• <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 ?

    基于多分支網絡的圖像分類算法

    2019-10-11 11:24:36楊鑫楊晶東
    軟件導刊 2019年7期

    楊鑫 楊晶東

    摘 要:為提高卷積神經網絡在圖像分類中的泛化性,提出基于多分支深度神經網絡結構。使用ResNet(殘差網絡)的跨層連接結構構造多分支網絡,各分支網絡共享中淺層特征提取,深層網絡使用不同卷積核尺寸。分別使用獨立損失函數產生多梯度對中淺層特征權值進行同步調整。與ResNet的單重網絡進行對比實驗,結果表明,在具有相同收斂性的前提下,各個分支網絡的泛化性都得到一定提高,在多類別數據集中表現(xiàn)出更優(yōu)性能。

    關鍵詞:殘差網絡; 多分支網絡; 泛化性能

    DOI:10. 11907/rjdk. 182713 開放科學(資源服務)標識碼(OSID):

    中圖分類號:TP301文獻標識碼:A 文章編號:1672-7800(2019)007-0056-04

    Image Recognition Algorithm Based on Multi-branch Network

    YANG Xin, YANG Jing-dong

    (School of Optoelectronic Information and Computer Engineering,

    University of Shanghai for Science and Technology, Shanghai 200093, China)

    Abstract: Aiming at improve the convergence and generalization of convolutional neural networks in image classification, we propose a deep neural network structure based on multi-branch network. Using a cross-layer connection structure of ResNet (residual network), a multi-branch network is constructed, shallow feature extraction is performed in each branch network share, and different convolution kernel sizes are used in the deep network part. Separate loss functions are used, and multiple scale gradients are used to adjust the weights of the middle and shallow features simultaneously. Experiments show that the convergence and generalization of each branch network have been improved compared to the single-net network of resnet. At the same time, the algorithm in this paper shows better performance in multi-category data sets, and has practical significance in the big data environment.

    Key Words: residual network; multi-branch network; generalization performance

    作者簡介:楊鑫(1991-),男,上海理工大學光電信息與計算機工程學院碩士研究生,研究方向為深度學習、計算機視覺;楊晶東(1973-),男,博士,上海理工大學光電信息與計算機工程學院副教授、碩士生導師,研究方向為智能機器人、計算機視覺。

    0 引言

    深度學習通過疊加非線性層[1-2],使深層神經網絡可以擬合復雜的非線性映射,相比SVM(支持向量機)、邏輯回歸等淺層學習方法,深度學習可在大數據支撐下學習數據內部復雜的模式。深度學習由Hinton等[3]在2006年提出,為解決深度神經網絡容易出現(xiàn)的梯度消失、梯度爆炸等問題,當時使用玻爾茲曼機預訓練單層參數,使得網絡最終可以收斂。計算機視覺是深度學習的重要應用領域,卷積神經網絡為計算機視覺領域的諸多問題提供了一種端到端的解決方法。卷積神經網絡可以對特征進行分層學習[4],其特征復制思想很好地解決了圖像識別中視角差異、物體特征在圖像上的維度跳躍問題。Yann LeCun和他的團隊提出了著名的卷積神經網絡結構LeNet5,成功應用在手寫體數字識別上[5],改進的BP網絡在手寫數字字符識別上的研究取得了一定進展[6]。由于計算機硬件的技術進步,海量圖片數據以及神經網絡初始化、優(yōu)化方法的提出,使得深度神經網絡容易收斂且不易出現(xiàn)過擬合問題[7-9],但由于網絡層數的逐漸疊加,產生了網絡收斂困難和優(yōu)化困難問題。文獻[10]引入殘差塊結構,殘差神經網絡中的跨層連接思想可使網絡層數疊加很深,極大解決了深層網絡的收斂問題。殘差神經網絡開始在計算機視覺應用中占據主導地位,文獻[11]提出使用深度殘差神經網絡進行視頻內容的快速檢索;文獻[12]提出使用深度殘差網絡進行脫機手寫漢字識別;文獻[13]提出使用殘差神經網絡進行結構故障識別,但深度殘差網絡并沒有達到最優(yōu)輸出;文獻[14]中提出采用多尺度特征圖學習策略改善網絡性能,提高訓練收斂性和測試泛化性能,但未提出多損失函數策略提高網絡識別正確率。本文致力于提高深度學習模型在圖像識別領域的收斂性和泛化性,提出多分支網絡正則中淺層的特征提取網絡,在cifar10與cifar100數據集中分類性能比原有ResNet性能更好。

