• <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 ?

    基于條件梯度Wasserstein生成對(duì)抗網(wǎng)絡(luò)的圖像識(shí)別

    2019-06-27 09:32:18何子慶聶紅玉2
    關(guān)鍵詞:圖像識(shí)別卷積分類(lèi)

    何子慶,聶紅玉2,劉 月,尹 洋

    (1.西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院, 成都 610097; 2.重慶交通職業(yè)學(xué)院 大數(shù)據(jù)學(xué)院,重慶 402247)

    0 引言

    圖像識(shí)別一直是計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)的熱門(mén)研究,大多數(shù)圖像識(shí)別的方法都是利用卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)來(lái)實(shí)現(xiàn),但是卷積神經(jīng)網(wǎng)絡(luò)模型需要使用規(guī)模巨大的訓(xùn)練數(shù)據(jù)集來(lái)進(jìn)行訓(xùn)練,導(dǎo)致網(wǎng)絡(luò)模型收斂速度很慢,并且需要很多訓(xùn)練技巧來(lái)提高識(shí)別率。文獻(xiàn)[1]提出的生成式對(duì)抗網(wǎng)絡(luò)(GAN),已經(jīng)被證明功能強(qiáng)大,既可以利用生成器模擬復(fù)雜的數(shù)據(jù)分布,又可以利用判別器進(jìn)行特征提取。GAN應(yīng)用廣泛,包括語(yǔ)言處理[2]、圖像修復(fù)[3]等。但是如何將GAN強(qiáng)大的特征提取能力應(yīng)用到圖像識(shí)別任務(wù)上是一個(gè)具有挑戰(zhàn)性的問(wèn)題。文獻(xiàn)[4]針對(duì)GAN不能生成具有特定屬性圖片的問(wèn)題提出了條件生成對(duì)抗網(wǎng)絡(luò)CGAN,利用數(shù)據(jù)標(biāo)簽指導(dǎo)數(shù)據(jù)生成,構(gòu)建了有監(jiān)督的生成對(duì)抗網(wǎng)絡(luò)模型。文獻(xiàn)[5]針對(duì)GAN的網(wǎng)絡(luò)模型訓(xùn)練不穩(wěn)定的缺點(diǎn),提出一種深度卷積生成對(duì)抗網(wǎng)絡(luò)(DCGAN)模型,可以通過(guò)無(wú)監(jiān)督學(xué)習(xí)訓(xùn)練深度卷積生成對(duì)抗網(wǎng)絡(luò)模型,然后在有監(jiān)督學(xué)習(xí)任務(wù)中重復(fù)利用判別模型的一部分作為特征提取器。條件深度卷積對(duì)抗網(wǎng)絡(luò)CDCGAN結(jié)合了CGAN和DCGAN的優(yōu)點(diǎn),在DCGAN的基礎(chǔ)上引入條件y指導(dǎo)訓(xùn)練。但是這幾種方法,都沒(méi)有從根本上解決GAN產(chǎn)生的收斂速度慢、訓(xùn)練不穩(wěn)定、生成樣本多樣性不足、collapse mode等問(wèn)題。

    文獻(xiàn)[6]提出了一種用Wasserstein距離代替GAN中JS散度作為懲罰函數(shù)的對(duì)抗網(wǎng)絡(luò)模型WGAN,解決了GAN訓(xùn)練不穩(wěn)定問(wèn)題。文獻(xiàn)[7]又對(duì)WGAN模型進(jìn)行了改進(jìn),提出了帶有梯度懲罰的WGAN:WGAN -GP,比WGAN擁有更快的收斂速度,也可以產(chǎn)生更高質(zhì)量的生成樣本。

    本文結(jié)合CDCGAN和WGAN-GP的優(yōu)點(diǎn),提出一種混合網(wǎng)絡(luò)模型:帶有梯度懲罰的條件Wasserstein生成對(duì)抗網(wǎng)絡(luò)模型(CDCWGAN-GP)。首先訓(xùn)練此對(duì)抗網(wǎng)絡(luò)模型,然后從訓(xùn)練好的網(wǎng)絡(luò)模型中提取判別器D來(lái)進(jìn)行圖像分類(lèi)任務(wù)。在這里,本文設(shè)計(jì)了一個(gè)具有識(shí)別全局和局部一致性的判別器:全局判別器需要完整圖像的輸入來(lái)提取整體圖像的特征,局部判別器只需要從一小塊區(qū)域上提取更加細(xì)微的特征,這樣可以大大增強(qiáng)判別器提取特征的能力。通過(guò)實(shí)驗(yàn)結(jié)果可以證明,相比于其他類(lèi)似的網(wǎng)絡(luò)模型,本文提出的CDCWGAN-GP網(wǎng)絡(luò)模型在圖像識(shí)別任務(wù)中獲得了更出色的結(jié)果。

    1 相關(guān)工作

    1.1 生成式對(duì)抗網(wǎng)絡(luò)模型

    生成式對(duì)抗網(wǎng)絡(luò)模型GAN已經(jīng)被證明了既可以生成高質(zhì)量的圖像,也擁有強(qiáng)大的特征提取能力。我們用生成器(G)代表生成模型,判別器(D)代表判別模型[8]。在圖像識(shí)別的任務(wù)中,GAN網(wǎng)絡(luò)同時(shí)訓(xùn)練G和D,生成器G把從先驗(yàn)分布P_z中采樣得到的隨機(jī)矢量z映射到圖像空間;判別器D判斷輸入圖像是不是“真實(shí)的”,優(yōu)化公式如下:

    Ez-Pz(z)[log(1-D(G(z))]

    (1)

    D的輸入?yún)?shù)x代表一張圖片,輸出D(x)代表x為真實(shí)圖片的概率,如果為1,就代表100%是真實(shí)的圖片,如果為0,就代表不可能是真實(shí)的圖片;類(lèi)似D(x),D(G(z))代表判別器判斷由生成器產(chǎn)生的生成圖片G(z)是否為真實(shí)圖片的概率;這樣,G和D構(gòu)成了一個(gè)動(dòng)態(tài)的“博弈過(guò)程”。在最理想的狀態(tài)下,G可以生成足以“以假亂真”的圖片G(z),對(duì)于D來(lái)說(shuō),它難以判定G生成的圖片究竟是不是真實(shí)的,此時(shí)D(G(z))=0.5。GAN模型流程圖如下:

    圖1 GAN模型的流程圖

    1.2 條件生成對(duì)抗網(wǎng)絡(luò)

    條件生成對(duì)抗網(wǎng)絡(luò)CGAN將屬性信息y融入生成器G和判別器D中,屬性y可以是任何標(biāo)簽信息,例如圖像的類(lèi)別、人臉圖像的面部表情等。優(yōu)化公式如下:

    +Ez-Pz(z)[log(1-D(G(z/y))]

    (2)

    CGAN的目標(biāo)函數(shù)類(lèi)似GAN的目標(biāo)函數(shù),在圖像識(shí)別任務(wù)中,y代表圖片的標(biāo)簽信息。D(x/y)就代表真實(shí)輸入x與標(biāo)簽y融合后輸入到判別器中得到是否為真實(shí)數(shù)據(jù)的概率;D(G(z/y))就代表判別器判斷由生成器產(chǎn)生的生成數(shù)據(jù)與y融合后的數(shù)據(jù)是否為真實(shí)的概率。

    帶條件的輸入可以指導(dǎo)網(wǎng)絡(luò)生成我們想要的某種圖片信息,同時(shí)也相當(dāng)于是從無(wú)監(jiān)督模型到有監(jiān)督模型。

    1.3 條件深度卷積對(duì)抗網(wǎng)絡(luò)

    深度卷積對(duì)抗網(wǎng)絡(luò)DCGAN是把GAN與CNN結(jié)合起來(lái)的網(wǎng)絡(luò)模型,而條件深度卷積對(duì)抗網(wǎng)絡(luò)(CDCGAN)就是把CGAN與DCGAN結(jié)合起來(lái)的網(wǎng)絡(luò)模型。CDCGAN是在DCGAN的框架下,將生成器每層的輸入都加上標(biāo)簽y,同樣將判別器的每層輸入也加上標(biāo)簽y,利用標(biāo)簽y指導(dǎo)樣本的生成。

    圖2 CDCGAN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

    1.4 帶有梯度懲罰的Wasserstein生成對(duì)抗網(wǎng)絡(luò)

    1.4.1 WGAN網(wǎng)絡(luò)

    Wasserstein距離又叫Earth-Mover(EM)距離,定義如下:

    (3)

    WGAN網(wǎng)絡(luò)中構(gòu)造了一個(gè)包含參數(shù)ω且最后一層不是非線性激活層的判別器網(wǎng)絡(luò)D,在限制ω不超過(guò)某個(gè)范圍的條件下,使得:

    L=Ex~Pr[D(x)]-Ex~Pg[D(x)]

    (4)

    盡可能取到最大,此時(shí)L就近似等于真實(shí)分布與生成分布之間的Wasserstein距離(忽略常數(shù)倍數(shù)K)。

    WGAN與GAN相比,其實(shí)只改了4點(diǎn),如下[9]:

    1)判別器最后一層去掉sigmoid。

    2)生成器和判別器的loss不取log。

    3)每次更新判別器的參數(shù)之后把它們的絕對(duì)值截?cái)嗟讲怀^(guò)一個(gè)固定常數(shù)c。

    4)不要用基于動(dòng)量的優(yōu)化算法(包括Momentum和Adam)。推薦RMSProp和SGD。

    1.4.2 WGAN-GP網(wǎng)絡(luò)

    WGAN-GP網(wǎng)絡(luò)改進(jìn)了WGAN網(wǎng)絡(luò),使用一個(gè)當(dāng)且僅當(dāng)其梯度小于或等于1的范數(shù)時(shí)的可微函數(shù)1-Lipschitz對(duì)約束函數(shù)L進(jìn)行梯度懲罰。算法如下:

    (5)

    (6)

    這里θ代表U[0,1]的隨機(jī)數(shù)。相比于WGAN,WGAN-GP有以下幾個(gè)特點(diǎn):

    1)該模型提出了在原來(lái)WGAN模型的基礎(chǔ)上利用梯度懲罰項(xiàng)來(lái)約束Wasserstein距離,避免WGAN模型有可能產(chǎn)生的訓(xùn)練不穩(wěn)定和生成數(shù)據(jù)病態(tài)的問(wèn)題。

    2)該模型收斂速度更快,生成樣本質(zhì)量也更高

    3)該模型適應(yīng)性更強(qiáng),在不同架構(gòu)下都可以得到穩(wěn)定的訓(xùn)練結(jié)果。

    2 本文網(wǎng)絡(luò)模型

    本文將CDCGAN和WGAN-GP結(jié)合起來(lái),從而得到本文的條件梯度Wasserstein 生成對(duì)抗網(wǎng)絡(luò)(CDCWGAN-GP)模型。為了提高判別器的提取圖像特征能力,本文將判別器D分為全局判別器和局部判別器,把兩個(gè)判別器連接起來(lái)一起打分。然后,我們將訓(xùn)練好的網(wǎng)絡(luò)中的判別器D提取出來(lái),構(gòu)建一個(gè)新的卷積網(wǎng)絡(luò)進(jìn)行微調(diào),從而完成圖像分類(lèi)任務(wù)。

    2.1 CDCGAN-GP的懲罰函數(shù)

    在CDCWGAN-GP中,判別器D希望真實(shí)數(shù)據(jù)分布與生成數(shù)據(jù)分布之間的距離L越大越好,相反,生成器G希望L越小越好,優(yōu)化公式為:

    (7)

    (8)

    y代表圖像的標(biāo)簽,在本文中就是圖片的類(lèi)別。不同WGAN-GP的目標(biāo)函數(shù),CDCGAN-GP的生成器輸入數(shù)據(jù)融合了圖片標(biāo)簽信息,而標(biāo)簽信息可以指導(dǎo)生成器的樣本生成。判別器D和生成器G的損失函數(shù)下:

    (9)

    判別器的損失函數(shù)由兩部分構(gòu)成:1.生成樣本通過(guò)判別器得到的損失;2.真實(shí)樣本通過(guò)判別器得到的損失,并在前添加負(fù)號(hào);兩部分加起來(lái)就是判別器的損失函數(shù)。

    loss(G)=-Ex~Pg[D(x/y)]

    (10)

