• <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)

    韩国av在线不卡| 亚洲人与动物交配视频| av卡一久久| av在线蜜桃| 亚洲电影在线观看av| 不卡视频在线观看欧美| 亚洲人成网站在线观看播放| 欧美日本视频| ponron亚洲| 精品午夜福利在线看| 女人十人毛片免费观看3o分钟| 国产亚洲一区二区精品| 亚洲欧美成人精品一区二区| 亚洲欧美成人精品一区二区| av天堂中文字幕网| 国产精品一及| 一区二区三区乱码不卡18| 一区二区三区免费毛片| 色综合站精品国产| 国产精品一区二区三区四区久久| 国产视频首页在线观看| 欧美性猛交╳xxx乱大交人| 国产精品一区www在线观看| 九九爱精品视频在线观看| 国产精品99久久久久久久久| 亚洲精品日韩av片在线观看| 中国国产av一级| 国产片特级美女逼逼视频| 国产乱人偷精品视频| 小蜜桃在线观看免费完整版高清| 国产亚洲精品av在线| 亚洲人成网站在线观看播放| 天堂av国产一区二区熟女人妻| 高清在线视频一区二区三区| 亚洲av中文字字幕乱码综合| 亚洲欧美日韩东京热| 亚洲av国产av综合av卡| 国产视频首页在线观看| 亚洲av不卡在线观看| 一个人看视频在线观看www免费| 汤姆久久久久久久影院中文字幕 | 两个人视频免费观看高清| 国产69精品久久久久777片| 国产午夜精品一二区理论片| 中文欧美无线码| 最近视频中文字幕2019在线8| 最近的中文字幕免费完整| 国产淫语在线视频| 中文字幕av成人在线电影| 国产亚洲午夜精品一区二区久久 | 精品国内亚洲2022精品成人| 天堂中文最新版在线下载 | 国产av不卡久久| 丰满少妇做爰视频| 亚洲精品一区蜜桃| h日本视频在线播放| 精品国产三级普通话版| 高清欧美精品videossex| 国产乱人偷精品视频| 国产老妇女一区| 久久精品国产亚洲网站| 真实男女啪啪啪动态图| 精品国产露脸久久av麻豆 | 女的被弄到高潮叫床怎么办| 国产精品1区2区在线观看.| 日韩制服骚丝袜av| 久久久久网色| 啦啦啦啦在线视频资源| 极品教师在线视频| 欧美最新免费一区二区三区| 亚洲精品一二三| 成人亚洲欧美一区二区av| 天堂中文最新版在线下载 | 亚洲在线自拍视频| 亚洲成人av在线免费| 久久精品夜夜夜夜夜久久蜜豆| 精品一区在线观看国产| 亚洲高清免费不卡视频| 免费看日本二区| 免费看不卡的av| 日韩人妻高清精品专区| 床上黄色一级片| 久久久色成人| av线在线观看网站| 小蜜桃在线观看免费完整版高清| 久久精品熟女亚洲av麻豆精品 | 少妇高潮的动态图| 一区二区三区高清视频在线| 久久99蜜桃精品久久| 男女下面进入的视频免费午夜| 毛片一级片免费看久久久久| 又黄又爽又刺激的免费视频.| 人妻夜夜爽99麻豆av| 精品久久国产蜜桃| 国产v大片淫在线免费观看| 久久鲁丝午夜福利片| 久久精品国产自在天天线| 天美传媒精品一区二区| 男人爽女人下面视频在线观看| 男插女下体视频免费在线播放| 久久久久性生活片| 国产综合懂色| 国产伦在线观看视频一区| 午夜福利在线观看免费完整高清在| 2021天堂中文幕一二区在线观| 久久久久精品久久久久真实原创| 色哟哟·www| 18禁裸乳无遮挡免费网站照片| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 又爽又黄a免费视频| 可以在线观看毛片的网站| 国产伦一二天堂av在线观看| 黄色日韩在线| 