    1 ResNet殘差網絡

    ResNet的主要思想是在不同的卷積層中添加跨層連接,改變層與層間的映射關系,使用RseNet的跨層連接結構如圖1所示。

    圖1 ResNet的跨層連接

    圖1增加了層與層的跨層連接結構,網絡實際學習的非線性映射為[F(X)=H(X)-X]。疊加卷積神經網絡層數會使模型變得更加復雜,較深層神經網絡理論上會表現(xiàn)出更好的泛化性能,但實驗結果表明,當網絡深度達到一定層數時,在訓練集上的分類誤差開始逐漸變大[15-16]。增加跨層連接,降低了網絡優(yōu)化水平,使得深層網絡更容易達到收斂。ResNet折中了復雜網絡與簡單網絡,以適應不同復雜程度的分類模式。

    2 基于多分支網絡的深度網絡結構

    本文將圖1中ResNet的跨層連接作為一個殘差塊,將3個具有相同特征圖數目的殘差塊作為一個scale,使用3個具有特征圖數目的scale構成殘差網絡中的特征提取部分,各個scale間使用最大池化降低特征圖像素數。[H(X)=F(X)+X,]當[F(X)]與[X]特征圖數目不一致時,采用[1×1]卷積核進行變換。本文構建三分支網絡,各個分支網絡共享scale1與scale2中淺層特征提取,3個scale3分別采用[3×3、5×5、7×7]卷積核尺寸,scale1與scale2采用[3×3]卷積核尺寸,網絡整體結構如圖2所示。

    ResNet1、ResNet2、ResNet3分別使用獨立的交叉熵損失函數,由于scale3中設置了不同尺寸的卷積核,對于scale1與scale2中的梯度調整將進行一定程度的互相正則。設scale2中一層卷積層的權值為Wc,其對應的梯度由下式產生:

    圖2 三分支殘差網絡結構

    [dWc= ?Lr1?Wc+?Lr2?Wc+?Lr3?Wc]? ?(1)

    式(1)中,[Lr1]為ResNet1的損失函數,[Lr2]為ResNet2的損失函數,[Lr3]為ResNet3的損失函數。不同尺寸的卷積核提取特征具有不同范圍大小的感受野,對于每個獨立的網絡連接scale1與scale2,類似于產生了具有正確導向的噪聲信號。Scale2與scale3銜接部分輸入部分卷積層,損失函數對其特征圖激活值的偏導[dA]由式(2)給出。式中[H3×3]為輸出卷積層特征圖高度,[ahw]為輸出卷積層特征圖切片激活值,[dZhwc]為損失函數關于輸出卷積層第h行w列c深度被激活前特征圖像素值。scale1與scale2中的權值更新梯度由[dA]回傳,網絡最終在共享權值部分產生多梯度的混合調整。實驗證明該方法可提高單分支網絡的泛化性能。

    [dA3×3=h=1H3×3w=1W3×3c=1Cahw×dZhwc]

    [dA5×5=h=1H5×5w=1W5×5c=1Cahw×dZhwc]

    [dA7×7=h=1H7×7w=1W7×7c=1Cahw×dZhwc]

    [dA=dA3×3+dA5×5+dA7×7]? ? ?(2)

    正則化方法dropout[17]可隨機訓練一定比例失活神經元后的網絡,網絡訓練被認為是在眾多的子網絡中進行一個特殊意義的融合。本文使用多分支網絡結構,同時利用dropout技術進行網絡的正則化以提高模型的泛化性能。

    Scale3將每一特征圖使用平均池化轉化為1個標量,減小分類器輸入的特征維度。分類器使用兩層全連接網絡,隱藏層使用1 024個神經元,同樣使用ReLU函數作為激活函數,全連接層間使用Batch Normalization[18]進行批歸一化。

    對于ResNet的輸入,使用一定的數據增強技術。數據增強方法為:將原始圖像進行寬度為4的黑色像素邊緣填充,隨機裁剪為32×32×3尺寸圖像,隨機翻轉、隨機變換圖像亮度、對比度,對圖像進行標準化。在測試時對圖像進行標準化操作。本文權值初始化使用He[19]的方法,采用Adam[20]優(yōu)化權值更新算法。

    3 實驗結果分析

    本實驗通過阿里云機器學習PAI深度學習平臺實現(xiàn),GPU型號為NVIDIA Tesla M40,可用GPU顯存為11.07GB,顯卡頻率1.112(GHZ)。本實驗基于的開源平臺為tensorflow1.0,使用的編程語言為python2.7。本文將針對不同分類樣本數據集cifar10和cifar100分類精度、泛化性能進行對比研究。