    生成器的損失函數(shù)定義為生成樣本通過(guò)判別器得到的損失,再添加負(fù)號(hào)。

    2.2 生成器的網(wǎng)絡(luò)結(jié)構(gòu)

    我們以訓(xùn)練集CIFAR10為例,圖像大小為32*32。生成器G的輸入z為服從正態(tài)分布的100維的隨機(jī)噪聲向量,將z與類(lèi)別標(biāo)簽y(10維)連接形成一個(gè)大小為[64,110]的張量,通過(guò)一個(gè)linear全連接層將z變換為維度是2 048的向量,然后將其reshape為維度大小是[512,2,2]的張量,進(jìn)行非線性relu函數(shù)變換,得到第一層網(wǎng)絡(luò)的輸出。然后通過(guò)四層卷積核大小為5*5,步長(zhǎng)為(2,2)的轉(zhuǎn)置卷積層[10],輸出都用非線性relu函數(shù)激活,得到大小為[32,32,3]的張量,最后用tanh函數(shù)激活,得到生成器的輸出圖片。

    圖3 CDCWGAN-GP生成器結(jié)構(gòu)示意圖

    類(lèi)型卷積核大小步長(zhǎng)卷積核個(gè)數(shù)concat//110linear//2048reshape//512deconv2d(1)5?52?2256deconv2d(2)5?52?2128deconv2d(3)5?52?264deconv2d(4)5?52?23

    2.3 判別器網(wǎng)絡(luò)結(jié)構(gòu)

    無(wú)論是GAN模型還是DCGAN模型中,判別器的網(wǎng)絡(luò)模型都是不斷縮小特征圖從而提取到一整張圖片的全局特征,全局特征可以代表一張圖片的整體結(jié)構(gòu),但是對(duì)于圖片中的局部特征并不能很好地表達(dá)出來(lái)。為了加強(qiáng)模型中判別器提取圖像特征的能力,本文再設(shè)計(jì)一個(gè)局部判別器,用于提取圖片中局部特征,最后將全局判別器和局部判別器結(jié)合起來(lái)一起打分。

    以CIFAR10數(shù)據(jù)集為例。全局判別器的輸入是一張維度為[3,32,32]大小的圖像,經(jīng)過(guò)五層卷積核大小為5*5,步長(zhǎng)為2*2的卷積層,每層輸出都要進(jìn)行l(wèi)eakyrelu函數(shù)變換,得到大小為(512,1,1)的張量,最后reshape成一個(gè)維度大小是[1,512]的特征向量。

    局部判別器的網(wǎng)絡(luò)結(jié)構(gòu)類(lèi)似于全局判別器,只不過(guò)局部判別器的輸入是以原圖中心點(diǎn)為中心,大小是原圖1/4的圖像,尺寸為16*16。經(jīng)過(guò)四層卷積核大小為5*5,步長(zhǎng)為2*2的卷積層,每層輸出都要進(jìn)行l(wèi)eakyrelu函數(shù)變換,最后reshape成一個(gè)大小為(1,512)的特征向量。

    最后我們將全局判別器和局部判別器的輸出用concat函數(shù)直接連接起來(lái),形成一個(gè)維度大小為1 024的特征向量,然后經(jīng)過(guò)linear全連接層,輸出為1或者0代表輸入圖像的真或者假。

    這里我們不同于CDCGAN的網(wǎng)絡(luò),由于我們之后還要將判別器提取出來(lái)進(jìn)行圖像分類(lèi), 所以判別器D每層的輸入沒(méi)有加入標(biāo)簽y。并且由于我們使用了梯度懲罰,所以最后的輸出去掉sigmoid函數(shù)。

    2.4 訓(xùn)練

    本文對(duì)數(shù)據(jù)集進(jìn)行批量化處理,batch的大小設(shè)為64。

    表2 全局判別器的網(wǎng)絡(luò)層

    表3 局部判別器的網(wǎng)絡(luò)層

    表4 concat連接層

    由于是對(duì)每個(gè)batch中的每一個(gè)樣本都做了梯度懲罰,因此判別器中不能用batchnormalization[11],但是可以使用其他的 Normalization方法[12],比如Layer Normalization、InstanceNormalization。在本文的D網(wǎng)絡(luò),再訓(xùn)練G網(wǎng)絡(luò),并且每訓(xùn)練5次D網(wǎng)絡(luò),再訓(xùn)練1次G網(wǎng)絡(luò),目的就是為了保證D網(wǎng)絡(luò)大致滿(mǎn)足Wasserstein距離的條件。在WGAN網(wǎng)絡(luò)模型中訓(xùn)練網(wǎng)絡(luò)并不建議用Adam優(yōu)化器,但是在本文的網(wǎng)絡(luò)模型中因?yàn)槭褂昧薟GAN-GP的訓(xùn)練方式,所以還是可以用Adam優(yōu)化器,且參數(shù)設(shè)定為:β1=0.000 5,β2=0.9,并且本文采用了適應(yīng)性更強(qiáng)的根據(jù)訓(xùn)練次數(shù)可變的學(xué)習(xí)率,學(xué)習(xí)率初始化為0.002,當(dāng)訓(xùn)練的迭代次數(shù)epoch大于設(shè)定的訓(xùn)練次數(shù)的一半時(shí),學(xué)習(xí)率變?yōu)樵瓉?lái)的十分之一,當(dāng)訓(xùn)練的迭代次數(shù)epoch大于設(shè)定的訓(xùn)練次數(shù)的五分之四時(shí),學(xué)習(xí)率再變?yōu)樯弦淮蔚氖种???勺兓膶W(xué)習(xí)率可以讓參數(shù)調(diào)整變得更加有效。

