• <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
    各种免费的搞黄视频| 久久狼人影院| 亚洲一码二码三码区别大吗| 黑人高潮一二区| 亚洲精品av麻豆狂野| 三级国产精品片| 又黄又爽又刺激的免费视频.| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 男女下面插进去视频免费观看 | 亚洲第一av免费看| 中文字幕人妻丝袜制服| 精品午夜福利在线看| 大片免费播放器 马上看| 成人二区视频| 欧美激情国产日韩精品一区| 日韩中字成人| 综合色丁香网| 如何舔出高潮| 国产免费现黄频在线看| 亚洲综合色惰| 日韩免费高清中文字幕av| 18禁观看日本| 看十八女毛片水多多多| 亚洲国产av新网站| 亚洲精品av麻豆狂野| 亚洲国产欧美日韩在线播放| 看十八女毛片水多多多| 99久久中文字幕三级久久日本| 久久青草综合色| 激情视频va一区二区三区| 少妇被粗大的猛进出69影院 | 国产免费一区二区三区四区乱码| 日本91视频免费播放| 国产在线视频一区二区| 少妇人妻 视频| 黄色毛片三级朝国网站| 亚洲精品一区蜜桃| 欧美xxⅹ黑人| 亚洲欧洲日产国产| 丝袜脚勾引网站| 国产xxxxx性猛交| 肉色欧美久久久久久久蜜桃| 一级片'在线观看视频| 国内精品宾馆在线| 在线观看免费视频网站a站| 久久人妻熟女aⅴ| 七月丁香在线播放| 在现免费观看毛片| 日韩欧美一区视频在线观看| 汤姆久久久久久久影院中文字幕| 国产综合精华液| 欧美成人午夜精品| 欧美激情国产日韩精品一区| 亚洲国产av影院在线观看| 男男h啪啪无遮挡| 亚洲精品国产av蜜桃| 亚洲精品美女久久av网站| 国产精品无大码| 黄片播放在线免费| 久久久久久久国产电影| 久久国产精品大桥未久av| 亚洲国产av影院在线观看| 国产免费一区二区三区四区乱码| 日韩视频在线欧美| 久久99精品国语久久久| 亚洲,一卡二卡三卡| 国产在视频线精品| 久久久久精品性色| 日韩制服丝袜自拍偷拍| 亚洲成色77777| 亚洲国产av新网站| 亚洲国产精品成人久久小说| 18禁国产床啪视频网站| 只有这里有精品99| 精品少妇内射三级| 在线观看一区二区三区激情| 国产永久视频网站| 青春草亚洲视频在线观看| 麻豆精品久久久久久蜜桃| 宅男免费午夜| 国产极品粉嫩免费观看在线| 99久久精品国产国产毛片| 国产免费又黄又爽又色| 最新的欧美精品一区二区| 国产精品一区二区在线不卡| 中文字幕免费在线视频6| 女性生殖器流出的白浆| 日韩中文字幕视频在线看片| a级毛色黄片| 尾随美女入室| 国产麻豆69| av国产久精品久网站免费入址| 精品亚洲乱码少妇综合久久| 美女大奶头黄色视频| 激情五月婷婷亚洲| 久久久久久人妻| 伦理电影大哥的女人| 国产成人91sexporn| 美国免费a级毛片| 丁香六月天网| 亚洲国产精品999| 母亲3免费完整高清在线观看 | 日日摸夜夜添夜夜爱| 日韩制服丝袜自拍偷拍| 免费观看在线日韩| 日韩成人av中文字幕在线观看| 欧美丝袜亚洲另类| 免费高清在线观看日韩| 亚洲成国产人片在线观看| 免费日韩欧美在线观看| 人妻一区二区av| 五月伊人婷婷丁香| 嫩草影院入口| 免费人成在线观看视频色| 亚洲精品乱码久久久久久按摩| 亚洲国产精品一区三区| 在线亚洲精品国产二区图片欧美| 精品熟女少妇av免费看| 丰满乱子伦码专区| 久久精品国产亚洲av天美| 99精国产麻豆久久婷婷| 欧美精品国产亚洲| 另类精品久久| av.在线天堂| 免费久久久久久久精品成人欧美视频 | 久久狼人影院| 看非洲黑人一级黄片| 99九九在线精品视频| 精品一区二区三卡| 成人黄色视频免费在线看| 日日爽夜夜爽网站| 精品国产一区二区三区四区第35| 18在线观看网站| 日本爱情动作片www.