• <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 ?

    圖像顯著性傳播及約束的協(xié)同顯著性檢測*

    2019-11-12 05:41:24趙悉超劉政怡
    計算機與生活 2019年11期
    關(guān)鍵詞:像素顯著性協(xié)同

    趙悉超,劉政怡,李 煒

    1.安徽大學 計算智能與信號處理教育部重點實驗室,合肥 230601

    2.安徽大學 計算機科學與技術(shù)學院,合肥 230601

    3.安徽大學 信息保障技術(shù)協(xié)同創(chuàng)新中心,合肥 230601

    1 引言

    在過去幾年中,人們一直在探索人類的視覺注意力機制,并在這一領(lǐng)域做出了很多卓著的工作。其中的顯著性檢測是使機器視覺系統(tǒng)具有這樣的能力,即自動地選擇單個圖像中的顯著區(qū)域。然而,隨著大規(guī)模的圖像數(shù)據(jù)和無處不在的互聯(lián)網(wǎng)時代的到來,使得人們的注意力從單一圖像轉(zhuǎn)移到圖像組[1]。協(xié)同顯著性檢測是突出顯示圖像組的共同的前景對象[2],它是視覺顯著性檢測的一個新分支,并且是一個具有挑戰(zhàn)性的任務,因為單個圖像中的特定顯著對象在圖像組中可能不夠突出。協(xié)同顯著區(qū)域具有兩種性質(zhì):(1)每張圖片的協(xié)同顯著區(qū)域與其周圍相比應該具有較強的局部顯著性;(2)所有的協(xié)同顯著區(qū)域應該是相似的[3]。協(xié)同顯著性檢測近年來得到了廣泛的研究與應用,例如圖像/視頻協(xié)同分割[2]、視頻興趣動作提取[4]、圖像/視頻協(xié)同定位[5]。

    協(xié)同顯著性模型從檢測一對圖像之間的協(xié)同顯著對象開始。文獻[6]利用顯著對象引起的局部結(jié)構(gòu)變化來獲得協(xié)同顯著性,從而獲得圖像對的協(xié)同顯著圖。在文獻[7]中,協(xié)同顯著性被表述為使用三個可用顯著性模型的單幅圖像顯著性圖和基于多層圖的多圖像顯著性的組合。協(xié)同顯著性檢測不限于圖像對。在文獻[8]中,使用聚類性對比線索和空間線索用于檢測協(xié)同顯著區(qū)域。Li 等人[9]將區(qū)域級融合和像素級細化相結(jié)合,以生成最終的協(xié)同顯著圖。而協(xié)同顯著性檢測方法[7-9]將協(xié)同顯著物體檢測問題轉(zhuǎn)化為圖像對顯著性傳播問題,該問題利用每對圖像之間的相似性,在一張圖像的顯著圖的指導下尋找另一張圖像中與其具有共同屬性的區(qū)域。文獻[10]通過將改進流形排序算法引入圖像顯著性檢測模型中,生成協(xié)同顯著圖。文獻[11]介紹了通過融合前景和背景先驗生成協(xié)同顯著圖的方法。Yu等人[12]提出了一種新的自下而上的方法來檢測圖像協(xié)同顯著值。當然,關(guān)于學習方法在協(xié)同顯著性檢測領(lǐng)域也取得了許多成就,如Zhang等人提出的文獻[4,11,13]分別以自適應多實例學習和深度學習進行協(xié)同顯著檢測;文獻[14]則采用端到端的群組式完全卷積網(wǎng)絡進行協(xié)同顯著性檢測;而文獻[15]則是通過結(jié)合深度學習和種子傳播方式進行協(xié)同顯著性檢測;文獻[16]將對象級和區(qū)域級處理相結(jié)合,以檢測一組圖像中的協(xié)同顯著對象;文獻[17]則是將協(xié)同顯著性檢測分解為兩個子問題,通過兩階段多視圖光譜旋轉(zhuǎn)共聚類。這些文獻都不同程度上獲得一定的效果。

    盡管上述基于種子傳播與圖模型的協(xié)同顯著性檢測方法獲得了優(yōu)異的性能,但它們有兩個主要缺點:(1)準確的種子點是模型預測的基石,然而對于處理真實世界圖像時,由于圖像組中圖像隨著光照、視角等條件變化時,容易出現(xiàn)混淆前景和背景的情況,傳統(tǒng)顯著性檢測方法不可避免地獲得不準確的顯著種子點,錯誤引導了傳播算法,限制了協(xié)同顯著性檢測的性能。(2)現(xiàn)有的方法都是模擬節(jié)點對之間的關(guān)系,忽略了多個頂點之間的高階信息,導致頂點之間的關(guān)系可能是次優(yōu)的,以及顯著性種子點在不完備的節(jié)點關(guān)系中傳播,限制了協(xié)同顯著性檢測的性能。

    為了克服這些缺點和限制,本文提出了一個基于超圖的種子點傳播的協(xié)同顯著性檢測框架,所謂超圖是有別于傳統(tǒng)的圖的構(gòu)造,圖像的邊構(gòu)造基于一定的規(guī)則,這部分內(nèi)容會在后面文章做詳解。該無監(jiān)督的檢測方法主要基于兩個人類先驗,即前景的圖像間一致性和圖像內(nèi)凸包約束性。本文的算法框架如圖1 所示。從左到右依次是:首先,不可忽視深度學習技術(shù)在顯著性檢測領(lǐng)域中的快速發(fā)展,本文利用深度學習技術(shù)獲取顯著性檢測的更加精準的顯著種子點;其次,提取每個超像素的特征以構(gòu)建超圖模型,超圖的高階信息捕獲了更全面的上下文信息,因此提高了檢測協(xié)同顯著對象的能力;然后,每張圖像通過其他n-1 張圖像對其顯著性傳播生成該圖像的協(xié)同顯著圖組,其個數(shù)為n-1 張;接著將該圖像自身的顯著圖與上述生成的協(xié)同顯著圖組經(jīng)過融合,獲得初始的結(jié)果;最后,利用圖像內(nèi)顯著性約束抑制背景,增強前景,提高協(xié)同顯著性檢測模型的性能,融合兩者的顯著圖獲得滿意的結(jié)果。本文的主要貢獻為:

    (1)提出了基于相似性的顯著性傳播方案的協(xié)同顯著性檢測,然后是精確的查詢,其帶來深層次信息以發(fā)現(xiàn)顯著圖的更高級屬性,并且將超圖建模引入到協(xié)同顯著性檢測的過程中。超圖是一種豐富的結(jié)構(gòu)化超像素圖像表示,通過它們的上下文而不是它們的個體值來建模。

    (2)基于具有興趣點的圖像內(nèi)約束來估計顯著對象的空間位置帶來的位置信息,以抑制非常見部分與真實場景中被錯誤恢復的背景。

    (3)在Cp和iCoseg基準數(shù)據(jù)集進行實驗,并與其他先進方法比較,證明了本文方法的優(yōu)勢。

    接下來在第2章中詳細介紹本文的方法,并在第3章中給出相應的實驗結(jié)果分析。

    2 本文方法

    Fig.1 Algorithm framework圖1 算法框架

    2.1 超圖構(gòu)造

    在本文提出的方法中,每個超像素充當一個頂點,構(gòu)造超圖G=(V,E,w)來表示超像素之間的高階關(guān)系,其中頂點集合定義為V,超邊集為E。

    超邊的權(quán)重是一個恒正的值,定義為W(e)。超圖的關(guān)聯(lián)矩陣H可以定義如下:

    其中,關(guān)聯(lián)矩陣H的維度為|V|×|E|,它的含義是表示頂點屬于哪個超邊,因此它可以表示頂點和超邊界之間的關(guān)系。在本文的協(xié)同顯著性超圖模型中,將每個頂點作為“質(zhì)心”,并使用基于Lab特征描述符計算的相似性距離。每個“質(zhì)心”vi依據(jù)相似性距離選擇與其連接的k個鄰近頂點vj所在的超邊ej,同時連接的權(quán)重被賦予二值化描述非1 即0,從定義可以看出,超邊的權(quán)重w(ei)恒為常數(shù)k。依據(jù)關(guān)聯(lián)矩陣,如下公式將定義每個頂點的度d(v)和超邊的度δ(e)為:

    設D(v)、D(e)、V分別代表頂點度矩陣、超邊度矩陣以及超邊權(quán)重。傳統(tǒng)的圖模型(成對節(jié)點表示)是超圖模型的一種特列,當超圖模型中每個超邊僅含有兩個節(jié)點時就是傳統(tǒng)的圖模型。圖2 展示了超圖模型的一個示例,直觀地解釋了如何構(gòu)建超圖模型。圖中的二維空間中展示了7個點,并將它們分配給7個超邊。左側(cè)是傳統(tǒng)圖模型,其中兩個節(jié)點通過邊相互連接;中間圖表示同樣的節(jié)點用超圖的關(guān)系,表達模型超邊取最近臨近k=2;右側(cè)是中間超圖對應的關(guān)聯(lián)矩陣,如果超邊界ej包含vj,則將關(guān)聯(lián)矩陣H(i,j)設置為常數(shù)1,反之為0。不同于成對節(jié)點不能很好地挖掘節(jié)點與節(jié)點之間以及節(jié)點與邊之間的關(guān)系,超圖可以根據(jù)關(guān)聯(lián)矩陣將節(jié)點群包圍成一個緊密聯(lián)系的子集合即為超邊。因此,超圖能夠發(fā)掘隱藏在節(jié)點中的豐富信息。

    Fig.2 Example of hypergraph and its corresponding hypergraph matrix H圖2 超圖及其對應的超圖關(guān)聯(lián)矩陣H示例

    2.2 基于超圖的種子傳播算法

    協(xié)同顯著性檢測的目的是提取相關(guān)圖像中的協(xié)同顯著區(qū)域。協(xié)同顯著區(qū)域不僅在每個單獨的圖像中顯著,而且通常出現(xiàn)在一組相關(guān)圖像中。因此,“顯著”和“協(xié)同”是共同反映協(xié)同顯著性j的定義的兩個關(guān)鍵屬性。將協(xié)同顯著性檢測重新定位為簡單分類任務,即將圖像中的每個區(qū)域/超像素分類為協(xié)同顯著區(qū)域還是非協(xié)同顯著區(qū)域。本文提出的算法首先使用預先訓練的深度顯著性檢測模型為每個圖像生成單顯著圖Tˉ。然后使用超像素分割算法(SLIC)將圖像組分割為一組超像素。設為m-th 圖像的k-th超像素顯著值,其由超像素對應的像素值的平均值計算而來。r(v)和r(u)分別是頂點v和u的協(xié)同顯著分數(shù),其中r∈[0,1]。定義查詢向量y=[y1,y2,…,yu,…,yz]以引入超像素的標記信息并將其初始顯著性標簽分配給y的相應元素。y(u)是頂點u的標簽值,其中假設第i張圖像為查詢圖像,則若節(jié)點,則y(u)=1 是指第v個超像素是顯著節(jié)點,標簽為1,反之亦然。若節(jié)點u屬于待預測圖像中的超像素則也賦值為0。h(u,e)和h(v,e)分別表示u和v是否屬于超邊e。w(e)/δ(e)可以被看作是超邊e的歸一化權(quán)重。協(xié)同顯著性分數(shù)預測值r(u)可以通過以下公式預測得到:

    從公式中可以看出,第一項是指兩個頂點v和u屬于同一超邊的概率比較高,并且這些超邊具有較高權(quán)重,則這些頂點的協(xié)同顯著性值應該更接近。第二項是流行排序項,是指最終預測的標記節(jié)點的值應該逼近原始查詢的標簽。為了最小化代價函數(shù),通過以下公式求解最優(yōu)值r:

    其中,類比于標準圖拉普拉斯矩陣來定義超圖拉普拉斯矩陣[10,18]為在獲得Γ之后,預測標簽r可以由以下公式求得:

    其中,I是維數(shù)等于總節(jié)點數(shù)的單位矩陣,α是權(quán)重參數(shù),在實驗中將其設置為0.5。直接將每個顯著圖中的超像素的標簽構(gòu)成查詢向量,預測剩余圖像的節(jié)點標簽,即r向量??傊?,查詢y非常重要。不準確的查詢可能導致不滿意的結(jié)果。在這項工作中,深入考慮了查詢點在計算超像素的協(xié)同顯著性傳播時的重要性,因此采用深層的基于深度學習的顯著性網(wǎng)絡生成顯著圖,學習準確的查詢點標簽向量y以提高協(xié)同顯著性檢測性能。

    對于傳統(tǒng)的圖模型來說,簡單地將超圖的拉普拉斯矩陣轉(zhuǎn)移為簡單圖拉普拉斯矩陣可以實現(xiàn)轉(zhuǎn)移學習。超邊結(jié)構(gòu)本質(zhì)上含有兩個或兩個以上超像素上的內(nèi)在聯(lián)系信息。即,如果兩個超像素在多個超邊中具有較高的出現(xiàn)頻率,則它們傾向于共享更多的視覺特性并且具有更高的視覺相似性。在本文的實驗部分中,直觀地比較了基于傳統(tǒng)圖模型的協(xié)同顯著性檢測和本文方法的性能。從中可以看出后者更有效。

    本文通過上述方法獲得了顯著種子傳播圖。眾所周知,如果超像素是共同顯著的,它將在大多數(shù)顯著種子傳播圖中出現(xiàn)更多的頻率。基于此原理,融合公式定義如下:

    其中,M是一組中的圖像數(shù)。rep(k)被定義為計算超像素k在M個圖像中被分類為共同顯著的次數(shù)。對于一張圖像來說,該策略將來自于不同查詢圖像對該圖像利用上述算法引導生成的M-1張圖像以及自身的顯著圖進行融合,獲得精細的協(xié)同顯著性結(jié)果。

    2.3 圖像內(nèi)顯著性約束

    如圖1 所示,圖像間協(xié)同性檢測傳播圖,獨立計算每個超像素的協(xié)同顯著性得分,缺乏完全抑制背景的能力。在圖像內(nèi)顯著性約束部分,主要關(guān)注如何抑制由上述方法產(chǎn)生的具有高顯著分數(shù)的背景節(jié)點。由于每個圖像不僅包含每個超像素的特征信息,還包含節(jié)點的空間分布之間的相互關(guān)系。因此,設計了改進的凸包方法[18]以獲得空間分布圖。最優(yōu)的凸包應該能夠提供顯著對象的粗略位置。首先計算一個包圍興趣節(jié)點的凸包,以估計顯著區(qū)域的位置。然后使用凸包的邊緣作為起點來獲得基于凸包的空間興趣點分布圖。通過以下公式生成圖像中超像素的顯著性值:

    其中,μr表示第r個超像素的平均位置,μr是RGB圖像中的上述顯著部分的空間分布的邊界點。從方程(8)中可以發(fā)現(xiàn),當值距離凸包中的最近點時,它的值更小。

    最后結(jié)合基于超圖的跨圖像顯著性傳播和圖像內(nèi)顯著性約束來融合生成圖像的最終協(xié)同顯著圖:

    如果超像素r屬于協(xié)同顯著對象,則預測值接近1,如果被視為背景,則接近0。最終結(jié)果在增強和抑制背景方面獲得了顯著的提高,達到了最接近人類視覺系統(tǒng)觀測的結(jié)果。

    2.4 算法流程

    本文的算法流程如下所示:

    初始化:

    通過式(1)計算超圖G的關(guān)聯(lián)矩陣H;

    通過式(2)計算超圖節(jié)點度矩陣D(v);

    通過式(3)計算超圖邊度矩陣D(e);

    通過式(6)預測未標記標簽的協(xié)同顯著值;

    通過式(7)融合生成的M-1 張圖像以及自身的顯著圖,得到圖像間協(xié)同顯著圖Sinter;

    通過式(8)得到圖像內(nèi)協(xié)同顯著圖Sintra;

    通過式(9)融合圖像間和圖像內(nèi)的協(xié)同顯著圖,得到最終的S協(xié)同顯著圖。

    3.結(jié)束。

    3 實驗與比較

    3.1 數(shù)據(jù)集與評價標準

    在兩個基準數(shù)據(jù)集上評估了所提出的算法:Cp數(shù)據(jù)集[19]和iCoseg 數(shù)據(jù)集[20]。前者包含105 個圖像對,后者包含38個圖像組,總共643個圖像。類似于文獻[20-21],采用4 個標準來評估本文方法的性能,即PR(precision-recall)曲線、ROC(receiver operating characteristic)曲線、F-measure 曲線、MAE(mean absolute error)。PR 曲線、ROC 曲線和F-measure 曲線是由一系列閾值T生成,閾值T在0到255之間變化。

    3.2 實驗細節(jié)

    實驗中,每個圖像利用SLIC算法分割為ni個超像素塊,其中SLIC 算法的初始分割數(shù)量預定義為200。在顯著性檢測數(shù)據(jù)集(DUT-OMRON,MSRA10K)上預訓練的深度學習網(wǎng)絡DHSnet網(wǎng)絡被用來生成初始顯著圖,式(4)中μ=1。