    圖4 CDCWGAN-GP判別器結(jié)構(gòu)示意圖

    2.5 進(jìn)行圖像識(shí)別

    當(dāng)訓(xùn)練好CDCWGAN-GP網(wǎng)絡(luò)模型后,把判別器D提取出來(lái),將最后一層linear全連接層的輸出改為n(將要分類(lèi)的類(lèi)別),最后加上Sofmax分類(lèi)器,構(gòu)建一個(gè)新的卷積網(wǎng)絡(luò)用于圖像識(shí)別。卷積網(wǎng)絡(luò)的損失函數(shù)是Softmax[14]的結(jié)果與標(biāo)簽y的交叉熵,使用Adam優(yōu)化器進(jìn)行優(yōu)化(β1=0.000 5,β2=0.9),并且同樣對(duì)數(shù)據(jù)集進(jìn)行批量化處理,batch的大小設(shè)為64。新的用于圖像識(shí)別的網(wǎng)絡(luò)只需要進(jìn)行參數(shù)微調(diào),就可以得到很好地分類(lèi)效果了。在生成式對(duì)抗模型中,由于生成器可以生成高質(zhì)量的樣本,所以判別器不僅能通過(guò)原始數(shù)據(jù)集學(xué)習(xí)圖像特征,而且還可以通過(guò)生成樣本學(xué)習(xí)到更多的圖像特征。并且本文設(shè)計(jì)的具有全局和局部一致性的判別器,能更有效的提取到圖像的內(nèi)部隱含特征,從而有效提高了圖像識(shí)別的準(zhǔn)確率。

    3 實(shí)驗(yàn)結(jié)果和分析

    本文分別在FASHION-MNIST[15]和CIFAR-10數(shù)據(jù)集上進(jìn)行實(shí)例驗(yàn)證。實(shí)驗(yàn)環(huán)境為:Intel(R) Core(TM) i7-7700K CPU @4.20 GHz 四核處理器,金士頓 DDR4 2 400 MHz 16 GB運(yùn)行內(nèi)存(RAM),Nvidia GeForce GTX 1 080 (8 GB/戴爾)GPU,Tensorflow(1.4.0)平臺(tái)。

    3.1 FASHION-MNIST的實(shí)驗(yàn)結(jié)果

    許多網(wǎng)絡(luò)模型在MNIST數(shù)據(jù)集上的分類(lèi)測(cè)試結(jié)果都己經(jīng)接近100%,并且MNIST數(shù)據(jù)集的識(shí)別并不能代表真正的計(jì)算機(jī)視覺(jué)問(wèn)題。所以,我們采用FASHION-MNIST數(shù)據(jù)集代替MNIST數(shù)據(jù)集。類(lèi)似MNIST數(shù)據(jù)集,F(xiàn)ASHION-MNIST數(shù)據(jù)集包含了7萬(wàn)張商品照片,其中分為10個(gè)類(lèi)別,訓(xùn)練集有6萬(wàn)張,測(cè)試集有1萬(wàn)張,每張圖片都是灰度圖片,且像素大小為28*28。

    首先我們訓(xùn)練對(duì)抗網(wǎng)絡(luò),訓(xùn)練初期,判別器的損失迅速增加,而生成器損失緩慢減少。隨著訓(xùn)練對(duì)抗的不斷進(jìn)行,判別器損失的增幅減慢,而生成器損失的降幅加快,最終生成器和判別器的對(duì)抗達(dá)到一個(gè)比較穩(wěn)定的范圍,模型達(dá)到收斂。

    在整個(gè)訓(xùn)練過(guò)程中,生成器G和判別器D一直在進(jìn)行對(duì)抗,訓(xùn)練開(kāi)始后,判別器強(qiáng)于生成器,意味著生成樣本與判別樣本的Wasserstein距離較大。隨著訓(xùn)練次數(shù)的不斷增加,對(duì)抗趨勢(shì)最終將會(huì)穩(wěn)定在一個(gè)范圍內(nèi),此時(shí)意味著生成樣本與判別樣本的Wasserstein距離較小,生成器會(huì)略強(qiáng)于判別器。通過(guò)對(duì)抗網(wǎng)絡(luò)得到的生成樣本如圖5所示。

    圖5表明,當(dāng)epoch達(dá)到50的時(shí)候,生成器就可以生成質(zhì)量不錯(cuò)的圖片,隨著epoch不斷增加,生成樣板的質(zhì)量也越來(lái)越高。

    表5 FASHION-MNIST各種方法的分類(lèi)準(zhǔn)確率對(duì)比

    圖5 FASHION-MNIST生成樣本

    當(dāng)對(duì)抗網(wǎng)絡(luò)訓(xùn)練好后,我們將判別器抽取出來(lái)再進(jìn)行圖像分類(lèi)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖6所示。

    圖6 FASHION-MNIST分類(lèi)準(zhǔn)確率的變化

    通過(guò)與DCGAN進(jìn)行的實(shí)驗(yàn)對(duì)比,突顯了本文模型的分類(lèi)效果,實(shí)驗(yàn)結(jié)果如圖6。其中藍(lán)色曲線為DCGAN+softmax的實(shí)驗(yàn)結(jié)果,橙色曲線為CDCGAN-GP+softmax的實(shí)驗(yàn)結(jié)果。可以發(fā)現(xiàn),將判別器提取出來(lái)后,再通過(guò)較少的訓(xùn)練次數(shù)進(jìn)行微調(diào)就可以得到很好地分類(lèi)效果。值得注意的是,本文提出的的CDCWGAN-GP相比DCGAN,收斂的速度更快,最終準(zhǔn)確率也更高,可以達(dá)到94.5%。

    表5將本文模型與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)及其各類(lèi)變種網(wǎng)絡(luò)模型[17]進(jìn)行了實(shí)驗(yàn)對(duì)比,在與本文網(wǎng)絡(luò)結(jié)構(gòu)相似的非大型模型中,本文的分類(lèi)準(zhǔn)確率最高,更加突出顯示了本文模型分類(lèi)能力的優(yōu)越性。值得特別說(shuō)明的是,通過(guò)在 CDCWGAN-GP訓(xùn)練對(duì)抗網(wǎng)絡(luò)的過(guò)程中間接進(jìn)行的數(shù)據(jù)增強(qiáng)效果優(yōu)于對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理的數(shù)據(jù)增強(qiáng)效果。

    3.2 CIFAR-10的實(shí)驗(yàn)結(jié)果

    CIRAR-10數(shù)據(jù)集中一共有6萬(wàn)張彩色圖片,包含了來(lái)自10個(gè)類(lèi)別的自然圖像,每張圖片大小是32*32。其中,訓(xùn)練集有5萬(wàn)張圖片,5等分地分為5個(gè)訓(xùn)練批,測(cè)試集有1萬(wàn)張圖片。訓(xùn)練中的損失如下:在CIFAR10上的訓(xùn)練過(guò)程中,整個(gè)網(wǎng)絡(luò)的判別器損失d_1oss呈增加趨勢(shì),且增幅不斷減慢,而生成器損失g_loss呈增加趨勢(shì),且增幅不斷加快,最終判別器和生成器的對(duì)抗趨于穩(wěn)定的狀態(tài),模型達(dá)到收斂。

