• <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)

    日本91视频免费播放| videosex国产| 91麻豆av在线| 国产主播在线观看一区二区| 亚洲专区字幕在线| 亚洲国产av影院在线观看| 亚洲一区二区三区欧美精品| 99久久国产精品久久久| 两人在一起打扑克的视频| 女人精品久久久久毛片| av天堂久久9| 日日夜夜操网爽| 午夜日韩欧美国产| 老熟妇乱子伦视频在线观看 | 亚洲天堂av无毛| 免费在线观看黄色视频的| 操美女的视频在线观看| 久久久久久久久免费视频了| 真人做人爱边吃奶动态| 亚洲精品成人av观看孕妇| 老熟妇仑乱视频hdxx| 亚洲成人免费电影在线观看| 欧美精品高潮呻吟av久久| 欧美黑人精品巨大| 高清视频免费观看一区二区| 国产精品久久久久久人妻精品电影 | 国产在线一区二区三区精| 亚洲国产精品999| 最近最新免费中文字幕在线| 久久国产精品人妻蜜桃| 蜜桃国产av成人99| 亚洲精品国产精品久久久不卡| 国产精品成人在线| 久久青草综合色| 不卡一级毛片| 国产精品九九99| 成年人黄色毛片网站| 亚洲欧洲精品一区二区精品久久久| 色老头精品视频在线观看| 国产又爽黄色视频| 亚洲精品中文字幕一二三四区 | 美国免费a级毛片| 亚洲av成人不卡在线观看播放网 | 热99国产精品久久久久久7| 十八禁高潮呻吟视频| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲九九香蕉| 国产精品亚洲av一区麻豆| 精品高清国产在线一区| 乱人伦中国视频| 国产在线视频一区二区| 亚洲国产av影院在线观看| 亚洲色图综合在线观看| 亚洲全国av大片| 日韩三级视频一区二区三区| 亚洲熟女精品中文字幕| netflix在线观看网站| 久久人人97超碰香蕉20202| 国产在线免费精品| 操美女的视频在线观看| 午夜激情av网站| 日韩精品免费视频一区二区三区| 在线观看免费日韩欧美大片| 窝窝影院91人妻| 国产成人欧美| 亚洲久久久国产精品| 成人手机av| 久久影院123| 国产日韩欧美视频二区| 蜜桃在线观看..| 18在线观看网站| 精品第一国产精品| 天天躁夜夜躁狠狠躁躁| 香蕉丝袜av| 首页视频小说图片口味搜索| 亚洲专区字幕在线| 国产精品久久久人人做人人爽| 一级片免费观看大全| 黑人猛操日本美女一级片| 水蜜桃什么品种好| 男女床上黄色一级片免费看| 性少妇av在线| 久久久久网色| 欧美黑人精品巨大| 波多野结衣一区麻豆| 脱女人内裤的视频| 97在线人人人人妻| 交换朋友夫妻互换小说| 人人澡人人妻人| 婷婷色av中文字幕| 视频区欧美日本亚洲| 久久久精品国产亚洲av高清涩受| 老司机深夜福利视频在线观看 | 欧美久久黑人一区二区| 国产精品免费视频内射| www.999成人在线观看| 波多野结衣一区麻豆| 国产成人免费无遮挡视频| 国产欧美日韩一区二区三区在线| 中文字幕人妻丝袜制服| √禁漫天堂资源中文www| 久久久久国产精品人妻一区二区| 精品少妇黑人巨大在线播放| 亚洲人成电影免费在线| 一本大道久久a久久精品| 天天影视国产精品| 一级,二级,三级黄色视频| 亚洲国产精品一区三区| 99久久人妻综合| 丝袜美腿诱惑在线| 国产精品 欧美亚洲| 一边摸一边做爽爽视频免费| 精品少妇黑人巨大在线播放| 99热网站在线观看| 亚洲午夜精品一区,二区,三区| 国产精品99久久99久久久不卡| 久久精品熟女亚洲av麻豆精品| 国产一区二区三区综合在线观看| 国产熟女午夜一区二区三区| 