    3.3 Cp數(shù)據(jù)集的評估

    使用所提出的模型來生成Cp數(shù)據(jù)集上的協(xié)同顯著圖。將所提出的模型與三種較先進的協(xié)同顯著性檢測方法進行比較,即CG[19]、CB[8]和EMR[10]。對于主觀評價,圖3 中顯示了部分實驗示例,其中包含4 個圖像組中的示例,即鱷魚、狗、交通標志和公共汽車。比如CB 無法檢測出協(xié)同顯著區(qū)域的輪廓如前兩列的鱷魚檢測效果,而EMR 方式存在錯誤抑制協(xié)同顯著區(qū)域如后兩列卡車的檢測效果圖,CG存在顯著值不平滑問題,可以看出,本文提出的框架明顯提高了協(xié)同顯著性檢測的性能。

    對于定量評估,實驗結(jié)果如圖4 所示。對于Fmeasure曲線縱軸表示F-measure值,橫軸表示[0,255]閾值。與其他方法相比,本文的PR曲線和ROC曲線是最優(yōu)的。此外,本文模型中的F-measure的最高得分為0.9,并且在大部分區(qū)間內(nèi)[0,240]取得了最高的F-measure值。此外,如表1所示,本文所提出的方法獲得最低的MAE分數(shù)。因此本文提出的框架相比于其他的現(xiàn)存方法在4種評價指標上均有明顯提高。

    Table 1 MAE scores on Cp dataset表1 Cp數(shù)據(jù)集上的MAE對比

    3.4 iCoseg數(shù)據(jù)集的評估

    對于另一個廣泛使用的iCoseg 數(shù)據(jù)集,相比Cp數(shù)據(jù)集,本文方法在主觀性和客觀性方面與8個現(xiàn)存流行的協(xié)同顯著性檢測模型進行了比較,因為這些方法相關(guān)作者已提供相關(guān)結(jié)果集或代碼,包括HS[7]、CB[8]、EMR[10]、CSLDW[4]、CSDR[22]、SP-MIL[13]、TS[16]、MVSRC[17]。兩個圖像組的示例結(jié)果如圖5所示。前一組的協(xié)同顯著目標是一只隱藏在灌木叢中的豹子,即使人眼也很難在豹子和灌木叢之間做精確的細節(jié)和邊緣區(qū)分,但是本文方法可以有效地勾勒出來豹子的邊緣。對于后一組,協(xié)同顯著對象是在操場上玩耍的女孩們,從圖像組中可以看到橙色和黑色經(jīng)常出現(xiàn)在女孩的衣服和背景中?;诘图壧卣鞯膫鹘y(tǒng)方法不足以區(qū)分前景和背景,導致協(xié)同顯著性檢測結(jié)果令人不滿意。而從圖5中可以看到,本文方法達到了與真實的標簽圖像最接近的結(jié)果。從HS和CSLDW 的效果圖可以看出這兩個方法都沒能把非協(xié)同限制區(qū)域抑制住,導致協(xié)同顯著區(qū)域的輪廓未能檢測出來。CB將大部分背景區(qū)域抑制了,但是同時也將協(xié)同顯著區(qū)域也抑制住了,EMR 缺點是對非協(xié)同顯著區(qū)域的抑制不夠充分,CSDR會錯誤將協(xié)同顯著區(qū)域抑制住,而本文方法的效果圖要好很多。由于SP-MIL、TS、MVSRC等相關(guān)文獻工作者未能提供代碼或結(jié)果集,因此未能實現(xiàn)質(zhì)量效果對比及繪制相應的PR曲線和ROC曲線。

    Fig.3 Comparison effect of 4 detection models on Cp dataset圖3 4種檢測模型在Cp數(shù)據(jù)集上的對比效果

    Fig.4 Comparative experiment of 4 detection models on Cp dataset圖4 4種檢測模型在Cp數(shù)據(jù)集上的對比實驗

    對于定量評估,使用PR 曲線、ROC 曲線和Fmeasure測量曲線,如圖6所示。雖然本文PR曲線和ROC 曲線并不總是超過其他曲線,但它們在很寬的閾值范圍內(nèi)都表現(xiàn)很出色。對于F-measure測量,本文模型實現(xiàn)了最高的F-measure 值為0.88,而算法模型HS、CB、EMR、CSLDW、TS、SPMIL、MVSRC、CSDR的F-measure值分別為0.755 1、0.754 1、0.819 4、0.798 5、0.834 0、0.814 3、0.810 0、0.817 6。結(jié)果表明,本文方法具有一定閾值的顯著對象分割的最佳性能。此外,從表2中可以看出,與其他方法相比,本文模型中MAE的值顯著降低。

    Fig.5 Comparison effect of 6 detection models on iCoseg dataset圖5 6種檢測模型在iCoseg數(shù)據(jù)集上的對比效果

    Fig.6 Comparative experiment of 6 detection models on iCoseg dataset圖6 6種檢測模型在iCoseg數(shù)據(jù)集上的對比實驗

    3.5 實驗結(jié)果分析

    本節(jié)實驗用來展示框架中每個部分的效果。為了公平起見,實驗中只進行了一個因素的更改。從圖7 和表2 中可以看到:(1)與基于像素級別的方法EMR 相比較,所提出的具有超像素級別(Proposed-NS)的框架的性能取得了更好的結(jié)果。(2)在不使用深度學習單顯著性模型(Proposed-ND)來產(chǎn)生初始顯著性查詢的情況下,本文提出框架(Proposed)的MAE得分從0.085大幅增加到0.147。(3)相比基于標準圖模型協(xié)同顯著性檢測方法(Proposed-NHG),在結(jié)合超圖后,本文提出的方法3個評估指標得到顯著提高。(4)相比沒有圖像內(nèi)的凸包約束的模型(Proposed-NIMC),本文提出協(xié)同顯著性檢測方法獲得更高的性能。它可以抑制遠離凸包的背景區(qū)域并增強前景區(qū)域。除此之外,雖然所提出的沒有圖像內(nèi)空間分布約束(Proposed-NIMC)的模型比Proposed更差,但它仍然獲得了比其他現(xiàn)有方法更令人滿意的性能。

