 老熟妇仑乱视频hdxx| 久久香蕉激情| 亚洲全国av大片| 国产成人av教育| 亚洲 国产 在线| 国产国语露脸激情在线看| 18禁观看日本| 99热网站在线观看| 国产xxxxx性猛交| 欧美日韩亚洲国产一区二区在线观看 | 免费在线观看黄色视频的| 纯流量卡能插随身wifi吗| 精品国产乱码久久久久久小说| 在线亚洲精品国产二区图片欧美| 久久这里只有精品19| 午夜免费成人在线视频| 狂野欧美激情性xxxx| 巨乳人妻的诱惑在线观看| 一级片'在线观看视频| 成年动漫av网址| 国产精品欧美亚洲77777| 欧美黑人精品巨大| 丰满迷人的少妇在线观看| 中文字幕人妻丝袜一区二区| 国产1区2区3区精品| 女性生殖器流出的白浆| 咕卡用的链子| 69av精品久久久久久 | 久久毛片免费看一区二区三区| 正在播放国产对白刺激| 日本精品一区二区三区蜜桃| 久久 成人 亚洲| 亚洲人成77777在线视频| 国产亚洲精品一区二区www | 午夜福利在线免费观看网站| 又黄又粗又硬又大视频| 国产精品久久久久久人妻精品电影 | 建设人人有责人人尽责人人享有的| 一区二区三区精品91| 999精品在线视频| 久久精品久久久久久噜噜老黄| 久久精品国产a三级三级三级| 夜夜夜夜夜久久久久| 搡老岳熟女国产| 欧美中文综合在线视频| 亚洲国产精品999| 91老司机精品| 午夜福利免费观看在线| 两性午夜刺激爽爽歪歪视频在线观看 | 在线观看免费高清a一片| 国产免费现黄频在线看| av不卡在线播放| 伊人亚洲综合成人网| 日韩一区二区三区影片| 精品国产乱码久久久久久小说| 国产精品影院久久| 亚洲第一欧美日韩一区二区三区 | 日韩,欧美,国产一区二区三区| 一区二区三区四区激情视频| 99精国产麻豆久久婷婷| 手机成人av网站| 麻豆av在线久日| 热re99久久精品国产66热6| 99精品久久久久人妻精品| 久久精品国产a三级三级三级| 亚洲精品乱久久久久久| avwww免费| 久久午夜综合久久蜜桃| 五月开心婷婷网| 国产在视频线精品| 一级片免费观看大全| 一边摸一边做爽爽视频免费| 久久精品久久久久久噜噜老黄| videos熟女内射| 亚洲综合色网址| 国产不卡av网站在线观看| 国产成人av激情在线播放| 五月开心婷婷网| 一本大道久久a久久精品| 电影成人av| 另类精品久久| 极品人妻少妇av视频| 美女午夜性视频免费| 欧美精品av麻豆av| 欧美激情极品国产一区二区三区| 美国免费a级毛片| 欧美精品人与动牲交sv欧美| 欧美亚洲日本最大视频资源| 最新在线观看一区二区三区| av视频免费观看在线观看| 亚洲国产中文字幕在线视频| a级片在线免费高清观看视频| av一本久久久久| 十八禁网站免费在线| 王馨瑶露胸无遮挡在线观看| 男女之事视频高清在线观看| 99热全是精品| 久久久精品国产亚洲av高清涩受| 男女无遮挡免费网站观看| 国产高清videossex| 日韩三级视频一区二区三区| 欧美人与性动交α欧美软件| 久久久久国内视频| 成人国产一区最新在线观看| 国产亚洲欧美精品永久| 一本一本久久a久久精品综合妖精| 91精品伊人久久大香线蕉| 男女免费视频国产| 精品国产超薄肉色丝袜足j| 国产精品秋霞免费鲁丝片| 久久国产精品男人的天堂亚洲| 男女国产视频网站| 欧美日韩中文字幕国产精品一区二区三区 | 精品国内亚洲2022精品成人 | 美女午夜性视频免费| 国产一区二区 视频在线| 人人妻人人澡人人爽人人夜夜| 欧美精品啪啪一区二区三区 | 曰老女人黄片| 69精品国产乱码久久久| 一个人免费看片子| 欧美久久黑人一区二区| 