日韩免费高清中文字幕av| 国产在线观看jvid| 超色免费av| 高潮久久久久久久久久久不卡| 少妇粗大呻吟视频| 天天添夜夜摸| 法律面前人人平等表现在哪些方面 | 久久人妻熟女aⅴ| 亚洲综合色网址| 国产精品1区2区在线观看. | 老司机靠b影院| av有码第一页| 亚洲成国产人片在线观看| 777久久人妻少妇嫩草av网站| 久久久欧美国产精品| 成人手机av| 99国产精品99久久久久| 久久精品熟女亚洲av麻豆精品| 十八禁人妻一区二区| 久久久久久久精品精品| tube8黄色片| av网站免费在线观看视频| 久久影院123| 久久久久久久国产电影| 欧美激情高清一区二区三区| 日本猛色少妇xxxxx猛交久久| 秋霞在线观看毛片| 俄罗斯特黄特色一大片| 青春草亚洲视频在线观看| 12—13女人毛片做爰片一| 亚洲人成77777在线视频| 久久久久视频综合| 热re99久久精品国产66热6| 国产一区二区激情短视频 | 国产真人三级小视频在线观看| 亚洲av欧美aⅴ国产| 中国美女看黄片| 啦啦啦中文免费视频观看日本| 12—13女人毛片做爰片一| 国产男女超爽视频在线观看| 男女国产视频网站| 欧美成人午夜精品| 国产欧美亚洲国产| 两人在一起打扑克的视频| 免费日韩欧美在线观看| 高清视频免费观看一区二区| 一级片'在线观看视频| 麻豆乱淫一区二区| 叶爱在线成人免费视频播放| 亚洲情色 制服丝袜| 国产精品影院久久| av网站免费在线观看视频| 国产99久久九九免费精品| av在线app专区| cao死你这个sao货| 少妇猛男粗大的猛烈进出视频| 亚洲国产毛片av蜜桃av| 日韩有码中文字幕| 麻豆乱淫一区二区| 亚洲欧美精品自产自拍| 国产av国产精品国产| 在线观看人妻少妇| 中文欧美无线码| 精品卡一卡二卡四卡免费| 美女午夜性视频免费| 国产精品偷伦视频观看了| 亚洲成人手机| 亚洲成人国产一区在线观看| 婷婷丁香在线五月| 久久久久久久国产电影| 国产成人影院久久av| 少妇猛男粗大的猛烈进出视频| 男人添女人高潮全过程视频| 欧美日韩福利视频一区二区| 国产精品1区2区在线观看. | 女人高潮潮喷娇喘18禁视频| 久久精品亚洲av国产电影网| 欧美 亚洲 国产 日韩一| 91麻豆精品激情在线观看国产 | 久久精品熟女亚洲av麻豆精品| 久9热在线精品视频| 老司机深夜福利视频在线观看 | 91九色精品人成在线观看| 欧美黑人精品巨大| 一本—道久久a久久精品蜜桃钙片| 97精品久久久久久久久久精品| 91成年电影在线观看| 国产激情久久老熟女| 国产一级毛片在线| 电影成人av| 国产成人a∨麻豆精品| 精品视频人人做人人爽| 亚洲伊人久久精品综合| 国产日韩欧美视频二区| 人成视频在线观看免费观看| 大片免费播放器 马上看| 午夜福利乱码中文字幕| 性少妇av在线| 女人被躁到高潮嗷嗷叫费观| 亚洲精品久久久久久婷婷小说| 在线观看舔阴道视频| 黄片小视频在线播放| 日韩大片免费观看网站| 亚洲 国产 在线| 亚洲av欧美aⅴ国产| 午夜福利视频精品| 午夜福利一区二区在线看| 精品国产一区二区久久| 亚洲精品在线美女| 久久久久久久久久久久大奶| netflix在线观看网站| a级片在线免费高清观看视频| 精品久久久久久电影网| 丝袜在线中文字幕| 在线看a的网站| 精品国内亚洲2022精品成人 | 国产精品99久久99久久久不卡| 国产免费现黄频在线看| 看免费av毛片| 久久天堂一区二区三区四区| 亚洲第一欧美日韩一区二区三区 | 无遮挡黄片免费观看| 亚洲色图 男人天堂 中文字幕| 国产老妇伦熟女老妇高清| 老汉色av国产亚洲站长工具| 