• <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 ?

    多層特征圖堆疊網(wǎng)絡(luò)及其目標(biāo)檢測(cè)方法

    2020-04-28 05:47:16楊愛萍魯立宇
    關(guān)鍵詞:低層集上金字塔

    楊愛萍,魯立宇,冀?中

    多層特征圖堆疊網(wǎng)絡(luò)及其目標(biāo)檢測(cè)方法

    楊愛萍,魯立宇,冀?中

    (天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院,天津 300072)

    隨著深度卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法由于具有良好的特征表達(dá)能力及優(yōu)良的檢測(cè)精度,成為當(dāng)前目標(biāo)檢測(cè)算法的主流.為了解決目標(biāo)檢測(cè)中小目標(biāo)漏檢問題,往往使用多尺度處理方法.現(xiàn)有的多尺度目標(biāo)檢測(cè)方法可以分為基于圖像金字塔的方法和基于特征金字塔的方法.相比于基于圖像金字塔的方法,基于特征金字塔的方法速度更快,更能充分利用不同卷積層的特征信息.現(xiàn)有的基于特征金字塔的方法采用對(duì)應(yīng)元素相加的方式融合不同尺度的特征圖,在特征融合過程中易丟失低層細(xì)節(jié)特征信息.針對(duì)該問題,本文基于特征金字塔網(wǎng)絡(luò)(feature pyramid network,F(xiàn)PN),提出一種多層特征圖堆疊網(wǎng)絡(luò)(multi-feature concatenation network,MFCN)及其目標(biāo)檢測(cè)方法.該網(wǎng)絡(luò)以FPN為基礎(chǔ),設(shè)計(jì)多層特征圖堆疊結(jié)構(gòu),通過不同特征層之間的特征圖堆疊融合高層語義特征和低層細(xì)節(jié)特征,并且在每個(gè)層上進(jìn)行目標(biāo)檢測(cè),保證每層可包含該層及其之上所有層的特征信息,可有效克服低層細(xì)節(jié)信息丟失.同時(shí),為了能夠充分利用ResNet101中的高層特征,在其后添加新的卷積層,并聯(lián)合其低層特征圖,提取多尺度特征.在PASCAL VOC 2007數(shù)據(jù)集上的檢測(cè)精度為80.1%mAP,同時(shí)在PASCAL VOC 2012和MS COCO數(shù)據(jù)集上的表現(xiàn)都優(yōu)于FPN算法.相比于FPN算法,MFCN的檢測(cè)性能更加??優(yōu)秀.

    特征金字塔網(wǎng)絡(luò);目標(biāo)檢測(cè);特征圖堆疊;語義信息

    目標(biāo)檢測(cè)是計(jì)算機(jī)視覺中最基本和最具挑戰(zhàn)性的問題之一,其目的是檢測(cè)圖像中特定目標(biāo)的位置,已廣泛用于人臉檢測(cè)、自動(dòng)駕駛、行人檢測(cè)、視頻監(jiān)控等領(lǐng)域.

    現(xiàn)有的目標(biāo)檢測(cè)方法可分為傳統(tǒng)方法和基于深度學(xué)習(xí)的方法.傳統(tǒng)目標(biāo)檢測(cè)方法主要包括區(qū)域選擇、特征提取和分類回歸.其中特征提取使用手工提取特征的方法,如通過提取圖像顏色連通區(qū)域的共生矩陣來描述圖像特征[1];通過結(jié)構(gòu)元素描述符(structure elements’ descriptor,SED)來提取和描述圖像的紋理和顏色[2];通過基于自適應(yīng)強(qiáng)邊緣提取的方法估計(jì)模糊核[3].但是,上述方法特征提取方式單一,檢測(cè)準(zhǔn)確率低,且計(jì)算復(fù)雜.

    隨著深度卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法由于其無需進(jìn)行人工特征設(shè)計(jì)、具有良好的特征表達(dá)能力及優(yōu)良的檢測(cè)精度,已經(jīng)超越傳統(tǒng)檢測(cè)方法,成為當(dāng)前目標(biāo)檢測(cè)算法的主流.基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法主要通過卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征,主流的網(wǎng)絡(luò)結(jié)構(gòu)有DenseNet[4]、ShuffleNetv2[5]、MobileNetv2[6]等.另外,有些方法將手工提取特征和神經(jīng)網(wǎng)絡(luò)方法相結(jié)合,如文獻(xiàn)[7]和文獻(xiàn)[8].在現(xiàn)實(shí)場(chǎng)景中存在大量小目標(biāo)物體,尤其是對(duì)于低分辨率圖像,很難提取到其中的小目標(biāo)特征,造成檢測(cè)效果較差.為了解決目標(biāo)檢測(cè)中小目標(biāo)漏檢問題,提出了基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度處理方法.多尺度檢測(cè)方法可以分為兩類:一類是基于圖像金字塔的方法,如R-CNN[9]、Fast R-CNN[10]、Faster R-CNN[11]等,上述方法通常將輸入圖像重采樣得到不同尺度,并將這些不同尺度的圖像分別輸入到網(wǎng)絡(luò)中訓(xùn)練,但是,隨著輸入數(shù)據(jù)量增大,基于圖像金字塔的方法復(fù)雜度很高;另一類是基于特征金字塔的方法,與基于圖像金字塔的方法相比,特征圖金字塔方法可充分利用不同卷積層的特征信息,并且速度更快,因此,基于特征金字塔的方法越來越流行.MS-CNN[12]在不同尺度的特征圖上生成候選框,SSD(single shot multibox detector)[13]采用了類似結(jié)構(gòu).但是,它們僅將低層特征圖用于小目標(biāo)檢測(cè),而低層特征圖中只擁有較少的語義信息,造成小目標(biāo)檢測(cè)性能低下.為了解決這個(gè)問題,特征金字塔網(wǎng)絡(luò)(feature pyramid network,F(xiàn)PN)[14]和RON[15]設(shè)計(jì)了一種自頂向下的連接結(jié)構(gòu),其通過對(duì)應(yīng)元素相加融合高層和低層特征圖.但是這種對(duì)應(yīng)元素相加的方式,很容易丟失低層細(xì)節(jié)特征.