    表6 CIFAR10各種方法的分類(lèi)準(zhǔn)確率對(duì)比

    CIRFAR-10數(shù)據(jù)集的生成樣本如圖7所示,可以發(fā)現(xiàn),隨著epoch增加,生成樣本的效果越來(lái)越好,當(dāng)epoch達(dá)到150后,生成樣本的效果達(dá)到最優(yōu)。

    最后,通過(guò)對(duì)判別器參數(shù)進(jìn)行微調(diào),得到分類(lèi)的實(shí)驗(yàn)結(jié)果如圖8。一開(kāi)始分類(lèi)的準(zhǔn)確率就可以達(dá)到80%左右,當(dāng)epoch達(dá)到20的時(shí)候,準(zhǔn)確率趨于穩(wěn)定,可以達(dá)到88%左右。圖8表明本文模型的分類(lèi)損失隨著epoch增加而逐漸降低。

    圖7 CIFAR10生成樣本

    圖8 CIFAR10的分類(lèi)準(zhǔn)確率的變化

    在CIFAR-10數(shù)據(jù)集上, 同樣將本文模型與DCGAN模型進(jìn)行了實(shí)驗(yàn)比對(duì),如圖8通過(guò)實(shí)驗(yàn)結(jié)果可以證明,相比DCGAN模型,我們的模型收斂速度更快,并且分類(lèi)的結(jié)果準(zhǔn)確度也更高。

    表6是本文模型與其他模型[18-19]在CIFAR-10數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)結(jié)果比對(duì)??梢园l(fā)現(xiàn),本文模型優(yōu)于其他的比較模型且取得了最佳的效果。

    4 結(jié)論

    本文結(jié)合WGAN-GP網(wǎng)絡(luò)模型和CDCGAN網(wǎng)絡(luò)模型,提出了混合模型—條件梯度Wasserstein生成對(duì)抗網(wǎng)絡(luò)CDCWGAN-GP。并且為了能更全面的提取圖像的特征,將判別器分為了全局判別器和局部判別器,利用兩個(gè)判別器一起打分,從而更好地識(shí)別圖像的全局和局部一致性。利用本文的模型來(lái)進(jìn)行圖像識(shí)別,可以使準(zhǔn)確率顯著提升。本文提出的模型不僅能得到質(zhì)量很高的生成樣本,而且相比傳統(tǒng)的GAN訓(xùn)練方式,收斂速度更快,訓(xùn)練時(shí)也更加穩(wěn)定,再利用具有全局和局部一致性的判別器能更好地提取圖像特征并進(jìn)行特征表達(dá)。在FASHION-MNIST和CIFAR10數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)證明,相比于其他類(lèi)似的方法,本文的模型分類(lèi)效果更加出色,證明了此模型的可行性。在以后的工作中,作者將針對(duì)高分辨率圖像該如何訓(xùn)練,對(duì)抗模型什么時(shí)候達(dá)到最優(yōu)效果,以及不同參數(shù)(例如不同優(yōu)化器的選擇,batch的大小不同)對(duì)精度的影響等問(wèn)題進(jìn)行更加深入的研究。