日本猛色少妇xxxxx猛交久久| 韩国精品一区二区三区| 最黄视频免费看| 亚洲国产精品成人久久小说| 久久中文字幕一级| 99久久综合免费| 人妻一区二区av| 午夜激情久久久久久久| 国产亚洲精品第一综合不卡| 黄色片一级片一级黄色片| 亚洲欧美精品综合一区二区三区| 国产伦人伦偷精品视频| 国产成人精品久久二区二区免费| 99国产精品免费福利视频| 美女扒开内裤让男人捅视频| 搡老岳熟女国产| 69精品国产乱码久久久| 亚洲中文字幕日韩| 母亲3免费完整高清在线观看| 亚洲av片天天在线观看| 99re6热这里在线精品视频| 成人三级做爰电影| 国产在线观看jvid| 日韩一卡2卡3卡4卡2021年| 亚洲精品在线美女| 最近最新免费中文字幕在线| 曰老女人黄片| 男女之事视频高清在线观看| 99久久99久久久精品蜜桃| 欧美老熟妇乱子伦牲交| 法律面前人人平等表现在哪些方面 | 香蕉国产在线看| 岛国在线观看网站| 亚洲欧美一区二区三区黑人| 欧美日韩国产mv在线观看视频| 久久av网站| 国产成人啪精品午夜网站| av天堂在线播放| 青草久久国产| 少妇 在线观看| 中文字幕人妻丝袜制服| 一本久久精品| 午夜福利在线免费观看网站| 丁香六月欧美| 黄色视频不卡| 日本av手机在线免费观看| 欧美97在线视频| 操美女的视频在线观看| 女人被躁到高潮嗷嗷叫费观| 免费观看a级毛片全部| 9热在线视频观看99| 天天添夜夜摸| 在线观看舔阴道视频| 日韩三级视频一区二区三区| 精品国内亚洲2022精品成人 | 久久国产精品影院| 国产精品久久久久久人妻精品电影 | 欧美激情久久久久久爽电影 | 夜夜夜夜夜久久久久| 黄色 视频免费看| 中国美女看黄片| 亚洲一区中文字幕在线| 大型av网站在线播放| xxxhd国产人妻xxx| 美女中出高潮动态图| 女人精品久久久久毛片| 国产亚洲精品第一综合不卡| 国产区一区二久久| 亚洲专区中文字幕在线| 99香蕉大伊视频| 日韩中文字幕欧美一区二区| 亚洲av国产av综合av卡| 国产视频一区二区在线看| 满18在线观看网站| 亚洲va日本ⅴa欧美va伊人久久 | 丝袜美足系列| av有码第一页| 热re99久久国产66热| 啦啦啦 在线观看视频| 91大片在线观看| 精品视频人人做人人爽| 色综合欧美亚洲国产小说| 99国产极品粉嫩在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久久久久大尺度免费视频| 亚洲人成电影观看| a 毛片基地| 91av网站免费观看| 搡老熟女国产l中国老女人| 国产在线免费精品| 中文字幕高清在线视频| 日韩视频一区二区在线观看| 日日爽夜夜爽网站| 女性生殖器流出的白浆| 99久久99久久久精品蜜桃| 五月开心婷婷网| 一级毛片女人18水好多| 国产欧美日韩精品亚洲av| 欧美大码av| 久热这里只有精品99| 欧美另类亚洲清纯唯美| 一区福利在线观看| www.精华液| 欧美97在线视频| 老司机福利观看| 亚洲国产毛片av蜜桃av| av网站在线播放免费| 欧美在线黄色| 2018国产大陆天天弄谢| 在线观看免费视频网站a站| 成年女人毛片免费观看观看9 | 人妻人人澡人人爽人人| 叶爱在线成人免费视频播放| 不卡av一区二区三区| 丝袜美腿诱惑在线| 一区二区三区乱码不卡18| 俄罗斯特黄特色一大片| 久久精品亚洲熟妇少妇任你| 欧美精品一区二区大全| 97人妻天天添夜夜摸| 最近最新中文字幕大全免费视频| 女性被躁到高潮视频| 最近最新中文字幕大全免费视频| 老司机在亚洲福利影院| 最新的欧美精品一区二区| 