    針對(duì)上述問題,本文在FPN基礎(chǔ)上,提出一種特征圖堆疊網(wǎng)絡(luò)及其目標(biāo)檢測(cè)方法.通過不同特征層之間的特征圖堆疊融合高層語義特征和低層細(xì)節(jié)特征,并且在每個(gè)層上進(jìn)行目標(biāo)檢測(cè),保證每層可包含該層及其之上所有層的特征信息.同時(shí),為了充分利用ResNet101[16]高層特征圖信息,在ResNet101后面添加了一個(gè)conv6層,將上述融合后的特征圖和ResNet101的conv5、conv6層輸出特征圖共同輸入到權(quán)重共享的區(qū)域建議網(wǎng)絡(luò)(region proposal net-work,RPN)和R-CNN網(wǎng)絡(luò).

    1?特征金字塔網(wǎng)絡(luò)

    FPN是一種基于候選窗口的目標(biāo)檢測(cè)算法,其在Faster R-CNN的基礎(chǔ)上,通過對(duì)應(yīng)元素相加融合特征提取網(wǎng)絡(luò)的不同語義特征圖.針對(duì)Faster R-CNN檢測(cè)尺度單一的問題,F(xiàn)PN充分利用了特征提取網(wǎng)絡(luò)不同特征層的多尺度特點(diǎn),在不同特征層上進(jìn)行目標(biāo)檢測(cè),該設(shè)計(jì)對(duì)于多尺度目標(biāo)檢測(cè)更有效.

    FPN的架構(gòu)主要分為兩部分:一部分是特征提取網(wǎng)絡(luò)的自頂向下連接結(jié)構(gòu),采用的特征提取網(wǎng)絡(luò)是ResNet101;另一部分是候選框生成網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò),采用RPN網(wǎng)絡(luò)和R-CNN網(wǎng)絡(luò).FPN框架結(jié)構(gòu)如圖1所示.

    圖1?FPN框架圖

    2?特征堆疊網(wǎng)絡(luò)及其目標(biāo)檢測(cè)方法

    FPN雖然在一定程度上改善了MS-CNN和SSD在小目標(biāo)檢測(cè)方面性能較低的問題,但是其通過對(duì)應(yīng)元素相加的方式融合高層特征圖和低層特征圖,易丟失低層細(xì)節(jié)特征信息.因此,本文提出將高層特征圖和低層特征圖通過特征圖堆疊的連接方式進(jìn)行融合,將融合后的特征圖輸送到權(quán)重共享的RPN網(wǎng)絡(luò)和R-CNN網(wǎng)絡(luò)進(jìn)行候選框生成、分類預(yù)測(cè)和位置回歸,具體結(jié)構(gòu)如圖2所示.

    與FPN相比,MFCN保留了低層細(xì)節(jié)特征信息.同時(shí),為了充分利用特征提取網(wǎng)絡(luò)的高層語義特征,在ResNet101后添加了conv6層,將ResNet101的conv5和conv6輸出特征圖也融入到RPN網(wǎng)絡(luò).

    圖2?MFCN框架圖

    2.1?基于特征圖堆疊的特征融合

    低層特征圖中包含了對(duì)小目標(biāo)檢測(cè)有益的細(xì)節(jié)信息,高層特征圖中包含了對(duì)小目標(biāo)檢測(cè)有幫助的語義信息.對(duì)于大目標(biāo)來說,無需關(guān)注過多細(xì)節(jié)信息,所以無需將低層細(xì)節(jié)特征融入到高層.但是,對(duì)于小目標(biāo)來說,在對(duì)其進(jìn)行檢測(cè)時(shí)需要更多的語義信息,需將高層語義特征融入到低層細(xì)節(jié)特征中.

    MFCN網(wǎng)絡(luò)通過特征圖堆疊的方式融合不同語義的特征圖,可保留低層細(xì)節(jié)特征信息,使得MFCN網(wǎng)絡(luò)的特征融合過程更合理.

    2.2?融合高層語義特征

    為了能夠充分利用ResNet101中的高層特征圖,在ResNet101后添加了新的conv6層,conv6層通過在conv5層后添加一個(gè)大小為3×3、步長(zhǎng)為2的卷積得到,該過程可以表示為

    為了保證高層特征圖的輸出維度與低層特征圖的輸出維度一致,將conv5和conv6的輸出通過1×1卷積進(jìn)行降維,該過程可以表示為

    2.3?損失函數(shù)

    設(shè)計(jì)MFCN網(wǎng)絡(luò)的損失函數(shù)為

    3?實(shí)驗(yàn)與結(jié)果分析

    3.1?實(shí)驗(yàn)平臺(tái)

    實(shí)驗(yàn)平臺(tái)配置如下:CPU為Intel i7-7700k;內(nèi)存為6G DDR4;GPU為Nvidia Geforce GTX TITAN X;操作系統(tǒng)為64位Ubuntu16.04 LTS;實(shí)驗(yàn)框架為MXNet開源框架;編程語言為Python 2.7;第三方庫OpenCV和CUDA9.0.

    3.2?實(shí)驗(yàn)數(shù)據(jù)集

    實(shí)驗(yàn)數(shù)據(jù)集為使用最廣的3個(gè)公開數(shù)據(jù)集:PASCAL VOC 2007、PASCAL VOC 2012[17]和MS COCO[18].VOC 2007和VOC 2012數(shù)據(jù)集都包含20個(gè)類別的物體.VOC 2007包含了擁有標(biāo)簽的 trainval(5011張圖片)和test(4952張圖片).VOC 2012包含了擁有標(biāo)簽的trainval(11540張圖片)和沒有包含標(biāo)簽的test(10991張圖片).MS COCO數(shù)據(jù)集中目標(biāo)檢測(cè)任務(wù)包含80類物體.使用COCO Challenge 2017作為實(shí)驗(yàn)數(shù)據(jù)集.訓(xùn)練集包含115×103張圖片.使用包含20×103張圖片的test-dev作為測(cè)試集.