    3.1 cifar10數據集實驗與分析

    cifar10數據集由60 000張[32×32×3]的彩色圖片組成,總共包含10個類。其中50 000張圖片作為訓練,? ? 10 000張圖片作為測試。10個類分別為飛機(airplane)、汽車(automobile)、鳥(bird)、貓(cat)、鹿(deer)、狗(dog)、青蛙(frog)、馬(horse)、船(ship)、卡車(truck)。

    本實驗采用的訓練參數:采用dropout方法,scale1中keep_prob值為0.85,scale2中為0.8,scale3中為0.75,全連接層中為0.6。在卷積層中使用dropout隨機訓練整張?zhí)卣鲌D。初始學習率設為0.01,30 000step時將學習率降為0.001,50 000step時將學習率降為0.000 1。采用mini_batch 隨機梯度下降,batchsize取128。

    在過了50 000step時,每隔1 000step對測試集的10 000張圖片進行測試,結果如圖3所示。在訓練過程中minibatch會因為樣本的不同導致網絡無法完全收斂到極值點,權值會存在一定的波動,導致曲線存在一定的振蕩。本文取所有采樣值中的最大值作為模型泛化性的最終評估指標,對比在相同卷積核尺寸下分支ResNet與單重ResNet測試集正確率。在具有相似收斂性前提下,本文采用共享中淺層殘差塊的分支ResNet,比單重ResNet具有更好的泛化性能。當采用3×3卷積核尺寸時測試集正確率為93.65%,比單重ResNet提高了0.09%;當采用5×5卷積核尺寸時,測試集正確率為93.70%,比單重ResNet提高了0.16%;當采用7×7卷積核尺寸時,測試集正確率為93.80%,比單重ResNet提高了0.47%。

    3.2 cifar100數據集實驗與分析

    Cifar100與cifar10使用相同的訓練數據和測試數據,不同在于ciar100比cifar10具有更加精細的類區(qū)分,共分為100類,將其中50 000張作為訓練集,10 000張作為測試集。由于數據集的變動,每一類樣本數變少,原有參數設置沒有足夠的容量擬合cifar100數據。將dropout參數keep_prob值重新調整,scale1中keep_prob值為0.95,scale2中為0.9,scale3中為0.85,全連接層中值為0.8,其余的超參數與cifar10的實驗一致。

    采用cifar10實驗相同的數據采樣方式進行測試集正確率數據采樣,結果如圖4所示,同樣將采樣值中最大值作為模型測試集最終正確率。由圖4可知,scale3采用不同的卷積核尺寸共享中淺層特征提取殘差塊,分支ResNet在測試集上的正確率都要高于單重ResNet。本文方法中,當采用3×3卷積核尺寸時測試集正確率為76.27%,比單重ResNet提高了1.01%;當采用5×5卷積核尺寸時,測試集正確率為76.24%,比單重ResNet提高了1.47%;當采用7×7卷積核尺寸時,測試集正確率為76.42%,比單重ResNet提高了2.6%。

    4 結語

    本文提出一種共享中淺層特征提取的多分支殘差網絡,結合dropout,通過獨立梯度,在保證各個分支網絡scale3獨立性的同時,提高了共享網絡部分正則化,在多分類、精細化數據集方面比單重ResNet性能更好。未來將重點研究分支網絡的自適應融合。

    參考文獻:

    [1] BENGIO Y. Learning deep architectures for AI[J]. Foundations & Trends? in Machine Learning, 2009, 2(1):1-127.

    [2] BENGIO Y,LAMBLIN P,DAN P,et al. Greedy layer-wise training of deep networks[J]. Advances in Neural Information Processing Systems,2007(19):153-160.

    [3] HINTON G E,OSINDERO S,TEH Y W. A fast learning algorithm for deep belief nets[J].Neural Computation,2006,18(7):1527-1554.

    [4] MATTHEW D,ZEILER,ROB FERGUS. Visualizing and understanding convolutional networks[J]. Computer Vision-ECCV,2013(8689):818-833.

    [5] LéCUN Y,BOTTOU L,BENGIO Y,et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE,1998,86(11):2278-2324.

    [6] 曾志軍,孫國強. 基于改進的BP網絡數字字符識別[J]. 上海理工大學學報,2008,30(2):201-204.

    [7] KRIZHEVSKY A,SUTSKEVER I,HINTON G E. Image net classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems. Curran Associates Inc,2012:1097-1105.

    [8] SIMONYAN K,ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. Computer Science,2014(1):2253-2259.

    [9] SZEGEDY C,LIU W,JIA Y,et al. Going deeper with convolutions[C]. Computer Vision and Pattern Recognition. IEEE, 2015:1-9.

    [10] HE K,ZHANG X,REN S,et al. Deep residual learning for image recognition[C]. In:Proceedings of Computer Vision and Pattern Recognition,IEEE,2016:770-778.