    Table 2 MAE scores on iCoseg dataset表2 iCoseg數(shù)據(jù)集上的MAE對比

    Fig.7 Comparison of algorithm models on iCoseg dataset圖7 在iCoseg數(shù)據(jù)集上的算法模型分析對比

    4 結(jié)束語

    本文提出了一種新穎而有效的協(xié)同顯著性檢測方法。設計了一種圖像間顯著性傳播和圖像內(nèi)的位置約束條件,通過融合兩者的結(jié)果最終產(chǎn)生了基于超像素級別的協(xié)同顯著性檢測結(jié)果。兩個基準數(shù)據(jù)集的定性和定量評估也表明,所提出的協(xié)同顯著性模型優(yōu)于較先進的協(xié)同顯著性檢測模型。在以后協(xié)同顯著性檢測的研究過程中,可以通過深度學習框架提取更深層次的特征,或者提取能體現(xiàn)一組圖像中的協(xié)同信息的特征,這樣再結(jié)合本文算法進行構(gòu)圖,最終的實驗效果會更好。

    猜你喜歡
    像素顯著性協(xié)同
    趙運哲作品
    藝術(shù)家(2023年8期)2023-11-02 02:05:28
    像素前線之“幻影”2000
    蜀道難:車與路的協(xié)同進化
    科學大眾(2020年23期)2021-01-18 03:09:08
    “像素”仙人掌
    “四化”協(xié)同才有出路
    汽車觀察(2019年2期)2019-03-15 06:00:50
    基于顯著性權(quán)重融合的圖像拼接算法
    電子制作(2019年24期)2019-02-23 13:22:26
    基于視覺顯著性的視頻差錯掩蓋算法
    一種基于顯著性邊緣的運動模糊圖像復原方法
    論商標固有顯著性的認定
    三醫(yī)聯(lián)動 協(xié)同創(chuàng)新
    春色校园在线视频观看| 少妇精品久久久久久久| 国产亚洲精品第一综合不卡| 热99久久久久精品小说推荐| 女性生殖器流出的白浆| 观看av在线不卡| 免费高清在线观看视频在线观看| 最近最新中文字幕大全免费视频 | 如何舔出高潮| 精品国产一区二区三区四区第35| 日韩在线高清观看一区二区三区| 乱人伦中国视频| 在线观看免费视频网站a站| 欧美激情极品国产一区二区三区| 国产欧美亚洲国产| 一区福利在线观看| 国产伦理片在线播放av一区| 午夜免费观看性视频| 国产成人精品福利久久| 国产精品av久久久久免费| 久久鲁丝午夜福利片| 久久久久久久久久久久大奶| 日本色播在线视频| 极品人妻少妇av视频| 中国国产av一级| 日产精品乱码卡一卡2卡三| 最新的欧美精品一区二区| 国产极品粉嫩免费观看在线| 国产 一区精品| 搡女人真爽免费视频火全软件| 七月丁香在线播放| 高清av免费在线| 黑人猛操日本美女一级片| 日韩成人av中文字幕在线观看| 在线观看免费高清a一片| 国产高清国产精品国产三级| 欧美日韩视频高清一区二区三区二| 中文字幕av电影在线播放| 久久精品国产综合久久久| 亚洲三区欧美一区| 国产免费一区二区三区四区乱码| 午夜激情av网站| 天天影视国产精品| 久久久久久久久久久久大奶| 久久人人爽av亚洲精品天堂| 亚洲国产成人一精品久久久| 久久精品人人爽人人爽视色| 亚洲av.av天堂| av卡一久久| 伊人久久大香线蕉亚洲五| 久久久久国产网址| 少妇人妻久久综合中文| 老司机影院成人| 久久久久久久亚洲中文字幕| 欧美精品一区二区大全| 亚洲精品国产色婷婷电影| 中文字幕av电影在线播放| 9色porny在线观看| 欧美激情 高清一区二区三区| 久久毛片免费看一区二区三区| 美女高潮到喷水免费观看| 99国产精品免费福利视频| 午夜福利,免费看| 美女午夜性视频免费| 韩国精品一区二区三区| 久久精品国产亚洲av天美| 一区福利在线观看| 成人手机av| 久久久久久久久免费视频了| 久久精品国产a三级三级三级| 女性生殖器流出的白浆| 又粗又硬又长又爽又黄的视频| av女优亚洲男人天堂| 日韩一区二区视频免费看| 亚洲av欧美aⅴ国产| √禁漫天堂资源中文www| 久久精品夜色国产| 久久亚洲国产成人精品v| 91国产中文字幕| 天堂8中文在线网| 亚洲精品中文字幕在线视频| 最近中文字幕2019免费版| 日本vs欧美在线观看视频| 婷婷色综合www| 波多野结衣av一区二区av| 欧美日韩一区二区视频在线观看视频在线| www.精华液| 亚洲精品成人av观看孕妇| kizo精华| 一区二区av电影网| 午夜老司机福利剧场| 老女人水多毛片| 免费观看av网站的网址| 自拍欧美九色日韩亚洲蝌蚪91| 99久国产av精品国产电影| 美女午夜性视频免费| 91午夜精品亚洲一区二区三区| 国产片内射在线| 国产精品国产三级国产专区5o| 高清视频免费观看一区二区| 菩萨蛮人人尽说江南好唐韦庄| 亚洲欧美一区二区三区久久| 久久久精品免费免费高清| 亚洲激情五月婷婷啪啪| 啦啦啦在线免费观看视频4| 久久精品国产亚洲av天美| 日本免费在线观看一区| www.