    3.3?評(píng)價(jià)指標(biāo)

    在PASCAL VOC 2007和PASCAL VOC 2012的實(shí)驗(yàn)中,使用的評(píng)價(jià)指標(biāo)是平均精度(mean average precision,mAP).對(duì)于每張圖片,使用交叉比(IoU)來標(biāo)記預(yù)測(cè)框是否正確.用召回率衡量檢測(cè)出的正確目標(biāo)占總正確目標(biāo)的比率,用準(zhǔn)確率衡量檢測(cè)出的目標(biāo)中正確目標(biāo)中總目標(biāo)的比率,在不同的召回率下對(duì)準(zhǔn)確率進(jìn)行平均,得到精度AP.最后按照不同類別物體所占的比重對(duì)相應(yīng)的AP加權(quán),最后得到mAP.在實(shí)驗(yàn)中采用的IoU為0.5.

    3.4?實(shí)驗(yàn)結(jié)果對(duì)比

    在PASCAL VOC 2007數(shù)據(jù)集的實(shí)驗(yàn)中,訓(xùn)練集包含VOC 2007 trainval和VOC 2012 trainval,測(cè)試集為VOC 2007 test.在訓(xùn)練階段,總的迭代次數(shù)為112×103.學(xué)習(xí)率在首個(gè)64×103為2.5×10-3,接著在剩余的32×103和16×103迭代中衰減到2.5×10-4和2.5×10-5.采用的優(yōu)化函數(shù)是SGD,動(dòng)量因子設(shè)置為0.9,使用的基礎(chǔ)網(wǎng)絡(luò)是在ImageNet上預(yù)訓(xùn)練的ResNet101.實(shí)驗(yàn)結(jié)果如表1所示.

    表1?在PASCALVOC 2007測(cè)試集上的檢測(cè)結(jié)果

    Tab.1?PASCAL VOC 2007 test detection results

    由表1可以看出,在PASCAL VOC 2007數(shù)據(jù)集上的測(cè)試結(jié)果MFCN比FPN高1.8%mAP,并且檢測(cè)速度和FPN相當(dāng).

    在PASCAL VOC 2012數(shù)據(jù)集的實(shí)驗(yàn)中,使用VOC 2007 trainval、VOC 2007 test和VOC 2012 trainval作為訓(xùn)練集,使用VOC 2012 test作為測(cè)試集.在訓(xùn)練階段,總的迭代次數(shù)為150×103.學(xué)習(xí)率在首個(gè)86×103為2.5×10-3,接著在剩余的43×103和21×103迭代中衰減到2.5×10-4和2.5×10-5.實(shí)驗(yàn)結(jié)果如表2所示.

    表2?在PASCALVOC 2012測(cè)試集上的檢測(cè)結(jié)果

    Tab.2?PASCAL VOC 2012 test detection results

    由表2可以看出,在PASCAL VOC 2012數(shù)據(jù)集上的測(cè)試結(jié)果MFCN比FPN高1.2%mAP,并且檢測(cè)速度與FPN一致.

    為了進(jìn)一步證明MFCN在大型數(shù)據(jù)集上的有效性,在MS COCO數(shù)據(jù)集上進(jìn)行了測(cè)試.在MS COCO的實(shí)驗(yàn)中,使用trainval作為訓(xùn)練集,使用test作為測(cè)試集.在訓(xùn)練階段,總的迭代次數(shù)為805×103. 在開始的460×103迭代設(shè)置的學(xué)習(xí)率是2.5×10-3,接著在剩余的230×103和115×103迭代中衰減到2.5×10-4和2.5×10-5.實(shí)驗(yàn)結(jié)果如表3所示.

    由表3可以看出,在MS COCO數(shù)據(jù)集上的測(cè)試結(jié)果MFCN比FPN高0.4%AP.在小目標(biāo)的檢測(cè)上MFCN要比FPN高2.1%AP,這說明特征層堆疊方式可有效保留低層細(xì)節(jié)特征.在中目標(biāo)檢測(cè)上和大目標(biāo)的檢測(cè)上,MFCN分別比FPN高1.5%AP和1.2%AP,這說明通過在ResNet101后添加conv6層可更充分地提取網(wǎng)絡(luò)的高層特征.同時(shí),在檢測(cè)速度上MFCN和FPN保持一致.

    表3?MSCOCO測(cè)試集上的檢測(cè)結(jié)果

    Tab.3?MS COCO test-dev detection results

    4?結(jié)?語

    針對(duì)FPN高層特征圖和低層特征圖在融合的過程中會(huì)造成低層細(xì)節(jié)特征丟失問題,提出特征圖堆疊方式進(jìn)行特征融合,從而設(shè)計(jì)特征圖堆疊網(wǎng)絡(luò)并用于目標(biāo)檢測(cè).在PASCAL VOC 2007、PASCAL VOC 2012和MS COCO這3個(gè)公開數(shù)據(jù)集上的測(cè)試結(jié)果表明,所提算法對(duì)于小目標(biāo)、中目標(biāo)和大目標(biāo)均可獲得較好的檢測(cè)效果.

    [1] Wang X,Chen Z,Yun J. An effective method for color image retrieval based on texture[J]. Computer Standards & Interfaces,2012,34(1):31-35.

    [2] Wang X,Wang Z. A novel method for image retrieval based on structure elements’ descriptor[J]. Journal of Visual Communication and Image Representation,2013,24(1):63-74.