    [11] 李瞳, 李彤, 趙宏偉. 基于殘差神經網絡的視頻內容快速檢索系統(tǒng)研究[J]. 吉林大學學報:信息科學版, 2018(4):158-161.

    [12] 張帆, 張良,劉星,等. 基于深度殘差網絡的脫機手寫漢字識別研究[J]. 計算機測量與控制, 2017(12):259-262.

    [13] 胡壽松,汪晨曦,張德發(fā). 基于遞階殘差神經網絡的結構故障模式識別[J]. 飛機設計,2001(3):6-11.

    [14] LI B Q,HE Y Y. An improved resnet based on the adjustable shortcut connections[M]. IEEE Access,2018,18967-18974.

    [15] HE K, SUN J. Convolutional neural networks at constrained time cost[EB/OL]. http://xueshu.baidu.com/usercenter/paper/show?paperid=7477b7fa311a30b9917cfeb726a258ff&site=xueshu_se

    [16] SRIVASTAVA R K,GREFF K,SCHMIDHUBER J. Highway networks[J]. Computer Science,2015(3):128-122.

    [17] HINTON G E,SRIVASTAVA N,KRIZHEVSKY A,et al. Improving neural networks by preventing co-adaptation of feature detectors[J]. Computer Science,2012,3(4):212-223.

    [18] IOFFE S,SZEGEDY C. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]. International Conference on International Conference on Machine Learning. JMLR.org, 2015:448-456.

    [19] HE K,ZHANG X,REN S,et al. Delving deep into rectifiers: surpassing human-level performance on imagenet classification[J]. IEEEXplore,2015:1026-1034.

    [20] KINGMA D P,BA J. Adam: a method for stochastic optimization[J]. Computer Science, 2014(6):202-208.

    (責任編輯:杜能鋼)