    猜你喜歡
    圖像識(shí)別卷積分類(lèi)
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    分類(lèi)算一算
    基于Resnet-50的貓狗圖像識(shí)別
    電子制作(2019年16期)2019-09-27 09:34:50
    高速公路圖像識(shí)別技術(shù)應(yīng)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
    分類(lèi)討論求坐標(biāo)
    圖像識(shí)別在物聯(lián)網(wǎng)上的應(yīng)用
    電子制作(2018年19期)2018-11-14 02:37:04
    圖像識(shí)別在水質(zhì)檢測(cè)中的應(yīng)用
    電子制作(2018年14期)2018-08-21 01:38:16
    數(shù)據(jù)分析中的分類(lèi)討論
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    久久天躁狠狠躁夜夜2o2o| 在线观看av片永久免费下载| 欧美xxxx性猛交bbbb| 国产欧美日韩精品亚洲av| 欧美+日韩+精品| 乱系列少妇在线播放| 国产精品国产三级国产av玫瑰| 日韩,欧美,国产一区二区三区 | 1024手机看黄色片| 欧美+亚洲+日韩+国产| 日韩成人伦理影院| 国产人妻一区二区三区在| 久久99热这里只有精品18| 亚洲人成网站高清观看| 午夜亚洲福利在线播放| 1000部很黄的大片| 插逼视频在线观看| 在线看三级毛片| 搡女人真爽免费视频火全软件 | 国产真实乱freesex| 亚洲成人精品中文字幕电影| 蜜桃久久精品国产亚洲av| 午夜亚洲福利在线播放| 日韩av不卡免费在线播放| 国产成人a区在线观看| 精品免费久久久久久久清纯| 精品不卡国产一区二区三区| 国产精品久久久久久久久免| 校园人妻丝袜中文字幕| 男女下面进入的视频免费午夜| 精品久久久久久久人妻蜜臀av| 最近2019中文字幕mv第一页| 欧美激情在线99| 男女下面进入的视频免费午夜| 色哟哟哟哟哟哟| 天堂av国产一区二区熟女人妻| 能在线免费观看的黄片| 有码 亚洲区| 麻豆久久精品国产亚洲av| 国产精品一区二区免费欧美| 亚洲av免费高清在线观看| 国产一区二区三区在线臀色熟女| 又粗又爽又猛毛片免费看| 伊人久久精品亚洲午夜| 99久久成人亚洲精品观看| 国产淫片久久久久久久久| 日本爱情动作片www.在线观看 | 欧美zozozo另类| 菩萨蛮人人尽说江南好唐韦庄 | 大型黄色视频在线免费观看| 人人妻人人看人人澡| 桃色一区二区三区在线观看| 日韩强制内射视频| 欧美日韩在线观看h| av天堂中文字幕网| 直男gayav资源| 久久6这里有精品| 精华霜和精华液先用哪个| 黄色一级大片看看| 日韩亚洲欧美综合| 婷婷色综合大香蕉| 黄色配什么色好看| 非洲黑人性xxxx精品又粗又长| 亚洲一级一片aⅴ在线观看| av在线亚洲专区| 国产精品久久电影中文字幕| 色哟哟·www| 嫩草影视91久久| 日韩在线高清观看一区二区三区| 老司机福利观看| 欧美xxxx黑人xx丫x性爽| 日本精品一区二区三区蜜桃| 成人毛片a级毛片在线播放| 日本在线视频免费播放| av在线播放精品| 搡老岳熟女国产| 成人永久免费在线观看视频| 欧美色视频一区免费| 国产精品一区二区三区四区久久| 亚洲国产精品合色在线| 亚洲久久久久久中文字幕| 成人无遮挡网站| 天堂动漫精品| 91午夜精品亚洲一区二区三区| 国产av麻豆久久久久久久| 人妻少妇偷人精品九色| 免费观看人在逋| 2021天堂中文幕一二区在线观| 欧美高清性xxxxhd video| 久久国内精品自在自线图片| 国产精品免费一区二区三区在线| 黄色日韩在线| 女的被弄到高潮叫床怎么办| 成人午夜高清在线视频| 亚洲第一区二区三区不卡| 日日摸夜夜添夜夜添小说| 秋霞在线观看毛片| 国产精品久久久久久av不卡| 国产高清视频在线观看网站| 欧美日韩精品成人综合77777| 国产高潮美女av| 成年版毛片免费区| 免费av观看视频| 一本精品99久久精品77| 毛片女人毛片| 丝袜美腿在线中文| 国内揄拍国产精品人妻在线| 日本-黄色视频高清免费观看| 久久鲁丝午夜福利片| 丝袜美腿在线中文| 色吧在线观看| 亚洲国产精品sss在线观看| 女同久久另类99精品国产91| 内射极品少妇av片p| 亚洲人成网站在线播| 久久精品夜色国产| 日本一二三区视频观看| 成人特级av手机在线观看| 久久亚洲精品不卡| 深夜a级毛片| 99国产极品粉嫩在线观看| 又黄又爽又免费观看的视频| 国内精品一区二区在线观看| 一本精品99久久精品77| 一区二区三区免费毛片| 深夜精品福利| 免费在线观看影片大全网站| 不卡视频在线观看欧美| 精品久久久久久成人av| 日本撒尿小便嘘嘘汇集6| 春色校园在线视频观看| 一级毛片久久久久久久久女| 99在线人妻在线中文字幕| 婷婷色综合大香蕉| 悠悠久久av| 国产黄片美女视频| 免费观看精品视频网站| 午夜精品国产一区二区电影 | 久久久久久久午夜电影| 亚洲欧美日韩无卡精品| 亚洲色图av天堂| 老女人水多毛片| 美女cb高潮喷水在线观看| 香蕉av资源在线| 免费观看在线日韩| 国产在线精品亚洲第一网站| 亚洲五月天丁香| 久久久久久国产a免费观看| 午夜福利在线在线| 色5月婷婷丁香| 99热6这里只有精品| 超碰av人人做人人爽久久| 日韩中字成人| 一级黄色大片毛片| 亚洲av中文字字幕乱码综合| 精品午夜福利视频在线观看一区| av视频在线观看入口| 色哟哟·www| 久久精品久久久久久噜噜老黄 | 国产成人精品久久久久久| 在线国产一区二区在线| 国产精品一二三区在线看| 我要搜黄色片| 亚洲真实伦在线观看| 欧美日韩一区二区视频在线观看视频在线 | 免费看a级黄色片| 午夜日韩欧美国产| 久久久a久久爽久久v久久| 国产视频内射| 好男人在线观看高清免费视频| 亚洲欧美中文字幕日韩二区| 欧美极品一区二区三区四区| 国模一区二区三区四区视频| 国产成人福利小说| 男女做爰动态图高潮gif福利片| 