    [3] 楊愛萍,張?越,王金斌,等. 基于暗通道先驗(yàn)和多方向加權(quán)TV的圖像盲去模糊方法[J]. 天津大學(xué)學(xué)報(bào):自然科學(xué)與工程技術(shù)版,2018,51(5):497-506.

    Yang Aiping,Zhang Yue,Wang Jinbin,et al. Blind image deblurring method based on dark channel prior and multi-direction weighted TV[J]. Journal of Tianjin University:Science and Technology,2018,51(5):497-506(in Chinese).

    [4] Huang G,Liu Z,van der Maaten L,et al. Densely connected convolutional networks[C]//IEEE Computer Vision and Pattern Recognition(CVPR). Hawaii,USA,2017:4700-4708.

    [5] Ma N,Zhang X,Zheng H T,et al. Shufflenet v2:Practical guidelines for efficient cnn architecture design[C]//European Conference on Computer Vision(ECCV). Munich,Germany,2018:116-131.

    [6] Sandler M,Howard A,Zhu M,et al. Mobilenetv2:Inverted residuals and linear bottlenecks[C]//IEEE Computer Vision and Pattern Recognition(CVPR). Salt Lake City,USA,2018:4510-4520.

    [7] Unar S,Wang X,Zhang C. Visual and textual information fusion using Kernel method for content based image retrieval[J]. Information Fusion,2018,44:176-187.

    [8] Unar S,Wang X,Wang C,et al. A decisive content based image retrieval approach for feature fusion in visual and textual images[J]. Knowledge-Based Systems,2019,179:8-20.

    [9] Girshick R,Donahue J,Darrell T,et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]// IEEE Computer Vision and Pattern Recognition(CVPR). Columbus,USA,2014:580-587.

    [10] Girshick R. Fast r-cnn[C]// IEEE International Conference on Computer Vision(ICCV). Santiago,Chile,2015:1440-1448.

    [11] Ren S,He K,Girshick R,et al. Faster r-cnn:Towards real-time object detection with region proposal networks[C]//Neural Information Processing Systems(NIPS). Montreal,Canada,2015:91-99.

    [12] Cai Z,F(xiàn)an Q,F(xiàn)eris R S,et al. A unified multi-scale deep convolutional neural network for fast object detection[C]//European Conference on Computer Vision (ECCV). Amsterdam,The Netherlands,2016:354-370.

    [13] Liu W,Anguelov D,Erhan D,et al. Ssd:Single shot multibox detector[C]//European Conference on Computer Vision(ECCV). Amsterdam,The Netherlands,2016:21-37.

    [14] Lin T Y,Dollár P,Girshick R,et al. Feature pyramid networks for object detection[C]// IEEE Computer Vision and Pattern Recognition(CVPR). Hawaii,USA,2017:2117-2125.

    [15] Kong T,Sun F,Yao A,et al. Ron:Reverse connection with objectness prior networks for object detection[C]// IEEE Computer Vision and Pattern Recognition(CVPR). Hawaii,USA,2017:5936-5944.

    [16] He K,Zhang X,Ren S,et al. Deep residual learning for image recognition[C]// IEEE Computer Vision and Pattern Recognition(CVPR). Las Vegas,USA,2016:770-778.

    [17] Everingham M,Van Gool L,Williams C K I,et al. The pascal visual object classes(voc)challenge[J]. International Journal of Computer Vision(IJCV),2010,88(2):303-338.

    [18] Lin T Y,Maire M,Belongie S,et al. Microsoft coco:Common objects in context[C]//European Conference on Computer Vision(ECCV). Zurich,Swit-zerland,2014:740-755.

    [19] Bell S,Lawrence Zitnick C,Bala K,et al. Inside-outside net:Detecting objects in context with skip pooling and recurrent neural networks[C]// IEEE Computer Vision and Pattern Recognition(CVPR). Las Vegas,USA,2016:2874-2883.

    [20] Gidaris S,Komodakis N. Object detection via a multi-region and semantic segmentation-aware cnn model[C]// IEEE Computer Vision and Pattern Recognition (CVPR). Boston,USA,2015:1134-1142.

    [21] Woo S,Hwang S,Kweon I S. Stairnet:Top-down semantic aggregation for accurate one shot detection[C]// IEEE Winter Conference on Applications of Computer Vision(WACV). Nevada,USA,2018:1093-1102.

    [22] Shen Z,Liu Z,Li J,et al. Dsod:Learning deeply supervised object detectors from scratch[C]// IEEE Computer Vision and Pattern Recognition(CVPR). Hawaii,USA,2017:1919-1927.

    [23] Redmon J,F(xiàn)arhadi A. YOLO9000:Better,faster,stronger[C]// IEEE Computer Vision and Pattern Recognition(CVPR). Hawaii,USA,2017:7263-7271.

    [24] Shrivastava A,Gupta A,Girshick R. Training region-based object detectors with online hard example mining[C]// IEEE Computer Vision and Pattern Recognition(CVPR). Las Vegas,USA,2016:761-769.

    [25] Dai J,Li Y,He K,et al. R-fcn:Object detection via region-based fully convolutional networks[C]// Neural Information Processing Systems(NIPS). Barcelona,Spain,2016:379-387.