    久久久国产成人免费| 国产一级毛片七仙女欲春2| 久久久久性生活片| 久久香蕉国产精品| 身体一侧抽搐| 欧美成人免费av一区二区三区| 精品国产美女av久久久久小说| 日本熟妇午夜| 熟女人妻精品中文字幕| 国产主播在线观看一区二区| 可以在线观看毛片的网站| 久久天躁狠狠躁夜夜2o2o| 亚洲成人久久性| 国产aⅴ精品一区二区三区波| 亚洲aⅴ乱码一区二区在线播放| 丰满的人妻完整版| 手机成人av网站| 欧美日韩一级在线毛片| 久久婷婷人人爽人人干人人爱| 亚洲专区国产一区二区| 日本在线视频免费播放| 啪啪无遮挡十八禁网站| 国产精品av视频在线免费观看| 国产黄片美女视频| 99久久精品一区二区三区| 热99re8久久精品国产| 亚洲精品中文字幕一二三四区| 99热只有精品国产| 亚洲在线观看片| 无人区码免费观看不卡| 久久香蕉国产精品| 大型黄色视频在线免费观看| 国产aⅴ精品一区二区三区波| 最近视频中文字幕2019在线8| 日韩中文字幕欧美一区二区| 日韩有码中文字幕| 日本免费a在线| 精品国产三级普通话版| 久久人人精品亚洲av| av天堂中文字幕网| 韩国av一区二区三区四区| 国产高清三级在线| 亚洲天堂国产精品一区在线| 伦理电影免费视频| 精品久久蜜臀av无| 桃红色精品国产亚洲av| 91在线精品国自产拍蜜月 | 国产精品美女特级片免费视频播放器 | 99热这里只有精品一区 | 国产高清有码在线观看视频| 亚洲,欧美精品.| 欧美日本亚洲视频在线播放| 全区人妻精品视频| 亚洲专区字幕在线| 一级毛片精品| 成人18禁在线播放| 老司机午夜十八禁免费视频| e午夜精品久久久久久久| 无人区码免费观看不卡| 欧美一级毛片孕妇| 亚洲avbb在线观看| 99久久成人亚洲精品观看| 国产成人av激情在线播放| 黄色丝袜av网址大全| 黑人欧美特级aaaaaa片| 精品一区二区三区av网在线观看| 国产又黄又爽又无遮挡在线| 国产麻豆成人av免费视频| 欧美成人一区二区免费高清观看 | 最近在线观看免费完整版| 最近最新免费中文字幕在线| 亚洲国产欧美人成| 国产高清视频在线观看网站| 宅男免费午夜| 欧美日本亚洲视频在线播放| 一进一出抽搐gif免费好疼| 亚洲色图av天堂| 岛国在线观看网站| 欧美乱色亚洲激情| 在线观看舔阴道视频| 成人亚洲精品av一区二区| 级片在线观看| 亚洲一区二区三区不卡视频| 久久欧美精品欧美久久欧美| 国产免费av片在线观看野外av| 草草在线视频免费看| 久久精品综合一区二区三区| 一夜夜www| 国产麻豆成人av免费视频| 亚洲欧洲精品一区二区精品久久久| 不卡av一区二区三区| 久久欧美精品欧美久久欧美| 国产精品一区二区三区四区久久| 亚洲九九香蕉| 欧美日韩福利视频一区二区| 真实男女啪啪啪动态图| 免费av不卡在线播放| 日韩精品青青久久久久久| 黄片小视频在线播放| 亚洲av熟女| 可以在线观看的亚洲视频| 精品久久久久久久久久久久久| 国产伦在线观看视频一区| 999久久久精品免费观看国产| 丁香欧美五月| 男人舔女人下体高潮全视频| 亚洲五月婷婷丁香| xxx96com| 亚洲成人免费电影在线观看| 亚洲精品色激情综合| 91久久精品国产一区二区成人 | 后天国语完整版免费观看| 丰满人妻熟妇乱又伦精品不卡| 国产欧美日韩精品一区二区| 男人舔女人的私密视频| 亚洲av电影在线进入| 亚洲成av人片免费观看| 日本在线视频免费播放| 欧美日韩瑟瑟在线播放| 国产真人三级小视频在线观看| 我要搜黄色片| 亚洲精品456在线播放app | 国产精品电影一区二区三区| 国内精品美女久久久久久| 一级a爱片免费观看的视频| 亚洲狠狠婷婷综合久久图片| 美女 人体艺术 gogo| 亚洲av成人精品一区久久| 国产精品一区二区三区四区免费观看 | 国产精品久久久人人做人人爽| 免费电影在线观看免费观看| 琪琪午夜伦伦电影理论片6080| 亚洲欧美日韩卡通动漫| 夜夜爽天天搞| 高清毛片免费观看视频网站| 成人午夜高清在线视频| 欧美在线一区亚洲| tocl精华| 给我免费播放毛片高清在线观看| 亚洲av熟女| 成在线人永久免费视频| 国产一区在线观看成人免费| 午夜免费成人在线视频| 成人国产一区最新在线观看| 色哟哟哟哟哟哟| 亚洲专区字幕在线| 波多野结衣巨乳人妻| 国产成人av激情在线播放| 午夜成年电影在线免费观看| 亚洲男人的天堂狠狠| 男插女下体视频免费在线播放| 成年女人永久免费观看视频| 