国产亚洲av高清不卡| 色精品久久人妻99蜜桃| 黑人巨大精品欧美一区二区mp4| 香蕉丝袜av| 高清欧美精品videossex| 欧美日韩亚洲综合一区二区三区_| 黄色毛片三级朝国网站| 美女高潮喷水抽搐中文字幕| 黄色怎么调成土黄色| 欧美激情 高清一区二区三区| av一本久久久久| 国产不卡av网站在线观看| 欧美日韩亚洲国产一区二区在线观看 | 夫妻午夜视频| 久久久欧美国产精品| 高清在线国产一区| 亚洲成av片中文字幕在线观看| 色视频在线一区二区三区| 18禁国产床啪视频网站| www.熟女人妻精品国产| 在线观看免费视频网站a站| 亚洲欧洲日产国产| 久久狼人影院| 国产男人的电影天堂91| 久久精品aⅴ一区二区三区四区| 丰满人妻熟妇乱又伦精品不卡| 午夜福利一区二区在线看| 欧美另类亚洲清纯唯美| 久热这里只有精品99| 18禁裸乳无遮挡动漫免费视频| 91成人精品电影| 精品国产一区二区久久| 亚洲成人免费av在线播放| 日韩制服骚丝袜av| av线在线观看网站| av片东京热男人的天堂| 精品视频人人做人人爽| 亚洲国产精品一区三区| 大香蕉久久网| 咕卡用的链子| 少妇裸体淫交视频免费看高清 | 亚洲国产毛片av蜜桃av| 国产精品免费大片| 亚洲视频免费观看视频| 国产成人av激情在线播放| 国产欧美亚洲国产| 国产亚洲精品一区二区www | 老司机影院毛片| 午夜日韩欧美国产| 国产免费福利视频在线观看| 亚洲精品成人av观看孕妇| 国产色视频综合| 纯流量卡能插随身wifi吗| 如日韩欧美国产精品一区二区三区| 国产亚洲av高清不卡| 如日韩欧美国产精品一区二区三区| 久久久久久久大尺度免费视频| 亚洲国产av影院在线观看| tube8黄色片| 国产成人啪精品午夜网站| 宅男免费午夜| 国精品久久久久久国模美| 亚洲av电影在线进入| 国产亚洲精品一区二区www | 免费高清在线观看日韩| 热99国产精品久久久久久7| av超薄肉色丝袜交足视频| 一区二区三区激情视频| 午夜老司机福利片| 美女午夜性视频免费| 伦理电影免费视频| 欧美激情极品国产一区二区三区| 日韩免费高清中文字幕av| 人成视频在线观看免费观看| 动漫黄色视频在线观看| 人人妻人人澡人人看| 韩国精品一区二区三区| 国产亚洲欧美精品永久| 他把我摸到了高潮在线观看 | 国产无遮挡羞羞视频在线观看| tocl精华| 国产欧美日韩一区二区三区在线| 黄色片一级片一级黄色片| 国产亚洲av高清不卡| 老鸭窝网址在线观看| 一级黄色大片毛片| 欧美人与性动交α欧美精品济南到| 伊人久久大香线蕉亚洲五| 亚洲国产av影院在线观看| 国产一区有黄有色的免费视频| 欧美一级毛片孕妇| 日韩欧美一区二区三区在线观看 | av福利片在线| 午夜免费成人在线视频| 日韩中文字幕视频在线看片| 久热这里只有精品99| 久久久久久久久免费视频了| 91成年电影在线观看| 欧美 亚洲 国产 日韩一| 69av精品久久久久久 | 久久亚洲精品不卡| 久久久久精品国产欧美久久久 | 黑人猛操日本美女一级片| 人人妻人人爽人人添夜夜欢视频| 中文字幕av电影在线播放| 老司机影院毛片| 成年人午夜在线观看视频| 一级,二级,三级黄色视频| 亚洲精品国产区一区二| 老司机福利观看| 久久天堂一区二区三区四区| 男男h啪啪无遮挡| 成年美女黄网站色视频大全免费| 亚洲欧美精品综合一区二区三区| 欧美人与性动交α欧美精品济南到| 精品亚洲乱码少妇综合久久| www.