久久久成人免费电影| 国产在视频线精品| 国产精品不卡视频一区二区| 久久精品国产自在天天线| av国产久精品久网站免费入址| 干丝袜人妻中文字幕| 色综合色国产| 亚洲内射少妇av| 国产乱来视频区| 伦精品一区二区三区| 男人舔女人下体高潮全视频| 亚洲欧美清纯卡通| 日韩成人伦理影院| 国产成人91sexporn| 在现免费观看毛片| 爱豆传媒免费全集在线观看| 免费黄色在线免费观看| 国产成人freesex在线| 日韩伦理黄色片| 一区二区三区乱码不卡18| 久久精品熟女亚洲av麻豆精品 | videossex国产| 日本三级黄在线观看| 伦精品一区二区三区| 中文天堂在线官网| 亚洲熟女精品中文字幕| 午夜激情久久久久久久| 欧美激情在线99| 亚洲国产精品成人久久小说| 国产亚洲av片在线观看秒播厂 | 色网站视频免费| 亚洲av中文av极速乱| 亚洲av男天堂| 国产精品爽爽va在线观看网站| 一本久久精品| 99热这里只有精品一区| 亚洲性久久影院| 婷婷六月久久综合丁香| 人妻系列 视频| 国内精品一区二区在线观看| 国产成人精品婷婷| 女的被弄到高潮叫床怎么办| 国产乱人视频| 午夜福利在线观看吧| 中文字幕久久专区| 日韩中字成人| 精品一区二区三区视频在线| 日韩,欧美,国产一区二区三区| 最近最新中文字幕免费大全7| 欧美xxxx性猛交bbbb| 久久鲁丝午夜福利片| 国产 亚洲一区二区三区 | 中文乱码字字幕精品一区二区三区 | 两个人的视频大全免费| 国产免费视频播放在线视频 | 亚洲av电影在线观看一区二区三区 | 乱码一卡2卡4卡精品| 一区二区三区高清视频在线| 亚洲高清免费不卡视频| 久久久欧美国产精品| 国产不卡一卡二| 国内精品宾馆在线| 国产一区二区三区综合在线观看 | 亚洲美女搞黄在线观看| 成年免费大片在线观看| 免费黄网站久久成人精品| 又爽又黄a免费视频| 久久久久免费精品人妻一区二区| 久久久亚洲精品成人影院| a级毛片免费高清观看在线播放| 男人狂女人下面高潮的视频| 久久久久久九九精品二区国产| 搡老妇女老女人老熟妇| 欧美潮喷喷水| eeuss影院久久| 男人和女人高潮做爰伦理| 中国美白少妇内射xxxbb| 亚洲伊人久久精品综合| 国产亚洲一区二区精品| 国产女主播在线喷水免费视频网站 | 天堂影院成人在线观看| 中文欧美无线码| 春色校园在线视频观看| 高清视频免费观看一区二区 | 国产午夜精品一二区理论片| 黑人高潮一二区| 免费看av在线观看网站| 国产女主播在线喷水免费视频网站 | 午夜免费观看性视频| 亚洲精品久久久久久婷婷小说| 国产精品久久视频播放| 精品少妇黑人巨大在线播放| 国产精品三级大全| 国产色爽女视频免费观看| 亚洲av中文av极速乱| 久久午夜福利片| 欧美高清成人免费视频www| 日本wwww免费看| 亚洲欧美一区二区三区国产| av.在线天堂| 舔av片在线| 尤物成人国产欧美一区二区三区| 日本色播在线视频| 午夜激情欧美在线| 天堂中文最新版在线下载 | 99久久精品国产国产毛片| 中国美白少妇内射xxxbb| 色吧在线观看| 男人狂女人下面高潮的视频| 亚洲av中文av极速乱| 亚洲国产最新在线播放| 看免费成人av毛片| av一本久久久久| 亚洲国产精品国产精品| 日韩中字成人| 啦啦啦啦在线视频资源| 亚洲激情五月婷婷啪啪| 日韩亚洲欧美综合| 少妇熟女aⅴ在线视频| 国产av不卡久久| 熟妇人妻不卡中文字幕| 亚洲精品久久久久久婷婷小说| 一级毛片我不卡| 91狼人影院| 亚洲av福利一区| 