天堂av国产一区二区熟女人妻| 国产aⅴ精品一区二区三区波| 欧美一级毛片孕妇| 老司机午夜福利在线观看视频| 成年免费大片在线观看| 美女高潮的动态| 男女视频在线观看网站免费| 成人午夜高清在线视频| 亚洲国产看品久久| 国产av在哪里看| 国产高潮美女av| 亚洲国产精品合色在线| 真实男女啪啪啪动态图| 国产激情久久老熟女| 99久久精品国产亚洲精品| 免费在线观看亚洲国产| 黄色片一级片一级黄色片| 日韩av在线大香蕉| 精品国产乱码久久久久久男人| 淫秽高清视频在线观看| 亚洲精品色激情综合| 亚洲片人在线观看| 好男人电影高清在线观看| 亚洲中文字幕日韩| 精品福利观看| 欧美日韩国产亚洲二区| 亚洲专区字幕在线| 久久精品亚洲精品国产色婷小说| 给我免费播放毛片高清在线观看| a级毛片在线看网站| 日韩欧美免费精品| 青草久久国产| 精品日产1卡2卡| 美女扒开内裤让男人捅视频| 淫妇啪啪啪对白视频| 天天一区二区日本电影三级| 精品国产超薄肉色丝袜足j| 亚洲精品在线观看二区| 日本五十路高清| 又粗又爽又猛毛片免费看| 精品电影一区二区在线| 在线观看免费视频日本深夜| 一区二区三区国产精品乱码| 亚洲在线观看片| 亚洲 欧美一区二区三区| 可以在线观看毛片的网站| 色综合婷婷激情| 成人永久免费在线观看视频| 国产激情欧美一区二区| 日韩欧美在线二视频| 欧洲精品卡2卡3卡4卡5卡区| 国产久久久一区二区三区| 蜜桃久久精品国产亚洲av| 国产美女午夜福利| 在线观看免费午夜福利视频| aaaaa片日本免费| 两性夫妻黄色片| 亚洲黑人精品在线| 搡老妇女老女人老熟妇| 久久中文看片网| 五月玫瑰六月丁香| 18禁国产床啪视频网站| 1024香蕉在线观看| 最新中文字幕久久久久 | 麻豆成人午夜福利视频| 很黄的视频免费| 成人三级做爰电影| 日本三级黄在线观看| 精品国内亚洲2022精品成人| 日本一本二区三区精品| 人妻丰满熟妇av一区二区三区| 国产探花在线观看一区二区| 成人欧美大片| 日韩精品中文字幕看吧| 99久久99久久久精品蜜桃| 搡老熟女国产l中国老女人| 一个人看的www免费观看视频| 婷婷精品国产亚洲av| 黄色日韩在线| 精品一区二区三区视频在线观看免费| 两个人的视频大全免费| 每晚都被弄得嗷嗷叫到高潮| 亚洲欧美精品综合一区二区三区| av天堂中文字幕网| 国产午夜福利久久久久久| 每晚都被弄得嗷嗷叫到高潮| 人人妻,人人澡人人爽秒播| 亚洲国产精品999在线| 午夜a级毛片| 99re在线观看精品视频| 亚洲精品一区av在线观看| 久久精品夜夜夜夜夜久久蜜豆| 亚洲欧美日韩无卡精品| 婷婷六月久久综合丁香| av在线天堂中文字幕| 嫁个100分男人电影在线观看| 久久天躁狠狠躁夜夜2o2o| 午夜福利视频1000在线观看| 亚洲黑人精品在线| 欧美成狂野欧美在线观看| 久久久色成人| 国产亚洲av嫩草精品影院| 天天一区二区日本电影三级| 欧美绝顶高潮抽搐喷水| 一区二区三区高清视频在线| avwww免费| 19禁男女啪啪无遮挡网站| 男女视频在线观看网站免费| 国产精品美女特级片免费视频播放器 | bbb黄色大片| 99热这里只有精品一区 | 国产精品亚洲一级av第二区| 国产高潮美女av| av欧美777| 国产一区二区在线av高清观看| 69av精品久久久久久| 国产成人av教育| 久久久久精品国产欧美久久久| 欧美日韩国产亚洲二区| 国产极品精品免费视频能看的| 日韩 欧美 亚洲 中文字幕| 亚洲aⅴ乱码一区二区在线播放| 校园春色视频在线观看| 婷婷亚洲欧美| 国产不卡一卡二| 69av精品久久久久久| 国产单亲对白刺激| 日韩大尺度精品在线看网址| 成年女人看的毛片在线观看| 岛国视频午夜一区免费看| 真人一进一出gif抽搐免费| 亚洲精品乱码久久久v下载方式 | 日韩欧美国产在线观看| 久久午夜综合久久蜜桃| 麻豆一二三区av精品| 国产激情欧美一区二区| 亚洲 欧美 日韩 在线 免费| 99久久精品热视频| 欧美激情在线99| 老司机福利观看| 国产伦一二天堂av在线观看| 亚洲av成人不卡在线观看播放网| 国产欧美日韩精品亚洲av| 亚洲色图 男人天堂 中文字幕| 蜜桃久久精品国产亚洲av| 超碰成人久久| 18禁黄网站禁片免费观看直播| or卡值多少钱| 热99re8久久精品国产| 99精品在免费线老司机午夜| 成年女人看的毛片在线观看| 97碰自拍视频| www.999成人在线观看| 