    Multi-Feature Concatenation Network for Object Detection

    Yang Aiping,Lu Liyu,Ji Zhong

    (School of Electrical and Information Engineering,Tianjin University,Tianjin 300072,China)

    With the rapid development of deep the convolutional neural network,mainstream methods for object detection have been based on deep learning owing to its superior feature representation and excellent detection accuracy.To omit small objects in object detection,a multi-scale algorithm is usually adopted.Existing multi-scale object detection methods can be categorized as image pyramid-based or feature pyramid-based.Compared with the image pyramid-based method,the feature pyramid-based method is faster and better able to take full advantage of the feature information of different convolution layers. The existing feature pyramid-based method fuses feature maps from different scales by adding corresponding elements,which often results in loss of some detailed low-level feature information.To tackle this problem,this paper proposes a multi-feature concatenation network(MFCN)based on a feature pyramid network(FPN). A structure-performing,multi-layer feature map concatenation was designed. Semantic high-level features and detailed low-level features were fused by concatenating feature maps from different feature layers.Objects on each layer were detected to ensure that each layer could contain the feature information of the layer and all layers above it,effectively overcoming the loss of detailed low-level information.To make full use of the high-level features in ResNet101,a new convolutional layer was added and combined with the low-level feature map to extract multi-scale features.Results of the new design showed that detection accuracy on the PASCAL VOC 2007 dataset was 80.1% mAP,and the performance on PASCAL VOC 2012 and MS COCO datasets was superior to that on an FPN.Compared with the FPN,the detection performance of MFCN is even better.

    feature pyramid network;object detection;feature concatenation;semantic information

    TP391

    A

    0493-2137(2020)06-0647-06

    10.11784/tdxbz201904007

    2019-04-04;

    2019-08-26.

    楊愛萍(1977—??),女,博士,副教授.

    楊愛萍,yangaiping@tju.edu.cn.

    國(guó)家自然科學(xué)基金資助項(xiàng)目(61771329,61632018).

    Supported by the National Natural Science Foundation of China(No.61771329,No.61632018).

    (責(zé)任編輯:王曉燕)