国产精品蜜桃在线观看| 日韩av在线免费看完整版不卡| 午夜福利在线观看吧| 尾随美女入室| 色综合站精品国产| 国产淫语在线视频| 黑人高潮一二区| 亚洲av不卡在线观看| 成人毛片a级毛片在线播放| 毛片一级片免费看久久久久| 国产一区二区三区综合在线观看 | 精品午夜福利在线看| 久久久久久久国产电影| 91狼人影院| 天堂√8在线中文| 99热这里只有精品一区| 91久久精品电影网| 淫秽高清视频在线观看| 男人狂女人下面高潮的视频| 亚洲人成网站在线观看播放| 亚洲国产精品sss在线观看| 成人午夜高清在线视频| 亚洲精品国产av蜜桃| 国产成人午夜福利电影在线观看| 在线a可以看的网站| 久久久成人免费电影| 最近手机中文字幕大全| 国产成人精品一,二区| 日日啪夜夜撸| 日韩 亚洲 欧美在线| 三级男女做爰猛烈吃奶摸视频| 青春草亚洲视频在线观看| 欧美97在线视频| 九九久久精品国产亚洲av麻豆| 色视频www国产| 精品不卡国产一区二区三区| 91精品伊人久久大香线蕉| 亚洲国产日韩欧美精品在线观看| 久久精品综合一区二区三区| 国产高清三级在线| 久久久久久久久大av| 国产v大片淫在线免费观看| 亚洲精品乱码久久久久久按摩| 男插女下体视频免费在线播放| 国产成人freesex在线| 精品一区在线观看国产| 亚洲av中文字字幕乱码综合| 有码 亚洲区| 最近最新中文字幕大全电影3| 日韩伦理黄色片| 色视频www国产| 日韩人妻高清精品专区| 水蜜桃什么品种好| 国产爱豆传媒在线观看| 亚洲国产色片| 国产有黄有色有爽视频| 国产在视频线精品| 国产精品久久久久久久电影| 国产精品久久久久久av不卡| 熟妇人妻久久中文字幕3abv| 欧美另类一区| 成人午夜精彩视频在线观看| 床上黄色一级片| 国产精品麻豆人妻色哟哟久久 | 成人欧美大片| 少妇的逼好多水| 又黄又爽又刺激的免费视频.| 亚洲国产av新网站| 欧美高清性xxxxhd video| 只有这里有精品99| 国产精品国产三级国产专区5o| 男的添女的下面高潮视频| 午夜福利视频1000在线观看| 免费观看av网站的网址| 春色校园在线视频观看| av.在线天堂| 欧美日韩国产mv在线观看视频 | 久久精品国产亚洲av涩爱| 噜噜噜噜噜久久久久久91| 日韩视频在线欧美| 一边亲一边摸免费视频| 国产免费又黄又爽又色| 亚洲av免费在线观看| 天堂影院成人在线观看| 色吧在线观看| 欧美极品一区二区三区四区| 两个人的视频大全免费| 国精品久久久久久国模美| av线在线观看网站| 亚洲成色77777| 一级毛片 在线播放| 国产精品一区www在线观看| 亚洲精华国产精华液的使用体验| 成人毛片a级毛片在线播放| 免费观看精品视频网站| 黄色配什么色好看| 色综合亚洲欧美另类图片| 91在线精品国自产拍蜜月| 在线免费观看不下载黄p国产| 亚洲精品一二三| 亚洲av中文av极速乱| 在线观看免费高清a一片| 国产日韩欧美在线精品| 少妇人妻一区二区三区视频| 大片免费播放器 马上看| 色综合站精品国产| 99久国产av精品| 九草在线视频观看| 一级片'在线观看视频| 免费看av在线观看网站| 欧美三级亚洲精品| 日本-黄色视频高清免费观看| 国产成年人精品一区二区| 91精品国产九色| 国产探花极品一区二区| 国产极品天堂在线| 精品久久久精品久久久| 国产成人一区二区在线| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 亚洲伊人久久精品综合| 一级黄片播放器| 免费观看在线日韩| 