午夜精品在线福利| 免费在线观看视频国产中文字幕亚洲| 国产又色又爽无遮挡免费看| 亚洲精品粉嫩美女一区| 亚洲成av人片免费观看| 看免费av毛片| 国产爱豆传媒在线观看| 久久中文看片网| 毛片女人毛片| 欧美大码av| 日本成人三级电影网站| 午夜免费观看网址| 桃红色精品国产亚洲av| 欧美极品一区二区三区四区| 免费看光身美女| 巨乳人妻的诱惑在线观看| 日韩av在线大香蕉| 亚洲精品乱码久久久v下载方式 | 日韩欧美在线乱码| 久久人人精品亚洲av| 国产精品精品国产色婷婷| 女警被强在线播放| 精品久久久久久久久久免费视频| 欧美绝顶高潮抽搐喷水| 亚洲国产精品999在线| 亚洲七黄色美女视频| 99久久国产精品久久久| 国产伦精品一区二区三区四那| 少妇人妻一区二区三区视频| 99riav亚洲国产免费| 国产精品永久免费网站| 在线a可以看的网站| 18禁国产床啪视频网站| 这个男人来自地球电影免费观看| av黄色大香蕉| 色哟哟哟哟哟哟| 国产成人福利小说| 最新在线观看一区二区三区| 久久久久国产精品人妻aⅴ院| 精品人妻1区二区| 极品教师在线免费播放| 可以在线观看的亚洲视频| 女人被狂操c到高潮| 国产午夜精品论理片| 两个人的视频大全免费| 久久亚洲精品不卡| 俺也久久电影网| 天堂网av新在线| 国内精品美女久久久久久| 亚洲,欧美精品.| 亚洲五月婷婷丁香| 精品一区二区三区av网在线观看| 国产99白浆流出| 波多野结衣高清作品| 久久久国产成人免费| 可以在线观看毛片的网站| 好男人电影高清在线观看| 久久久久久大精品| xxxwww97欧美| 国产免费男女视频| 村上凉子中文字幕在线| 日本免费a在线| 欧美中文综合在线视频| 亚洲成人免费电影在线观看| 免费高清视频大片| 在线免费观看不下载黄p国产 | 久久久久久久久免费视频了| 麻豆久久精品国产亚洲av| 九色成人免费人妻av| 熟女人妻精品中文字幕| 一本综合久久免费| 日本 av在线| 美女cb高潮喷水在线观看 | 1024香蕉在线观看| 亚洲欧美日韩高清专用| 中文字幕高清在线视频| 亚洲 国产 在线| 噜噜噜噜噜久久久久久91| 在线观看免费午夜福利视频| 99精品在免费线老司机午夜| 两个人的视频大全免费| 久久精品影院6| 国产真实乱freesex| 免费在线观看日本一区| 每晚都被弄得嗷嗷叫到高潮| 国产亚洲欧美在线一区二区| x7x7x7水蜜桃| 搡老熟女国产l中国老女人| 少妇人妻一区二区三区视频| 岛国在线免费视频观看| 99久久成人亚洲精品观看| 成人特级黄色片久久久久久久| 国产真人三级小视频在线观看| 一个人观看的视频www高清免费观看 | 免费看十八禁软件| 久久久久久久久免费视频了| 中文亚洲av片在线观看爽| 真人一进一出gif抽搐免费| 99久久99久久久精品蜜桃| 精品人妻1区二区| 午夜亚洲福利在线播放| 久久伊人香网站| 两个人的视频大全免费| 琪琪午夜伦伦电影理论片6080| xxxwww97欧美| 岛国在线观看网站| 国产精品久久久久久精品电影| 欧美色视频一区免费| 国产熟女xx| 美女免费视频网站| 啪啪无遮挡十八禁网站| 午夜久久久久精精品| 精品电影一区二区在线| 狠狠狠狠99中文字幕| 久久午夜综合久久蜜桃| ponron亚洲| 成人午夜高清在线视频| 中文在线观看免费www的网站| 免费在线观看影片大全网站| 亚洲av日韩精品久久久久久密| 国产精品亚洲av一区麻豆| 国产一级毛片七仙女欲春2| 成年女人永久免费观看视频| 欧美中文日本在线观看视频| 久久国产精品影院| 亚洲熟妇熟女久久| 久久精品国产99精品国产亚洲性色| 在线a可以看的网站| 亚洲精品国产精品久久久不卡| 少妇的丰满在线观看| 麻豆成人av在线观看| 久久香蕉国产精品| 精品久久蜜臀av无| 好男人电影高清在线观看| 中亚洲国语对白在线视频| 亚洲成av人片在线播放无| 18禁国产床啪视频网站| 91麻豆av在线| 99视频精品全部免费 在线 | 欧美中文综合在线视频| 伊人久久大香线蕉亚洲五| 在线观看午夜福利视频| 免费在线观看日本一区| 国产精品香港三级国产av潘金莲| 真人一进一出gif抽搐免费| 欧美精品啪啪一区二区三区| 长腿黑丝高跟| 欧美丝袜亚洲另类 | 黑人操中国人逼视频| 亚洲熟妇中文字幕五十中出| 少妇人妻一区二区三区视频| 色吧在线观看| x7x7x7水蜜桃| 女同久久另类99精品国产91| 听说在线观看完整版免费高清| 