    猜你喜歡
    低層集上金字塔
    “金字塔”
    A Study of the Pit-Aided Construction of Egyptian Pyramids
    Cookie-Cutter集上的Gibbs測(cè)度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    海上有座“金字塔”
    關(guān)于低層房屋建筑工程造價(jià)的要點(diǎn)及控制措施探討探索
    復(fù)扇形指標(biāo)集上的分布混沌
    神秘金字塔
    童話世界(2017年11期)2017-05-17 05:28:25
    住八樓以上的人,早亡風(fēng)險(xiǎn)低
    益壽寶典(2017年34期)2017-02-26 08:27:20
    低層高密度住宅設(shè)計(jì)探討
    xxx96com| 久久伊人香网站| 久久国产精品人妻蜜桃| 亚洲av成人一区二区三| 悠悠久久av| 神马国产精品三级电影在线观看 | 丰满人妻熟妇乱又伦精品不卡| 久久久久久亚洲精品国产蜜桃av| www.精华液| 啦啦啦在线免费观看视频4| 国产1区2区3区精品| 国产1区2区3区精品| 成人精品一区二区免费| 国产视频一区二区在线看| 精品人妻1区二区| 国产真人三级小视频在线观看| 日韩欧美一区二区三区在线观看| 亚洲第一av免费看| 日韩精品免费视频一区二区三区| 天天躁狠狠躁夜夜躁狠狠躁| 男女下面进入的视频免费午夜 | 亚洲成a人片在线一区二区| 精品欧美一区二区三区在线| 国产aⅴ精品一区二区三区波| 精品国产乱子伦一区二区三区| netflix在线观看网站| 欧美日韩av久久| 悠悠久久av| 色在线成人网| 一a级毛片在线观看| 宅男免费午夜| 欧美色视频一区免费| √禁漫天堂资源中文www| 欧美日韩瑟瑟在线播放| 国产一区在线观看成人免费| 日韩人妻精品一区2区三区| 自拍欧美九色日韩亚洲蝌蚪91| 欧美乱色亚洲激情| 免费看a级黄色片| 久久精品人人爽人人爽视色| 日本撒尿小便嘘嘘汇集6| 成人精品一区二区免费| 婷婷精品国产亚洲av在线| 久久精品人人爽人人爽视色| 欧美丝袜亚洲另类 | 亚洲美女黄片视频| 一个人观看的视频www高清免费观看 | 一夜夜www| 性欧美人与动物交配| 国产亚洲精品综合一区在线观看 | 午夜精品在线福利| 国产精品成人在线| 日本三级黄在线观看| 亚洲午夜精品一区,二区,三区| 国产xxxxx性猛交| 狠狠狠狠99中文字幕| 少妇的丰满在线观看| 日韩免费高清中文字幕av| 久久久久亚洲av毛片大全| 90打野战视频偷拍视频| 大码成人一级视频| 久久国产精品影院| 老汉色av国产亚洲站长工具| 国产极品粉嫩免费观看在线| 日韩免费高清中文字幕av| 天天躁狠狠躁夜夜躁狠狠躁| 91av网站免费观看| 久久久久国内视频| 99精国产麻豆久久婷婷| 久久国产精品影院| 亚洲色图av天堂| 日本免费一区二区三区高清不卡 | 波多野结衣高清无吗| 国产又爽黄色视频| 欧美黑人欧美精品刺激| 国产亚洲欧美在线一区二区| 日韩av在线大香蕉| 69精品国产乱码久久久| www国产在线视频色| 可以在线观看毛片的网站| 又黄又爽又免费观看的视频| av天堂在线播放| 叶爱在线成人免费视频播放| 丰满人妻熟妇乱又伦精品不卡| 在线观看免费视频日本深夜| 久久香蕉国产精品| 精品无人区乱码1区二区| 国产亚洲精品综合一区在线观看 | 久久国产精品人妻蜜桃| 日韩精品青青久久久久久| 国产精品爽爽va在线观看网站 | 国产有黄有色有爽视频| 国产激情久久老熟女| 国产精品98久久久久久宅男小说| 一二三四社区在线视频社区8| 一区在线观看完整版| 99国产精品99久久久久| 巨乳人妻的诱惑在线观看| 日韩av在线大香蕉| 成人影院久久| 伊人久久大香线蕉亚洲五| 国产一区二区三区在线臀色熟女 | 丰满的人妻完整版| 超色免费av| 精品一区二区三区av网在线观看| 韩国精品一区二区三区| 亚洲aⅴ乱码一区二区在线播放 | 中文字幕人妻丝袜制服| 中文字幕最新亚洲高清| 免费在线观看影片大全网站| 琪琪午夜伦伦电影理论片6080| 色婷婷av一区二区三区视频| 欧美精品亚洲一区二区| 1024香蕉在线观看| 欧美色视频一区免费| 看黄色毛片网站| 色在线成人网| 成人手机av| 免费观看精品视频网站| 国产精品影院久久| 色精品久久人妻99蜜桃| 一级毛片精品| 一a级毛片在线观看| a在线观看视频网站| 看免费av毛片| 巨乳人妻的诱惑在线观看| 视频在线观看一区二区三区| 精品国产乱子伦一区二区三区| www.自偷自拍.com| 国产亚洲精品久久久久5区| 欧美成人免费av一区二区三区| 成年版毛片免费区| 日韩欧美三级三区| 久久久国产成人精品二区 | 69精品国产乱码久久久| 高清欧美精品videossex| 国产精品香港三级国产av潘金莲| 亚洲人成电影免费在线| 欧美国产精品va在线观看不卡| 久久精品aⅴ一区二区三区四区| 99riav亚洲国产免费| 国产激情欧美一区二区| 一a级毛片在线观看| 国产精品偷伦视频观看了| 欧美最黄视频在线播放免费 | 操出白浆在线播放| 欧美激情久久久久久爽电影 | 国产精品成人在线| av电影中文网址| av欧美777| 在线观看免费日韩欧美大片| 亚洲一区二区三区不卡视频| 亚洲成人国产一区在线观看| 国产单亲对白刺激| 热re99久久精品国产66热6| 久久久国产精品麻豆| 国产成人欧美在线观看| 国产亚洲av高清不卡| 日本精品一区二区三区蜜桃| 免费不卡黄色视频| 一边摸一边做爽爽视频免费| 99国产综合亚洲精品| 熟女少妇亚洲综合色aaa.