视频中文字幕在线观看| 国产高清三级在线| 亚洲欧美日韩无卡精品| 国产高清有码在线观看视频| 亚洲天堂国产精品一区在线| 欧美日本视频| 欧美日韩精品成人综合77777| 精品人妻熟女av久视频| 内射极品少妇av片p| 国产亚洲最大av| 国产欧美日韩精品一区二区| 搡老乐熟女国产| 亚洲国产日韩欧美精品在线观看| 天美传媒精品一区二区| 伦理电影大哥的女人| 丝袜美腿在线中文| 免费av不卡在线播放| 成人无遮挡网站| 国产熟女欧美一区二区| 麻豆成人午夜福利视频| 亚洲精品亚洲一区二区| 婷婷色av中文字幕| 男女下面进入的视频免费午夜| 成年av动漫网址| 亚洲av成人精品一二三区| 久久精品国产鲁丝片午夜精品| 亚洲综合色惰| 日韩视频在线欧美| 国产亚洲最大av| 久久久久免费精品人妻一区二区| 成人午夜高清在线视频| 国产老妇女一区| 国产亚洲av嫩草精品影院| 国产精品一区二区性色av| 男人爽女人下面视频在线观看| 国产精品综合久久久久久久免费| a级毛色黄片| 久久99蜜桃精品久久| 嘟嘟电影网在线观看| 国产不卡一卡二| 欧美成人午夜免费资源| 国产欧美另类精品又又久久亚洲欧美| 成年女人在线观看亚洲视频 | 免费在线观看成人毛片| 日本午夜av视频| 高清毛片免费看| 99热网站在线观看| 国产探花在线观看一区二区| 最近视频中文字幕2019在线8| 搞女人的毛片| 国产av国产精品国产| 三级经典国产精品| 国产亚洲av嫩草精品影院| 国产女主播在线喷水免费视频网站 | 亚洲成人av在线免费| 亚洲精品国产av成人精品| 你懂的网址亚洲精品在线观看| 国产老妇伦熟女老妇高清| 久久久亚洲精品成人影院| 国产精品一二三区在线看| 美女大奶头视频| 狠狠精品人妻久久久久久综合| 免费av毛片视频| 十八禁国产超污无遮挡网站| 一级毛片电影观看| 亚洲最大成人中文| 一本久久精品| 男女啪啪激烈高潮av片| 一级av片app| 热99在线观看视频| 国产在视频线在精品| 国产欧美另类精品又又久久亚洲欧美| 久久久久久久久中文| 日韩成人av中文字幕在线观看| 成年版毛片免费区| 亚洲四区av| 国产永久视频网站| 久久草成人影院| 亚洲怡红院男人天堂| 国产成人精品一,二区| 国国产精品蜜臀av免费| 内射极品少妇av片p| 美女内射精品一级片tv| 国产精品一区二区性色av| 秋霞在线观看毛片| 国产不卡一卡二| 在线观看人妻少妇| 亚洲国产欧美人成| 少妇熟女aⅴ在线视频| 日韩欧美精品免费久久| 免费观看在线日韩| 日韩一区二区三区影片| 婷婷六月久久综合丁香| 国产淫语在线视频| 天美传媒精品一区二区| 国产熟女欧美一区二区| 亚洲精品第二区| eeuss影院久久| 老女人水多毛片| 亚洲国产欧美人成| 看免费成人av毛片| 国内精品宾馆在线| 久久99热这里只有精品18| 国产高清三级在线| 亚洲最大成人av| 少妇高潮的动态图| 亚洲精品日本国产第一区| 亚洲真实伦在线观看| 精品久久久久久成人av| 乱码一卡2卡4卡精品| 特级一级黄色大片| 欧美性猛交╳xxx乱大交人| 中国美白少妇内射xxxbb| 一个人免费在线观看电影| 久久久久久久久中文| 亚洲av福利一区| av黄色大香蕉| 又大又黄又爽视频免费| 中文字幕制服av| 精品久久久久久久久亚洲| 蜜桃亚洲精品一区二区三区| 午夜日本视频在线| 免费黄色在线免费观看| 午夜日本视频在线| 久久精品久久久久久久性| 婷婷色麻豆天堂久久| 人妻系列 视频| 午夜福利在线在线| 99久国产av精品国产电影| 