精华液| 欧美激情 高清一区二区三区| 日日爽夜夜爽网站| 欧美激情高清一区二区三区| 一级黄色大片毛片| 日韩有码中文字幕| 国产日韩欧美在线精品| 国产成人av激情在线播放| 最近中文字幕2019免费版| 狂野欧美激情性bbbbbb| 国产成人av教育| 巨乳人妻的诱惑在线观看| 亚洲精品国产色婷婷电影| 成人免费观看视频高清| 免费在线观看视频国产中文字幕亚洲 | 亚洲精品久久午夜乱码| 国产一区二区三区在线臀色熟女 | 亚洲av国产av综合av卡| 亚洲全国av大片| 国产男人的电影天堂91| 高清视频免费观看一区二区| 天天躁日日躁夜夜躁夜夜| 男女下面插进去视频免费观看| 国产精品99久久99久久久不卡| 后天国语完整版免费观看| 在线观看www视频免费| 老司机午夜十八禁免费视频| 日韩欧美一区视频在线观看| 久久久久久久久免费视频了| 国产一区二区三区在线臀色熟女 | 久久毛片免费看一区二区三区| av国产精品久久久久影院| 美女脱内裤让男人舔精品视频| 曰老女人黄片| 亚洲一卡2卡3卡4卡5卡精品中文| 在线观看一区二区三区激情| 精品第一国产精品| 中文字幕人妻丝袜制服| 日韩中文字幕欧美一区二区| 日韩大片免费观看网站| 深夜精品福利| 久久精品亚洲熟妇少妇任你| 久9热在线精品视频| av在线老鸭窝| 黄色怎么调成土黄色| 日本a在线网址| 婷婷成人精品国产| 99热网站在线观看| 亚洲,欧美精品.| 啦啦啦在线免费观看视频4| 国产精品av久久久久免费| 97精品久久久久久久久久精品| 午夜老司机福利片| 久久毛片免费看一区二区三区| 亚洲av片天天在线观看| 一级,二级,三级黄色视频| 亚洲专区中文字幕在线| 男女高潮啪啪啪动态图| 色94色欧美一区二区| 水蜜桃什么品种好| 国产一区二区在线观看av| 久久天堂一区二区三区四区| 人妻人人澡人人爽人人| 国产一区二区三区av在线| 日本欧美视频一区| 一级毛片女人18水好多| 91av网站免费观看| 超碰成人久久| 久久99一区二区三区| 性色av一级| 精品国产一区二区久久| 亚洲成人免费av在线播放| 熟女少妇亚洲综合色aaa.| 精品一品国产午夜福利视频| 亚洲成人手机| 桃红色精品国产亚洲av| 91成人精品电影| 亚洲欧美日韩高清在线视频 | 久久久国产一区二区| 日本黄色日本黄色录像| 777久久人妻少妇嫩草av网站| 国产精品秋霞免费鲁丝片| av视频免费观看在线观看| 欧美乱码精品一区二区三区| 青草久久国产| 青春草视频在线免费观看| 亚洲 欧美一区二区三区| 大型av网站在线播放| 自线自在国产av| av天堂久久9| 天堂中文最新版在线下载| 亚洲国产成人一精品久久久| 法律面前人人平等表现在哪些方面 | 亚洲国产精品一区三区| 精品免费久久久久久久清纯 | 久热爱精品视频在线9| 精品久久久久久电影网| 高清视频免费观看一区二区| 一边摸一边抽搐一进一出视频| 国产极品粉嫩免费观看在线| 久久久精品免费免费高清| 亚洲成人手机| 成人手机av| avwww免费| 国产成人a∨麻豆精品| 桃红色精品国产亚洲av| 日韩 欧美 亚洲 中文字幕| 丝袜美足系列| 欧美成狂野欧美在线观看| 精品一区二区三卡| 亚洲国产欧美网| 国产一区二区三区av在线| 久久精品aⅴ一区二区三区四区| 亚洲欧美一区二区三区久久| 后天国语完整版免费观看| 80岁老熟妇乱子伦牲交| 国产成+人综合+亚洲专区| 成人黄色视频免费在线看| 久久精品国产亚洲av香蕉五月 | av国产精品久久久久影院| 麻豆av在线久日| 在线观看人妻少妇| 一级毛片精品| 亚洲五月婷婷丁香| 亚洲第一av免费看| 精品卡一卡二卡四卡免费| 后天国语完整版免费观看| 午夜福利一区二区在线看| 高清欧美精品videossex| 黄色片一级片一级黄色片|