| 精品少妇一区二区三区视频日本电影| 国产精品香港三级国产av潘金莲| 午夜福利在线免费观看网站| 亚洲人成电影观看| 色尼玛亚洲综合影院| 超碰成人久久| 久久欧美精品欧美久久欧美| 欧美老熟妇乱子伦牲交| 免费搜索国产男女视频| 国产精品秋霞免费鲁丝片| 欧美久久黑人一区二区| 久久精品亚洲熟妇少妇任你| 丰满饥渴人妻一区二区三| 国产又色又爽无遮挡免费看| 欧美日韩中文字幕国产精品一区二区三区 | 久久人妻福利社区极品人妻图片| 中文字幕最新亚洲高清| 亚洲国产精品999在线| 18美女黄网站色大片免费观看| 窝窝影院91人妻| 美女大奶头视频| 亚洲人成电影观看| www日本在线高清视频| 精品乱码久久久久久99久播| 亚洲欧美精品综合久久99| 夜夜看夜夜爽夜夜摸 | 人妻丰满熟妇av一区二区三区| 国产av在哪里看| 精品免费久久久久久久清纯| 国产单亲对白刺激| 亚洲国产欧美网| 国产视频一区二区在线看| 久久久国产欧美日韩av| 欧美日本中文国产一区发布| 久久精品成人免费网站| 国产激情久久老熟女| 国产成+人综合+亚洲专区| 麻豆久久精品国产亚洲av | 多毛熟女@视频| 岛国在线观看网站| 一级a爱片免费观看的视频| 亚洲av电影在线进入| 国产成人av教育| 成人18禁高潮啪啪吃奶动态图| 777久久人妻少妇嫩草av网站| 在线观看一区二区三区激情| 日韩欧美免费精品| 首页视频小说图片口味搜索| 丝袜美足系列| 午夜视频精品福利| 中文字幕人妻丝袜一区二区| 一区在线观看完整版| 国产成人av激情在线播放| 亚洲专区国产一区二区| 久久精品aⅴ一区二区三区四区| 满18在线观看网站| 国产成人欧美在线观看| 亚洲专区字幕在线| 久久欧美精品欧美久久欧美| 成人免费观看视频高清| 真人一进一出gif抽搐免费| 国产成人av激情在线播放| 日本黄色视频三级网站网址| 亚洲国产看品久久| 天堂中文最新版在线下载| 亚洲第一欧美日韩一区二区三区| 亚洲专区国产一区二区| 欧美成人性av电影在线观看| 热re99久久国产66热| 80岁老熟妇乱子伦牲交| 老司机午夜福利在线观看视频| 丝袜在线中文字幕| 一级,二级,三级黄色视频| 丝袜美足系列| 午夜福利,免费看| 首页视频小说图片口味搜索| 每晚都被弄得嗷嗷叫到高潮| 亚洲一区二区三区欧美精品| 美女国产高潮福利片在线看| 精品国产乱码久久久久久男人| 国产日韩一区二区三区精品不卡| 在线观看一区二区三区| 欧美日韩一级在线毛片| 美国免费a级毛片| 亚洲国产精品sss在线观看 | 成人黄色视频免费在线看| 黑人欧美特级aaaaaa片| 亚洲中文字幕日韩| 午夜免费观看网址| 丝袜人妻中文字幕| 久久伊人香网站| 亚洲精品一卡2卡三卡4卡5卡| 国产av一区二区精品久久| 一个人观看的视频www高清免费观看 | 精品人妻1区二区| 久久性视频一级片| 久久精品亚洲熟妇少妇任你| 免费高清在线观看日韩| 亚洲色图综合在线观看| 久久中文看片网| 一级片'在线观看视频| 日韩精品青青久久久久久| 男人的好看免费观看在线视频 | 国产色视频综合| 美女福利国产在线| 久久国产精品男人的天堂亚洲| 亚洲五月婷婷丁香| 午夜福利影视在线免费观看| 久久久久久久午夜电影 | 一区福利在线观看| 欧美色视频一区免费| 国产乱人伦免费视频| av在线播放免费不卡| 亚洲五月婷婷丁香| 国产视频一区二区在线看| 亚洲av第一区精品v没综合| 真人做人爱边吃奶动态| 亚洲精品一二三| 少妇的丰满在线观看| 亚洲专区中文字幕在线| 波多野结衣一区麻豆| 午夜激情av网站| 亚洲九九香蕉| 色播在线永久视频| 免费看a级黄色片| 日韩av在线大香蕉| 天堂影院成人在线观看| 精品少妇一区二区三区视频日本电影| 国产一卡二卡三卡精品| 一区二区三区精品91| 一级毛片女人18水好多| 久久人人97超碰香蕉20202| 亚洲av电影在线进入| www国产在线视频色| 在线十欧美十亚洲十日本专区| 日本 av在线| 在线观看免费日韩欧美大片| 亚洲色图综合在线观看| 日韩欧美国产一区二区入口| 亚洲精品中文字幕一二三四区| 欧美日韩亚洲国产一区二区在线观看| av免费在线观看网站| 亚洲九九香蕉| 亚洲一区二区三区不卡视频| 极品教师在线免费播放| 韩国av一区二区三区四区| 99在线人妻在线中文字幕| 久久人妻av系列| 在线观看一区二区三区| 熟女少妇亚洲综合色aaa.| 亚洲自拍偷在线| 欧美日韩亚洲综合一区二区三区_| 最近最新中文字幕大全电影3 | 午夜激情av网站| 久久人妻熟女aⅴ| 亚洲av成人一区二区三| videosex国产| 欧美最黄视频在线播放免费 | 亚洲男人的天堂狠狠| 午夜影院日韩av| 日本wwww免费看| 麻豆久久精品国产亚洲av | 看黄色毛片网站| 免费少妇av软件| 桃红色精品国产亚洲av| 国产精品国产高清国产av| 免费高清在线观看日韩| 高清在线国产一区| 纯流量卡能插随身wifi吗| 黄色视频,在线免费观看| 极品人妻少妇av视频| 香蕉久久夜色| 91大片在线观看| 老司机深夜福利视频在线观看| 99re在线观看精品视频| 免费看十八禁软件| 免费观看精品视频网站| 国产男靠女视频免费网站| 亚洲国产欧美一区二区综合| 国产成人av激情在线播放| 新久久久久国产一级毛片| 1024视频免费在线观看| 怎么达到女性高潮| 欧美av亚洲av综合av国产av| a在线观看视频网站| 丁香六月欧美| 在线观看一区二区三区激情| 青草久久国产| 香蕉久久夜色| 久久中文看片网| 国产国语露脸激情在线看| 色老头精品视频在线观看| 日韩欧美一区二区三区在线观看| 精品免费久久久久久久清纯| www.熟女人妻精品国产| 老汉色∧v一级毛片| 日韩欧美免费精品| 成人三级做爰电影| 午夜福利影视在线免费观看| 欧美黑人精品巨大| 国产伦人伦偷精品视频| 午夜老司机福利片| 欧美激情久久久久久爽电影 | 午夜福利欧美成人| tocl精华| 99国产精品一区二区三区| 久久天堂一区二区三区四区| 国产国语露脸激情在线看| 精品福利观看| 欧美日韩中文字幕国产精品一区二区三区 | 国产高清激情床上av| 99久久综合精品五月天人人| 国产精品久久久av美女十八| 亚洲精品国产一区二区精华液| 男人舔女人下体高潮全视频| www.