日本免费在线观看一区| 日日摸夜夜添夜夜爱| 人妻制服诱惑在线中文字幕| 天美传媒精品一区二区| 少妇熟女aⅴ在线视频| 舔av片在线| 午夜视频国产福利| 国产男人的电影天堂91| 国产大屁股一区二区在线视频| 菩萨蛮人人尽说江南好唐韦庄| 又爽又黄无遮挡网站| av播播在线观看一区| 久久精品国产亚洲网站| 久久久亚洲精品成人影院| 久99久视频精品免费| 国产永久视频网站| 国产黄色视频一区二区在线观看| 久久久久久九九精品二区国产| 乱系列少妇在线播放| 午夜福利高清视频| 人妻少妇偷人精品九色| 免费看a级黄色片| 色尼玛亚洲综合影院| 久久精品综合一区二区三区| 三级经典国产精品| 国产麻豆成人av免费视频| 少妇被粗大猛烈的视频| 欧美潮喷喷水| 午夜福利视频精品| 男的添女的下面高潮视频| 国产精品蜜桃在线观看| 久久久国产一区二区| 亚洲最大成人中文| av女优亚洲男人天堂| 3wmmmm亚洲av在线观看| 国产淫语在线视频| 日韩av在线大香蕉| 久久久亚洲精品成人影院| 18禁动态无遮挡网站| 亚洲av福利一区| 国产一区二区三区综合在线观看 | 97超视频在线观看视频| 亚洲性久久影院| 禁无遮挡网站| 街头女战士在线观看网站| 精品久久久久久久久久久久久| 激情五月婷婷亚洲| 色网站视频免费| 人妻系列 视频| 高清日韩中文字幕在线| 国产午夜精品论理片| 久久久久九九精品影院| 欧美日韩在线观看h| 亚洲在线观看片| 嫩草影院新地址| av在线蜜桃| 狠狠精品人妻久久久久久综合| 有码 亚洲区| 久久久久久久久久久免费av| 在线免费观看不下载黄p国产| 精品久久久久久电影网| 日韩在线高清观看一区二区三区| 亚洲综合精品二区| 国产午夜精品久久久久久一区二区三区| 国产高清三级在线| 91在线精品国自产拍蜜月| 亚洲精品aⅴ在线观看| 女的被弄到高潮叫床怎么办| 精品久久国产蜜桃| av天堂中文字幕网| 日本黄色片子视频| 国产亚洲91精品色在线| 女人久久www免费人成看片| 51国产日韩欧美| 精品久久久久久电影网| 日韩成人伦理影院| 午夜精品在线福利| 久久久久精品久久久久真实原创| 中文字幕av在线有码专区| 性色avwww在线观看| 街头女战士在线观看网站| 午夜精品一区二区三区免费看| 欧美zozozo另类| 日韩av在线免费看完整版不卡| 日韩欧美国产在线观看| 午夜亚洲福利在线播放| 亚洲精品aⅴ在线观看| 丝瓜视频免费看黄片| 精品一区在线观看国产| 肉色欧美久久久久久久蜜桃 | 99久久九九国产精品国产免费| 亚洲成人久久爱视频| 亚洲伊人久久精品综合| 久久久久久久久久成人| 久久久久精品性色| 亚洲国产精品专区欧美| 国产精品99久久久久久久久| 国产精品久久久久久精品电影小说 | 十八禁网站网址无遮挡 | 日本午夜av视频| 日韩欧美一区视频在线观看 | 亚洲成人av在线免费| 成人鲁丝片一二三区免费| 午夜激情久久久久久久| 波野结衣二区三区在线| 女人被狂操c到高潮| 日本猛色少妇xxxxx猛交久久| 亚洲成人av在线免费| 国产一级毛片在线| 色综合站精品国产| 亚洲国产高清在线一区二区三| 欧美3d第一页| 男女边吃奶边做爰视频| 国产老妇女一区| 欧美成人精品欧美一级黄| 久久久久久国产a免费观看| 一级毛片黄色毛片免费观看视频| 嘟嘟电影网在线观看| 久久久精品94久久精品| 夜夜看夜夜爽夜夜摸| 亚洲av不卡在线观看| 嫩草影院精品99| 国产免费一级a男人的天堂| 99久久人妻综合| 校园人妻丝袜中文字幕| 在线观看av片永久免费下载|