熟女人妻精品国产| 亚洲国产欧美日韩在线播放| 久久精品国产亚洲av高清一级| 熟女少妇亚洲综合色aaa.| 成年人午夜在线观看视频| 另类亚洲欧美激情| 日本午夜av视频| 国产免费视频播放在线视频| 久久婷婷青草| 国产黄色免费在线视频| 青青草视频在线视频观看| 久热久热在线精品观看| 在线天堂最新版资源| 免费久久久久久久精品成人欧美视频| 婷婷色av中文字幕| 中文字幕人妻丝袜制服| 中国国产av一级| 晚上一个人看的免费电影| 国产精品一区二区在线观看99| 国产97色在线日韩免费| 久久精品夜色国产| 夫妻性生交免费视频一级片| 国产亚洲最大av| 精品国产超薄肉色丝袜足j| 国产在线视频一区二区| 少妇的丰满在线观看| 男人爽女人下面视频在线观看| 亚洲精华国产精华液的使用体验| 久久久精品国产亚洲av高清涩受| 久久久久精品性色| 国产在线免费精品| 高清av免费在线| 久久久精品区二区三区| 亚洲第一区二区三区不卡| 国产一区亚洲一区在线观看| 性色av一级| 亚洲经典国产精华液单| 夫妻午夜视频| 伊人久久大香线蕉亚洲五| 成年美女黄网站色视频大全免费| 男女边吃奶边做爰视频| av线在线观看网站| 天天躁夜夜躁狠狠久久av| 两个人看的免费小视频| 久久久久久人妻| 中文字幕人妻丝袜制服| 黑人欧美特级aaaaaa片| 一级爰片在线观看| av免费观看日本| 一本久久精品| 久久久久精品人妻al黑| 啦啦啦在线观看免费高清www| 久久精品夜色国产| 国产熟女欧美一区二区| 国产成人av激情在线播放| 精品亚洲乱码少妇综合久久| 精品福利永久在线观看| 少妇猛男粗大的猛烈进出视频| 精品亚洲成国产av| 电影成人av| av在线播放精品| 少妇精品久久久久久久| 最黄视频免费看| 夜夜骑夜夜射夜夜干| 18+在线观看网站| 最黄视频免费看| 亚洲四区av| 尾随美女入室| 精品午夜福利在线看| 亚洲欧美日韩另类电影网站| 女性生殖器流出的白浆| 欧美精品av麻豆av| 老女人水多毛片| 丰满乱子伦码专区| av线在线观看网站| 18在线观看网站| 高清不卡的av网站| 人妻 亚洲 视频| 观看av在线不卡| 国产精品嫩草影院av在线观看| 久久av网站| 国产成人免费观看mmmm| 久热久热在线精品观看| 亚洲欧美一区二区三区黑人 | 精品视频人人做人人爽| 五月伊人婷婷丁香| 亚洲五月色婷婷综合| 大香蕉久久网| 男女高潮啪啪啪动态图| 极品少妇高潮喷水抽搐| 如日韩欧美国产精品一区二区三区| 午夜老司机福利剧场| 1024香蕉在线观看| 日韩大片免费观看网站| 久久久久久人人人人人| 一级,二级,三级黄色视频| 日日爽夜夜爽网站| 欧美激情 高清一区二区三区| 亚洲伊人久久精品综合| 婷婷色av中文字幕| 日韩人妻精品一区2区三区| 中文字幕av电影在线播放| 成年女人在线观看亚洲视频| 国产麻豆69| 亚洲欧美一区二区三区国产| 免费观看av网站的网址| 毛片一级片免费看久久久久| 男人添女人高潮全过程视频| 国产成人精品久久久久久| 少妇人妻久久综合中文| 久久久久久久精品精品| 久久久久久久精品精品| 久久久精品区二区三区| 精品人妻熟女毛片av久久网站| 成人毛片60女人毛片免费| 久久久精品94久久精品| 国产精品国产三级国产专区5o| 亚洲欧美色中文字幕在线| 亚洲欧美精品自产自拍| 日日爽夜夜爽网站| 伦精品一区二区三区| 国产男人的电影天堂91| 日韩制服丝袜自拍偷拍| 欧美人与性动交α欧美精品济南到 | 春色校园在线视频观看| 久久久久久久久久久免费av| 人人妻人人添人人爽欧美一区卜| 赤兔流量卡办理| 日韩一卡2卡3卡4卡2021年| 亚洲精品成人av观看孕妇| 熟女电影av网| 免费观看性生交大片5| 精品一品国产午夜福利视频| 久久久久久伊人网av| 国产黄色视频一区二区在线观看| 夫妻性生交免费视频一级片| 91在线精品国自产拍蜜月| 亚洲精品久久成人aⅴ小说| 久久精品国产自在天天线| 欧美日韩av久久| 性高湖久久久久久久久免费观看| 人人妻人人添人人爽欧美一区卜| 日韩欧美一区视频在线观看| 日韩大片免费观看网站| 久久久久久久大尺度免费视频| 一级片免费观看大全| av国产久精品久网站免费入址| 亚洲视频免费观看视频| 一级片'在线观看视频| 三上悠亚av全集在线观看| 亚洲精品自拍成人| 99久久精品国产国产毛片| 99国产精品免费福利视频| 亚洲精品国产一区二区精华液| 999久久久国产精品视频| 丝袜人妻中文字幕| 亚洲欧美中文字幕日韩二区| 肉色欧美久久久久久久蜜桃| 久久精品国产综合久久久| 欧美+日韩+精品| 国产亚洲欧美精品永久| 99久久人妻综合| 大香蕉久久成人网| 久久人人爽人人片av| 你懂的网址亚洲精品在线观看| 啦啦啦中文免费视频观看日本| 成年女人在线观看亚洲视频| 女人精品久久久久毛片| 精品亚洲乱码少妇综合久久| 日韩不卡一区二区三区视频在线| 亚洲国产成人一精品久久久| 一区在线观看完整版| 777久久人妻少妇嫩草av网站| 老司机影院毛片| 9色porny在线观看| 欧美老熟妇乱子伦牲交| 国产亚洲最大av| 欧美在线黄色| 国产精品亚洲av一区麻豆 | 国产成人精品福利久久| 日本爱情动作片www.