法律面前人人平等表现在哪些方面| 999久久久国产精品视频| 51午夜福利影视在线观看| 国内精品久久久久精免费| 免费看a级黄色片| 免费观看的影片在线观看| 亚洲欧美日韩东京热| 国产欧美日韩精品亚洲av| 成熟少妇高潮喷水视频| ponron亚洲| 日韩高清综合在线| 欧美日本视频| 黄片小视频在线播放| 成人特级av手机在线观看| 成人亚洲精品av一区二区| 精品久久久久久,| 操出白浆在线播放| 久久香蕉精品热| 亚洲aⅴ乱码一区二区在线播放| 国产亚洲精品综合一区在线观看| 亚洲精品色激情综合| 伦理电影免费视频| 日韩免费av在线播放| 嫩草影院入口| 一本综合久久免费| 99精品欧美一区二区三区四区| 精品久久蜜臀av无| 久久久久久人人人人人| 夜夜爽天天搞| 好看av亚洲va欧美ⅴa在| 亚洲av免费在线观看| 久久久久国产一级毛片高清牌| 男人舔奶头视频| 国产亚洲av嫩草精品影院| 成人高潮视频无遮挡免费网站| 久久久国产精品麻豆| 日本三级黄在线观看| 久久人人精品亚洲av| 1024手机看黄色片| 国产精品1区2区在线观看.| 亚洲狠狠婷婷综合久久图片| 国产aⅴ精品一区二区三区波| 久久婷婷人人爽人人干人人爱| 国产v大片淫在线免费观看| av中文乱码字幕在线| 两性夫妻黄色片| 曰老女人黄片| 在线永久观看黄色视频| 人妻久久中文字幕网| 久久人人精品亚洲av| 亚洲人与动物交配视频| 999精品在线视频| 在线观看午夜福利视频| 在线国产一区二区在线| 女生性感内裤真人,穿戴方法视频| 国产精品永久免费网站| 午夜福利欧美成人| 97超级碰碰碰精品色视频在线观看| 亚洲精品在线观看二区| 高清毛片免费观看视频网站| 一二三四在线观看免费中文在| 免费观看人在逋| 黑人操中国人逼视频| 亚洲av日韩精品久久久久久密| 久久久久久久久免费视频了| 午夜a级毛片| 特大巨黑吊av在线直播| 人人妻人人澡欧美一区二区| 在线观看日韩欧美| 动漫黄色视频在线观看| 色精品久久人妻99蜜桃| www日本在线高清视频| 舔av片在线| 国产激情欧美一区二区| www.999成人在线观看| av黄色大香蕉| 精品国产三级普通话版| www国产在线视频色| av中文乱码字幕在线| 可以在线观看的亚洲视频| 日本黄大片高清| 午夜福利视频1000在线观看| 又紧又爽又黄一区二区| 91久久精品国产一区二区成人 | 亚洲av第一区精品v没综合| 9191精品国产免费久久| 哪里可以看免费的av片| 最近最新中文字幕大全电影3| 色综合亚洲欧美另类图片| 亚洲男人的天堂狠狠| 午夜福利欧美成人| 成年女人毛片免费观看观看9| 亚洲精品一区av在线观看| 亚洲人成伊人成综合网2020| 成人国产一区最新在线观看| 在线观看免费午夜福利视频| 伊人久久大香线蕉亚洲五| 一本一本综合久久| 国产乱人视频| 桃色一区二区三区在线观看| 丁香欧美五月| 最新在线观看一区二区三区| 午夜福利在线在线| www国产在线视频色| 久久香蕉国产精品| 国产v大片淫在线免费观看| 久久欧美精品欧美久久欧美| 很黄的视频免费| av天堂在线播放| 久久久久性生活片| 国产av在哪里看| 91麻豆av在线| 日韩 欧美 亚洲 中文字幕| 亚洲成a人片在线一区二区| www.自偷自拍.com| 18禁黄网站禁片午夜丰满| 日韩人妻高清精品专区| 老司机午夜十八禁免费视频| 欧美日本亚洲视频在线播放| 久久久久性生活片| 最好的美女福利视频网| 久久久久国产一级毛片高清牌| av欧美777| 观看免费一级毛片| 亚洲av免费在线观看| 国产探花在线观看一区二区| 熟女电影av网| 亚洲熟妇熟女久久| 天堂av国产一区二区熟女人妻| 天天添夜夜摸| 搡老熟女国产l中国老女人| 亚洲无线在线观看| 久久久久久久久中文| 国产欧美日韩精品亚洲av| 色综合婷婷激情| 香蕉丝袜av| 757午夜福利合集在线观看| 高清毛片免费观看视频网站| 亚洲 欧美 日韩 在线 免费| 男人和女人高潮做爰伦理| 亚洲电影在线观看av| 国产麻豆成人av免费视频| 欧美日本亚洲视频在线播放| 亚洲人成伊人成综合网2020| 久久人人精品亚洲av| 法律面前人人平等表现在哪些方面| 99精品欧美一区二区三区四区| 啦啦啦韩国在线观看视频| or卡值多少钱| 国产毛片a区久久久久| 国模一区二区三区四区视频 | 久久久久久国产a免费观看| 亚洲av片天天在线观看| а√天堂www在线а√下载| 国语自产精品视频在线第100页|