国产真实伦视频高清在线观看| 久久欧美精品欧美久久欧美| 免费av不卡在线播放| 国产成人freesex在线 | 精品国产三级普通话版| 亚洲成人中文字幕在线播放| 亚洲国产精品sss在线观看| 国产午夜精品久久久久久一区二区三区 | 美女被艹到高潮喷水动态| 最近最新中文字幕大全电影3| 99久久成人亚洲精品观看| 最近手机中文字幕大全| 日韩高清综合在线| 美女内射精品一级片tv| 成人无遮挡网站| av卡一久久| 69人妻影院| 九色成人免费人妻av| 一进一出好大好爽视频| 亚州av有码| 在线观看美女被高潮喷水网站| 久久国内精品自在自线图片| 老师上课跳d突然被开到最大视频| 国产精品久久电影中文字幕| 亚洲精品乱码久久久v下载方式| 又爽又黄无遮挡网站| 1024手机看黄色片| 国产片特级美女逼逼视频| av女优亚洲男人天堂| 中国美女看黄片| 嫩草影院新地址| 丰满人妻一区二区三区视频av| 99久久精品热视频| 亚洲激情五月婷婷啪啪| 黄色配什么色好看| a级一级毛片免费在线观看| 国产av一区在线观看免费| 一卡2卡三卡四卡精品乱码亚洲| 国产日本99.免费观看| 俺也久久电影网| 男女之事视频高清在线观看| 91久久精品国产一区二区三区| 国产高清有码在线观看视频| 波多野结衣高清作品| 亚洲av美国av| 精品国产三级普通话版| 久久久久久久久久黄片| 美女黄网站色视频| 久久人人爽人人爽人人片va| 十八禁网站免费在线| 国产成人91sexporn| 18禁黄网站禁片免费观看直播| 97碰自拍视频| 免费在线观看影片大全网站| 日韩精品青青久久久久久| 国产免费一级a男人的天堂| 悠悠久久av| 村上凉子中文字幕在线| 日韩人妻高清精品专区| 亚洲真实伦在线观看| 久久久午夜欧美精品| 亚洲精品亚洲一区二区| 亚洲av中文av极速乱| 国产精品福利在线免费观看| 最好的美女福利视频网| 国产 一区精品| 在线免费观看的www视频| 国产成年人精品一区二区| 成人特级av手机在线观看| 偷拍熟女少妇极品色| 亚洲aⅴ乱码一区二区在线播放| 男女视频在线观看网站免费| 亚洲va在线va天堂va国产| 一本一本综合久久| 久久天躁狠狠躁夜夜2o2o| 最近在线观看免费完整版| 亚洲成a人片在线一区二区| 91精品国产九色| 亚洲不卡免费看| 99热这里只有是精品50| 联通29元200g的流量卡| 免费观看精品视频网站| 久久久欧美国产精品| 人人妻人人看人人澡| 少妇高潮的动态图| 高清午夜精品一区二区三区 | h日本视频在线播放| 午夜福利高清视频| 久久久午夜欧美精品| 久久人人精品亚洲av| 午夜影院日韩av| 婷婷六月久久综合丁香| 天美传媒精品一区二区| 日日干狠狠操夜夜爽| 最近中文字幕高清免费大全6| 丝袜美腿在线中文| 亚洲最大成人手机在线| 一级av片app| 成人一区二区视频在线观看| av专区在线播放| 亚洲av中文字字幕乱码综合| 白带黄色成豆腐渣| 波野结衣二区三区在线| 久久欧美精品欧美久久欧美| 久久亚洲精品不卡| 国产黄a三级三级三级人| 91久久精品国产一区二区成人| 日日干狠狠操夜夜爽| 老司机影院成人| 99热全是精品| 亚洲不卡免费看| 看黄色毛片网站| 国产精品1区2区在线观看.| 成人特级黄色片久久久久久久| 亚洲自拍偷在线| 哪里可以看免费的av片| 综合色丁香网| 亚洲av免费高清在线观看| 亚洲欧美精品综合久久99| 久久久久精品国产欧美久久久| 人妻丰满熟妇av一区二区三区| 免费一级毛片在线播放高清视频| 欧美日韩国产亚洲二区| 成人特级黄色片久久久久久久| 午夜影院日韩av| 久久精品影院6| 久久韩国三级中文字幕| 麻豆成人午夜福利视频| 久久精品国产亚洲av天美| 18+在线观看网站| 日本黄色视频三级网站网址| 亚洲自拍偷在线| 久久久久久大精品| videossex国产| 欧美xxxx性猛交bbbb| 亚洲国产精品国产精品| 中国美白少妇内射xxxbb| 1000部很黄的大片| 午夜a级毛片| 听说在线观看完整版免费高清| 99在线视频只有这里精品首页| 在线播放国产精品三级| 特级一级黄色大片| 亚洲精品日韩在线中文字幕 | 1000部很黄的大片| 男女做爰动态图高潮gif福利片| 一级毛片电影观看 | 高清毛片免费看| 搞女人的毛片| 欧美又色又爽又黄视频| 97超视频在线观看视频| av在线播放精品| 一级黄片播放器| 欧美一级a爱片免费观看看| h日本视频在线播放| 色噜噜av男人的天堂激情| 免费大片18禁| 老司机影院成人| 国产 一区 欧美 日韩| 婷婷精品国产亚洲av| 村上凉子中文字幕在线| 狂野欧美激情性xxxx在线观看| 毛片女人毛片| 高清毛片免费看| 亚洲,欧美,日韩| 亚洲激情五月婷婷啪啪| 天堂√8在线中文| 99久国产av精品国产电影| 亚洲精品乱码久久久v下载方式| 91狼人影院| 国产男靠女视频免费网站| 国产精品日韩av在线免费观看| 麻豆国产av国片精品| 十八禁国产超污无遮挡网站| 欧美区成人在线视频| 久久精品国产清高在天天线| 一区二区三区免费毛片| 精品久久久久久久久久久久久| 亚洲精品一卡2卡三卡4卡5卡| 在线观看一区二区三区| 亚洲av熟女| 国产单亲对白刺激| 少妇的逼水好多| 久久精品人妻少妇| 国产一区二区在线av高清观看| 国产片特级美女逼逼视频| 国产成人a区在线观看| 99视频精品全部免费 在线| av免费在线看不卡| 午夜精品在线福利| 中文字幕久久专区| 一进一出抽搐gif免费好疼| 亚洲熟妇熟女久久| 亚洲va在线va天堂va国产| 国产aⅴ精品一区二区三区波| 一级黄色大片毛片| 亚洲自偷自拍三级| 99久久精品国产国产毛片| 亚洲国产精品久久男人天堂| 欧美激情久久久久久爽电影| 亚洲精品成人久久久久久| 18禁在线播放成人免费| 麻豆乱淫一区二区| 赤兔流量卡办理| 22中文网久久字幕| 99在线人妻在线中文字幕| 欧美色视频一区免费| 大又大粗又爽又黄少妇毛片口| 国产午夜福利久久久久久| 97超视频在线观看视频| 最新在线观看一区二区三区| 看片在线看免费视频| 男人舔奶头视频| 深夜精品福利| 国内精品宾馆在线| 欧美潮喷喷水| 精品人妻偷拍中文字幕| a级毛片免费高清观看在线播放| 久久国内精品自在自线图片| 亚洲av成人精品一区久久| 