在线观看| 欧美变态另类bdsm刘玥| 久久久国产一区二区| 久久精品国产亚洲av天美| 欧美日韩视频精品一区| 亚洲三区欧美一区| 欧美日韩成人在线一区二区| a级毛片黄视频| 在线天堂最新版资源| 久久国产亚洲av麻豆专区| 18禁国产床啪视频网站| 国产视频首页在线观看| 久久这里有精品视频免费| 各种免费的搞黄视频| 纯流量卡能插随身wifi吗| 国产成人精品久久二区二区91 | 一边亲一边摸免费视频| 啦啦啦视频在线资源免费观看| 国产精品久久久av美女十八| 女人精品久久久久毛片| 精品亚洲成国产av| 成人国语在线视频| 男女午夜视频在线观看| 亚洲伊人久久精品综合| 黑人巨大精品欧美一区二区蜜桃| 精品国产一区二区久久| 国产成人欧美| 婷婷色综合大香蕉| 妹子高潮喷水视频| 91国产中文字幕| 亚洲精品成人av观看孕妇| 精品福利永久在线观看| 国产成人aa在线观看| 在线看a的网站| 久久精品国产综合久久久| 美女高潮到喷水免费观看| 校园人妻丝袜中文字幕| 日韩,欧美,国产一区二区三区| 亚洲av电影在线观看一区二区三区| 久久狼人影院| 国产一区亚洲一区在线观看| 精品一区二区三卡| 午夜激情久久久久久久| 欧美在线黄色| www.精华液| 亚洲三级黄色毛片| 欧美中文综合在线视频| 天天影视国产精品| 亚洲内射少妇av| 天天影视国产精品| 国产男女内射视频| 午夜福利乱码中文字幕| 国产精品免费大片| 日韩一区二区视频免费看| 一级片'在线观看视频| 在线观看一区二区三区激情| 啦啦啦在线观看免费高清www| 欧美日韩国产mv在线观看视频| 女人久久www免费人成看片| 日韩成人av中文字幕在线观看| a级片在线免费高清观看视频| 成人国产麻豆网| 久久影院123| 国产精品 国内视频| 国产成人精品婷婷| 亚洲欧美中文字幕日韩二区| kizo精华| 搡老乐熟女国产| 人妻 亚洲 视频| 国产精品三级大全| 日韩在线高清观看一区二区三区| 久久综合国产亚洲精品| 不卡视频在线观看欧美| 天美传媒精品一区二区| 欧美日本中文国产一区发布| 美女福利国产在线| 亚洲av电影在线进入| 久久97久久精品| 九草在线视频观看| 国产成人a∨麻豆精品| videosex国产| av电影中文网址| 精品国产乱码久久久久久男人| 咕卡用的链子| 美女脱内裤让男人舔精品视频| 亚洲国产最新在线播放| 日本-黄色视频高清免费观看| 高清欧美精品videossex| 最近中文字幕2019免费版| 久久精品国产综合久久久| 99精国产麻豆久久婷婷| 国产精品熟女久久久久浪| 亚洲av日韩在线播放| 成年人午夜在线观看视频| 天天操日日干夜夜撸| 国产老妇伦熟女老妇高清| 交换朋友夫妻互换小说| 一边摸一边做爽爽视频免费| 成人黄色视频免费在线看| 女人被躁到高潮嗷嗷叫费观| 亚洲国产av新网站| 欧美精品高潮呻吟av久久| 中国三级夫妇交换| 久久国产精品男人的天堂亚洲| 啦啦啦在线观看免费高清www| 成年女人在线观看亚洲视频| 99热国产这里只有精品6| 男男h啪啪无遮挡| 欧美精品av麻豆av| 人妻系列 视频| 国产探花极品一区二区| 免费不卡的大黄色大毛片视频在线观看| 国产精品国产三级国产专区5o| 男女下面插进去视频免费观看| 亚洲国产最新在线播放| 欧美人与善性xxx| av免费在线看不卡| 麻豆精品久久久久久蜜桃| 香蕉丝袜av| 一二三四中文在线观看免费高清| 日韩熟女老妇一区二区性免费视频| 亚洲国产欧美网| 国产有黄有色有爽视频| 曰老女人黄片| 国产精品国产三级专区第一集| 国产精品国产三级国产专区5o| 国产精品无大码| 美女视频免费永久观看网站| 视频区图区小说| 黑人巨大精品欧美一区二区蜜桃| 日韩中文字幕视频在线看片| 久久毛片免费看一区二区三区| 久久热在线av| 九草在线视频观看| 午夜福利影视在线免费观看| 免费女性裸体啪啪无遮挡网站| 国产片特级美女逼逼视频| 男女边摸边吃奶| 欧美成人午夜精品| 看非洲黑人一级黄片| 日日啪夜夜爽| 国产精品免费大片| 黄片小视频在线播放| 色视频在线一区二区三区| 久久久久国产网址| 亚洲精品国产av成人精品| 国产熟女欧美一区二区| 91精品国产国语对白视频| 精品一区在线观看国产| 免费看av在线观看网站| 午夜福利在线免费观看网站| 亚洲,一卡二卡三卡| 美女高潮到喷水免费观看| 国产免费视频播放在线视频| 日韩,欧美,国产一区二区三区| 