美女脱内裤让男人舔精品视频| 九色亚洲精品在线播放| 久久精品久久久久久噜噜老黄| 国产日韩欧美在线精品| 黄色a级毛片大全视频| 国产亚洲欧美在线一区二区| 免费一级毛片在线播放高清视频 | 亚洲国产欧美一区二区综合| 99久久99久久久精品蜜桃| 黄色视频不卡| 久久久久久久精品精品| 男女床上黄色一级片免费看| 在线十欧美十亚洲十日本专区| 狠狠婷婷综合久久久久久88av| 久久久久网色| 国产欧美日韩一区二区精品| 成人av一区二区三区在线看 | 国产99久久九九免费精品| 日韩 亚洲 欧美在线| 亚洲欧美一区二区三区黑人| 国产免费视频播放在线视频| 亚洲精品一二三| 国产激情久久老熟女| 欧美黄色片欧美黄色片| 夜夜骑夜夜射夜夜干| 十八禁人妻一区二区| 精品亚洲乱码少妇综合久久| 正在播放国产对白刺激| 黑丝袜美女国产一区| 久久国产精品影院| 菩萨蛮人人尽说江南好唐韦庄| 国产精品香港三级国产av潘金莲| 亚洲精品av麻豆狂野| 永久免费av网站大全| 成人av一区二区三区在线看 | 啦啦啦免费观看视频1| 天堂8中文在线网| 日韩欧美免费精品| 动漫黄色视频在线观看| 狂野欧美激情性xxxx| 中文字幕人妻丝袜一区二区| 久久精品亚洲熟妇少妇任你| 久久久国产成人免费| 亚洲国产看品久久| 国产av国产精品国产| 亚洲一码二码三码区别大吗| 中文字幕制服av| 午夜久久久在线观看| 成人免费观看视频高清| 日韩 亚洲 欧美在线| 精品国产一区二区久久| 欧美午夜高清在线| 搡老熟女国产l中国老女人| 视频在线观看一区二区三区| av线在线观看网站| 国产日韩一区二区三区精品不卡| 91av网站免费观看| 蜜桃国产av成人99| 欧美另类亚洲清纯唯美| 久久久国产精品麻豆| 一级黄色大片毛片| 亚洲免费av在线视频| 高清视频免费观看一区二区| 在线十欧美十亚洲十日本专区| 国产熟女午夜一区二区三区| 午夜福利乱码中文字幕| 99久久99久久久精品蜜桃| 十八禁人妻一区二区| 精品亚洲成国产av| 黄色怎么调成土黄色| 亚洲av日韩在线播放| 亚洲国产成人一精品久久久| 免费av中文字幕在线| 亚洲性夜色夜夜综合| 热re99久久精品国产66热6| 精品欧美一区二区三区在线| 国产精品九九99| 少妇 在线观看| 最新在线观看一区二区三区| 十八禁网站免费在线| 手机成人av网站| 国产麻豆69| 亚洲国产精品999| 欧美国产精品va在线观看不卡| 中文字幕人妻熟女乱码| 少妇被粗大的猛进出69影院| 美国免费a级毛片| 男人操女人黄网站| 在线观看免费视频网站a站| 王馨瑶露胸无遮挡在线观看| 青草久久国产| 久久国产精品男人的天堂亚洲| 免费一级毛片在线播放高清视频 | 人人澡人人妻人| 永久免费av网站大全| av线在线观看网站| 黄片播放在线免费| 亚洲黑人精品在线| 极品少妇高潮喷水抽搐| 黄色怎么调成土黄色| 美女大奶头黄色视频| 国产在线一区二区三区精| 亚洲国产精品一区三区| 国产福利在线免费观看视频| www.自偷自拍.com| 中国国产av一级| 国产成人精品久久二区二区91| 丝瓜视频免费看黄片| 91大片在线观看| 国产成人精品无人区| 乱人伦中国视频| 我的亚洲天堂| a级毛片在线看网站| 波多野结衣av一区二区av| 久久青草综合色| 久久久久国内视频| 天天影视国产精品| 亚洲成人手机| 国产一区二区三区av在线| 久久狼人影院| 91九色精品人成在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品久久久人人做人人爽| 美国免费a级毛片| 操出白浆在线播放|