国产黄片美女视频| 久久久久久久久大av| 午夜老司机福利剧场| 国产精品永久免费网站| 亚洲成人av在线免费| 国产高清视频在线观看网站| 成人无遮挡网站| 人妻丰满熟妇av一区二区三区| 国产女主播在线喷水免费视频网站 | 在线国产一区二区在线| 插逼视频在线观看| 免费在线观看影片大全网站| 久久九九热精品免费| 嫩草影院新地址| 亚洲成人精品中文字幕电影| av在线老鸭窝| 亚洲欧美清纯卡通| 久久人人爽人人片av| 成人欧美大片| 麻豆久久精品国产亚洲av| 国产成人福利小说| 成人鲁丝片一二三区免费| av在线亚洲专区| 国产 一区精品| 一个人观看的视频www高清免费观看| 亚洲不卡免费看| 悠悠久久av| 欧美性感艳星| 91精品国产九色| 亚洲中文字幕日韩| 久久久久久国产a免费观看| 国产单亲对白刺激| 免费无遮挡裸体视频| 女生性感内裤真人,穿戴方法视频| 亚洲一区高清亚洲精品| av.在线天堂| 国产欧美日韩精品亚洲av| 久久久国产成人免费| 国产伦在线观看视频一区| av免费在线看不卡| 欧美另类亚洲清纯唯美| 夜夜看夜夜爽夜夜摸| a级毛片a级免费在线| 国产麻豆成人av免费视频| 两性午夜刺激爽爽歪歪视频在线观看| 成人国产麻豆网| 国内精品宾馆在线| 中国美白少妇内射xxxbb| 少妇被粗大猛烈的视频| 日韩欧美精品免费久久| 亚洲丝袜综合中文字幕| 国产av在哪里看| 亚洲欧美日韩卡通动漫| 日韩大尺度精品在线看网址| 午夜影院日韩av| 国产精品久久视频播放| 欧美潮喷喷水| 五月伊人婷婷丁香| 国产亚洲av嫩草精品影院| 中文资源天堂在线| 久久婷婷人人爽人人干人人爱| 狂野欧美白嫩少妇大欣赏| 免费av不卡在线播放| 国产精品三级大全| 国产v大片淫在线免费观看| 色综合色国产| 国产高清视频在线观看网站| 国产精品美女特级片免费视频播放器| 两性午夜刺激爽爽歪歪视频在线观看| 久久久成人免费电影| 亚洲成人久久爱视频| 国产精品国产高清国产av| 中文字幕精品亚洲无线码一区| 国产亚洲精品综合一区在线观看| 男人舔女人下体高潮全视频| 一边摸一边抽搐一进一小说| 日韩欧美在线乱码| 91麻豆精品激情在线观看国产| 桃色一区二区三区在线观看| 夜夜看夜夜爽夜夜摸| 少妇裸体淫交视频免费看高清| 国内精品久久久久精免费| 村上凉子中文字幕在线| 久久九九热精品免费| 一个人看视频在线观看www免费| 深夜精品福利| 精品午夜福利视频在线观看一区| 91久久精品电影网| 色播亚洲综合网| 亚洲人成网站在线观看播放| 婷婷六月久久综合丁香| 成人二区视频| 12—13女人毛片做爰片一| 欧美成人a在线观看| 日韩在线高清观看一区二区三区| 97超视频在线观看视频| 女的被弄到高潮叫床怎么办| 国产高潮美女av| 欧美成人一区二区免费高清观看| 国产精品人妻久久久久久| 我的女老师完整版在线观看| 中出人妻视频一区二区| 午夜福利高清视频| 性色avwww在线观看| 不卡视频在线观看欧美| 精品久久国产蜜桃| 亚洲国产精品久久男人天堂| 国产三级在线视频| 99久国产av精品国产电影| 欧美激情久久久久久爽电影| 舔av片在线| 啦啦啦韩国在线观看视频| 菩萨蛮人人尽说江南好唐韦庄 | 亚洲在线自拍视频| 黄片wwwwww| 亚洲成a人片在线一区二区| 两个人的视频大全免费| 午夜福利在线观看吧| 久久亚洲国产成人精品v| 九色成人免费人妻av| 乱码一卡2卡4卡精品| 久久中文看片网| 亚洲国产精品久久男人天堂| 久久人人精品亚洲av| 国产麻豆成人av免费视频| 亚洲欧美精品自产自拍| 男女视频在线观看网站免费| 亚洲性久久影院| 男女边吃奶边做爰视频| 又爽又黄a免费视频| 精品久久久久久久久亚洲| 久久99热6这里只有精品| 1000部很黄的大片| 久久久久国内视频| 亚洲国产精品合色在线| 舔av片在线| 一级毛片aaaaaa免费看小| 国产精品人妻久久久影院| 国产乱人偷精品视频| 18禁黄网站禁片免费观看直播| 热99re8久久精品国产| 亚洲成人久久性| 久久国内精品自在自线图片| 一个人看的www免费观看视频| 一个人免费在线观看电影| 少妇的逼水好多| 亚洲国产欧洲综合997久久,| 国产乱人偷精品视频| 国产一区二区在线观看日韩| 日本黄色片子视频| 欧美又色又爽又黄视频| 久99久视频精品免费| 亚洲中文字幕一区二区三区有码在线看| 亚洲欧美日韩卡通动漫| 欧美激情国产日韩精品一区| 国产精品爽爽va在线观看网站| 国产精品电影一区二区三区| 深夜精品福利| 亚洲天堂国产精品一区在线| 日本 av在线| 亚洲av电影不卡..在线观看| 精品人妻视频免费看| 啦啦啦啦在线视频资源| 日日啪夜夜撸| 日韩 亚洲 欧美在线| 免费在线观看影片大全网站| 久久国内精品自在自线图片| 亚洲经典国产精华液单| 99国产精品一区二区蜜桃av| 欧美人与善性xxx| 91久久精品国产一区二区三区| 99久久精品一区二区三区| 变态另类丝袜制服| 99精品在免费线老司机午夜| 国产欧美日韩精品亚洲av| 天堂网av新在线| 深夜精品福利| 久久久久久久亚洲中文字幕| 色综合亚洲欧美另类图片| 内地一区二区视频在线| 欧美bdsm另类| 成年av动漫网址| 成人国产麻豆网| 九九爱精品视频在线观看| 国产高清激情床上av| 国内久久婷婷六月综合欲色啪| 国产精品av视频在线免费观看| 午夜福利成人在线免费观看| eeuss影院久久| 91精品国产九色| 久久国产乱子免费精品| 女的被弄到高潮叫床怎么办| 精华霜和精华液先用哪个| 一级av片app| 日本色播在线视频| 蜜桃亚洲精品一区二区三区| 亚洲自拍偷在线| 精品午夜福利视频在线观看一区| 欧美日韩精品成人综合77777| 欧美极品一区二区三区四区| 欧美日韩精品成人综合77777| 午夜福利成人在线免费观看| 看非洲黑人一级黄片| 色av中文字幕| 日韩中字成人| 亚洲图色成人| 免费电影在线观看免费观看| 亚洲在线观看片| 女生性感内裤真人,穿戴方法视频| 中文字幕av在线有码专区| 最近视频中文字幕2019在线8| 色5月婷婷丁香| 成人午夜高清在线视频| 黄色日韩在线| 毛片女人毛片| 成人毛片a级毛片在线播放| 最近的中文字幕免费完整| 午夜福利在线在线| 日本撒尿小便嘘嘘汇集6| 国产 一区精品|