日日爽夜夜爽网站| 久久精品国产亚洲av涩爱| 精品第一国产精品| 亚洲图色成人| 婷婷色麻豆天堂久久| 国产老妇伦熟女老妇高清| 久久精品国产自在天天线| 欧美日韩亚洲高清精品| 亚洲一级一片aⅴ在线观看| 久久精品熟女亚洲av麻豆精品| 国产精品一区二区在线不卡| 伦理电影大哥的女人| 高清欧美精品videossex| 一级片免费观看大全| 黄网站色视频无遮挡免费观看| 久久精品国产自在天天线| 午夜福利视频在线观看免费| 欧美中文综合在线视频| 国产探花极品一区二区| 亚洲欧美清纯卡通| 91午夜精品亚洲一区二区三区| 在线观看www视频免费| 26uuu在线亚洲综合色| av线在线观看网站| 亚洲精品国产一区二区精华液| 久久av网站| 久久国产亚洲av麻豆专区| 精品国产露脸久久av麻豆| 97人妻天天添夜夜摸| 街头女战士在线观看网站| 国产精品久久久久久精品古装| 一区二区av电影网| 亚洲国产看品久久| 天堂8中文在线网| 亚洲成人av在线免费| 超碰成人久久| 成人手机av| 十八禁高潮呻吟视频| 成年女人毛片免费观看观看9 | 成人漫画全彩无遮挡| 日韩精品免费视频一区二区三区| 男女高潮啪啪啪动态图| 日韩熟女老妇一区二区性免费视频| 欧美 亚洲 国产 日韩一| 90打野战视频偷拍视频| 久久97久久精品| 精品国产一区二区三区四区第35| 国产又色又爽无遮挡免| 亚洲伊人久久精品综合| 国产精品蜜桃在线观看| 美女主播在线视频| 久久精品国产a三级三级三级| 99久久中文字幕三级久久日本| 精品人妻一区二区三区麻豆| 七月丁香在线播放| 久久狼人影院| 丰满乱子伦码专区| 日韩电影二区| 搡女人真爽免费视频火全软件| 丰满饥渴人妻一区二区三| 亚洲精品日韩在线中文字幕| 韩国精品一区二区三区| 免费av中文字幕在线| 精品酒店卫生间| 亚洲av免费高清在线观看| 久久精品亚洲av国产电影网| 久久久国产欧美日韩av| 欧美中文综合在线视频| 性高湖久久久久久久久免费观看| 国产 精品1| 婷婷色综合大香蕉| 久久狼人影院| 免费观看无遮挡的男女| 国产福利在线免费观看视频| 美女视频免费永久观看网站| 中文精品一卡2卡3卡4更新| 亚洲国产精品999| 精品久久久精品久久久| 超色免费av| 在线亚洲精品国产二区图片欧美| xxx大片免费视频| 亚洲男人天堂网一区| 99九九在线精品视频| 秋霞在线观看毛片| 最新中文字幕久久久久| 国产成人精品一,二区| 丰满迷人的少妇在线观看| 1024香蕉在线观看| 精品第一国产精品| 国产伦理片在线播放av一区| 看免费成人av毛片| 伦理电影免费视频| 久久婷婷青草| 日本猛色少妇xxxxx猛交久久| 男人添女人高潮全过程视频| 日日撸夜夜添| 国产av一区二区精品久久| 亚洲,一卡二卡三卡| 国产免费福利视频在线观看| 飞空精品影院首页| 午夜久久久在线观看| 欧美激情极品国产一区二区三区| 黄色视频在线播放观看不卡| 国产极品粉嫩免费观看在线| h视频一区二区三区| 亚洲,一卡二卡三卡| 亚洲av欧美aⅴ国产| 纯流量卡能插随身wifi吗| 色哟哟·www| 女性生殖器流出的白浆| 少妇人妻精品综合一区二区| 日韩制服骚丝袜av| 蜜桃在线观看..| 日韩免费高清中文字幕av| 日本av免费视频播放| 美女午夜性视频免费| 最近中文字幕高清免费大全6| 纵有疾风起免费观看全集完整版| 久久人人97超碰香蕉20202| 夫妻午夜视频| 精品国产一区二区三区久久久樱花| 国产精品国产三级国产专区5o| 日日撸夜夜添| 在线精品无人区一区二区三| av女优亚洲男人天堂| 亚洲欧美成人综合另类久久久| 两个人免费观看高清视频| videossex国产| 国产精品成人在线| 久久久国产欧美日韩av| 免费观看性生交大片5| 老鸭窝网址在线观看| 久久精品国产亚洲av天美| 在线观看国产h片| 国产有黄有色有爽视频| 成人二区视频| 免费久久久久久久精品成人欧美视频| 国产精品一区二区在线观看99| 亚洲精品第二区| av片东京热男人的天堂| 91精品三级在线观看| 国产 精品1| 亚洲伊人久久精品综合| 亚洲,欧美,日韩| 免费日韩欧美在线观看| 五月伊人婷婷丁香| 国产又色又爽无遮挡免| 2021少妇久久久久久久久久久| 免费观看a级毛片全部| 80岁老熟妇乱子伦牲交| 最近手机中文字幕大全| 男人操女人黄网站| 赤兔流量卡办理| 国产精品久久久久成人av| 免费在线观看黄色视频的| 赤兔流量卡办理| 欧美人与性动交α欧美软件| 免费在线观看黄色视频的| 少妇的逼水好多| 超碰成人久久| 精品国产一区二区久久| 欧美+日韩+精品| 曰老女人黄片| 一级毛片 在线播放| 九草在线视频观看| 在线免费观看不下载黄p国产| 爱豆传媒免费全集在线观看| 伦理电影大哥的女人| 亚洲av免费高清在线观看| 欧美日韩成人在线一区二区| 久久久久久人人人人人| 国产日韩欧美亚洲二区| av片东京热男人的天堂|