精华液| 久久精品国产亚洲av香蕉五月| 国产精品 欧美亚洲| 80岁老熟妇乱子伦牲交| 久久午夜综合久久蜜桃| 欧美黑人欧美精品刺激| 日日摸夜夜添夜夜添小说| 国产三级黄色录像| 欧美日韩国产mv在线观看视频| 黑丝袜美女国产一区| 香蕉久久夜色| 久久久久久久精品吃奶| 国产亚洲av高清不卡| 一区二区三区精品91| 热re99久久精品国产66热6| 香蕉国产在线看| 黄色 视频免费看| 一区在线观看完整版| 欧美一区二区精品小视频在线| 国产欧美日韩一区二区精品| 日本免费一区二区三区高清不卡 | 色播在线永久视频| 日本免费a在线| 免费日韩欧美在线观看| 一级,二级,三级黄色视频| 国产精品亚洲一级av第二区| 成年人黄色毛片网站| 不卡一级毛片| 人人妻人人澡人人看| 日韩欧美国产一区二区入口| 国产成人欧美在线观看| 在线观看免费视频网站a站| 成人18禁在线播放| 国产成年人精品一区二区 | 黄色视频,在线免费观看| 久久精品国产综合久久久| 国内毛片毛片毛片毛片毛片| 手机成人av网站| 一边摸一边抽搐一进一小说| 久久婷婷成人综合色麻豆| 久9热在线精品视频| 大型黄色视频在线免费观看| 女人被狂操c到高潮| 一级a爱片免费观看的视频| www.精华液| 亚洲精品一二三| 午夜免费鲁丝| 日韩视频一区二区在线观看| av福利片在线| 新久久久久国产一级毛片| 中文字幕色久视频| 久久精品aⅴ一区二区三区四区| 天堂影院成人在线观看| 在线天堂中文资源库| 中文字幕高清在线视频| а√天堂www在线а√下载| 女性被躁到高潮视频| 久久久久久久久久久久大奶| 日本黄色视频三级网站网址| 无人区码免费观看不卡| 亚洲欧美日韩无卡精品| 欧美中文综合在线视频| 亚洲第一青青草原| 久久国产亚洲av麻豆专区| 变态另类成人亚洲欧美熟女 | 黑人猛操日本美女一级片| 黄片小视频在线播放| 国产精品电影一区二区三区| 久久久精品欧美日韩精品| 亚洲va日本ⅴa欧美va伊人久久| 老鸭窝网址在线观看| 夜夜看夜夜爽夜夜摸 | 丰满饥渴人妻一区二区三| 在线观看日韩欧美| 亚洲自拍偷在线| 熟女少妇亚洲综合色aaa.| 久久人人精品亚洲av| 人人妻人人澡人人看| 999精品在线视频| 免费人成视频x8x8入口观看| 女人爽到高潮嗷嗷叫在线视频| 久久久水蜜桃国产精品网| 久久热在线av| 黄片小视频在线播放| 国产成人啪精品午夜网站| 侵犯人妻中文字幕一二三四区| 亚洲欧美一区二区三区黑人| 日韩免费高清中文字幕av| 国产精品爽爽va在线观看网站 | 在线免费观看的www视频| 国产激情久久老熟女| 丁香欧美五月| 亚洲第一欧美日韩一区二区三区| 国产在线观看jvid| 99久久综合精品五月天人人| 在线观看一区二区三区激情| 久久久久国产一级毛片高清牌| 亚洲美女黄片视频| 久久久国产成人精品二区 | 成人国语在线视频| 午夜影院日韩av| 欧美中文日本在线观看视频| 欧美激情 高清一区二区三区| 精品一区二区三区av网在线观看| 18禁国产床啪视频网站| 国产人伦9x9x在线观看| 久久精品国产清高在天天线| 亚洲熟妇熟女久久| 欧美成人免费av一区二区三区| 亚洲少妇的诱惑av| 国产精品美女特级片免费视频播放器 | 久久久精品欧美日韩精品| 日日夜夜操网爽| 亚洲男人天堂网一区| 最新美女视频免费是黄的| 久久亚洲精品不卡| 精品日产1卡2卡| 日韩 欧美 亚洲 中文字幕| 人妻久久中文字幕网| 天天影视国产精品| 国产成人欧美在线观看| 色在线成人网| 欧美中文日本在线观看视频| 日韩成人在线观看一区二区三区| aaaaa片日本免费| 精品人妻1区二区| 夜夜夜夜夜久久久久| 亚洲精品一区av在线观看| 色综合欧美亚洲国产小说| 久热这里只有精品99| 一级毛片精品| 一个人观看的视频www高清免费观看 | 亚洲精品成人av观看孕妇| 热99re8久久精品国产| av欧美777| 日日爽夜夜爽网站| av网站免费在线观看视频| 黄色 视频免费看| 大码成人一级视频| 久久精品影院6| 国产精品乱码一区二三区的特点 | 黄色a级毛片大全视频| 国产av精品麻豆| 欧美成人午夜精品| 很黄的视频免费| 他把我摸到了高潮在线观看| 久久国产亚洲av麻豆专区| 夜夜爽天天搞| 国产深夜福利视频在线观看| 国产av一区在线观看免费| 90打野战视频偷拍视频| 侵犯人妻中文字幕一二三四区| 三级毛片av免费| 国产精品久久久人人做人人爽| 欧美最黄视频在线播放免费 | 好看av亚洲va欧美ⅴa在| 日韩高清综合在线| 久久人人精品亚洲av| 亚洲情色 制服丝袜| 黄频高清免费视频| 欧美亚洲日本最大视频资源| 一级片'在线观看视频| 久久香蕉国产精品| 一二三四在线观看免费中文在| 久久久精品国产亚洲av高清涩受| 一进一出好大好爽视频| 美国免费a级毛片| 国产精品成人在线| 日本欧美视频一区| 日日摸夜夜添夜夜添小说| 母亲3免费完整高清在线观看| 日韩免费av在线播放| 夫妻午夜视频| 一个人免费在线观看的高清视频| 午夜两性在线视频| 少妇的丰满在线观看| 久久精品影院6| 欧美日韩av久久| 美女 人体艺术 gogo| 80岁老熟妇乱子伦牲交| 韩国av一区二区三区四区| 青草久久国产| 午夜福利欧美成人| 热re99久久国产66热| 日韩大码丰满熟妇| 波多野结衣av一区二区av| 亚洲精品久久午夜乱码| 啪啪无遮挡十八禁网站| www.自偷自拍.com| 欧美大码av| 18禁美女被吸乳视频| 纯流量卡能插随身wifi吗| 国产精品永久免费网站| 丝袜美腿诱惑在线| 妹子高潮喷水视频| 精品久久久久久成人av| 久久久水蜜桃国产精品网| 九色亚洲精品在线播放| 很黄的视频免费| 88av欧美| 9热在线视频观看99| 久久久精品国产亚洲av高清涩受| 欧美老熟妇乱子伦牲交| 免费日韩欧美在线观看| 99久久国产精品久久久| 亚洲,欧美精品.| 国产精品乱码一区二三区的特点 | 亚洲av片天天在线观看| 国产色视频综合| 男女下面进入的视频免费午夜 | 亚洲成a人片在线一区二区| 国产精品二区激情视频| 欧美日韩精品网址| 老司机午夜十八禁免费视频| 国产精品一区二区三区四区久久 | 国产精品一区二区在线不卡| 一夜夜www| 欧美+亚洲+日韩+国产| 亚洲欧洲精品一区二区精品久久久| 中文字幕人妻丝袜制服| 三上悠亚av全集在线观看| 国产精品永久免费网站| 午夜亚洲福利在线播放| 欧美成人午夜精品| 国产成人av教育| 国产又色又爽无遮挡免费看| 淫妇啪啪啪对白视频| 叶爱在线成人免费视频播放| 九色亚洲精品在线播放| 男人操女人黄网站| 日韩精品青青久久久久久| 婷婷丁香在线五月| 国产欧美日韩一区二区三| 一级毛片精品| 亚洲av第一区精品v没综合| 亚洲五月色婷婷综合| 久9热在线精品视频|