在线观看| 亚洲精品国产av蜜桃| 国产有黄有色有爽视频| 国产激情久久老熟女| 少妇 在线观看| 91精品三级在线观看| 国产一区二区在线观看av| 欧美人与性动交α欧美软件 | 国产av国产精品国产| 亚洲国产精品国产精品| 只有这里有精品99| 久久国内精品自在自线图片| 欧美+日韩+精品| 免费播放大片免费观看视频在线观看| 曰老女人黄片| 深夜精品福利| 久久久久视频综合| 欧美亚洲日本最大视频资源| 国产女主播在线喷水免费视频网站| 成人18禁高潮啪啪吃奶动态图| 高清毛片免费看| 天堂中文最新版在线下载| √禁漫天堂资源中文www| 亚洲成人一二三区av| 波野结衣二区三区在线| 男女国产视频网站| 国产在线一区二区三区精| 人成视频在线观看免费观看| 一二三四中文在线观看免费高清| 热99久久久久精品小说推荐| 精品一区二区免费观看| a 毛片基地| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 十分钟在线观看高清视频www| 亚洲国产色片| 国产一区二区激情短视频 | 2021少妇久久久久久久久久久| 日韩欧美一区视频在线观看| 日本vs欧美在线观看视频| 男人爽女人下面视频在线观看| 亚洲国产精品999| 菩萨蛮人人尽说江南好唐韦庄| 亚洲国产色片| 久久精品人人爽人人爽视色| 国产日韩一区二区三区精品不卡| 丝瓜视频免费看黄片| 精品福利永久在线观看| 一二三四中文在线观看免费高清| 80岁老熟妇乱子伦牲交| 又大又黄又爽视频免费| 欧美日韩av久久| 99国产精品免费福利视频| 一级毛片 在线播放| 最近2019中文字幕mv第一页| 波野结衣二区三区在线| 两个人看的免费小视频| 天天影视国产精品| 91aial.com中文字幕在线观看| 9191精品国产免费久久| 免费在线观看完整版高清| 精品人妻偷拍中文字幕| 亚洲欧洲精品一区二区精品久久久 | 国产一区二区在线观看日韩| 狂野欧美激情性bbbbbb| 亚洲成人av在线免费| 精品久久国产蜜桃| 女的被弄到高潮叫床怎么办| 天天躁夜夜躁狠狠久久av| 久久 成人 亚洲| 成人综合一区亚洲| 波多野结衣一区麻豆| 最近手机中文字幕大全| 欧美日本中文国产一区发布| 一级毛片电影观看| 国产精品久久久av美女十八| 最黄视频免费看| 免费日韩欧美在线观看| 亚洲人成77777在线视频| 丰满乱子伦码专区| 午夜影院在线不卡| av福利片在线| 建设人人有责人人尽责人人享有的| 国产男女超爽视频在线观看| 黄色怎么调成土黄色| 日本91视频免费播放| 国产精品成人在线| 精品一区二区三区视频在线| 色94色欧美一区二区| 一级毛片电影观看| 在线观看一区二区三区激情| 亚洲伊人久久精品综合| 黄网站色视频无遮挡免费观看| 免费高清在线观看日韩| 日日爽夜夜爽网站| 尾随美女入室| 多毛熟女@视频| 欧美成人午夜免费资源| 欧美日韩视频精品一区| 亚洲精品日本国产第一区| 在线天堂中文资源库| 国产国拍精品亚洲av在线观看| 熟妇人妻不卡中文字幕| 午夜日本视频在线| 老司机亚洲免费影院| 亚洲在久久综合| 777米奇影视久久| 中文字幕亚洲精品专区| 天天躁夜夜躁狠狠久久av| 成人无遮挡网站| 日韩成人伦理影院| 精品久久国产蜜桃| 日本欧美视频一区| 搡女人真爽免费视频火全软件| 免费黄色在线免费观看| 亚洲欧美一区二区三区黑人 | 老熟女久久久| 哪个播放器可以免费观看大片| 五月天丁香电影| 国产一区二区激情短视频 | 亚洲四区av| 人人妻人人爽人人添夜夜欢视频| 91久久精品国产一区二区三区| 极品少妇高潮喷水抽搐| 成人黄色视频免费在线看| a 毛片基地| 九九在线视频观看精品| 久久韩国三级中文字幕| 免费看光身美女| 国产亚洲午夜精品一区二区久久| 国产色婷婷99| 色吧在线观看| 久久精品国产亚洲av天美| 国产精品成人在线| 国产精品国产三级国产专区5o| 最近中文字幕2019免费版| 天堂8中文在线网| 亚洲精品久久成人aⅴ小说| 搡女人真爽免费视频火全软件| 天堂俺去俺来也www色官网| 免费女性裸体啪啪无遮挡网站| 久久女婷五月综合色啪小说| 免费观看在线日韩| 各种免费的搞黄视频| 亚洲欧美清纯卡通| 国产精品国产三级国产专区5o| 亚洲精品美女久久久久99蜜臀 | 少妇猛男粗大的猛烈进出视频| 男人舔女人的私密视频| 免费av不卡在线播放| 免费不卡的大黄色大毛片视频在线观看| 亚洲精品国产av成人精品| 日韩视频在线欧美| 中文天堂在线官网| 男女国产视频网站| 亚洲精品中文字幕在线视频| 人人妻人人爽人人添夜夜欢视频| 国产欧美日韩综合在线一区二区| 咕卡用的链子| 国产免费又黄又爽又色| 国产永久视频网站| 日本av手机在线免费观看| 国产欧美日韩一区二区三区在线| 日韩av不卡免费在线播放| 美国免费a级毛片| 精品酒店卫生间| 天堂8中文在线网| 另类亚洲欧美激情| 成人国产av品久久久| 国产精品久久久久久av不卡| 少妇的逼水好多| 大片电影免费在线观看免费| 国产免费又黄又爽又色| 亚洲国产欧美在线一区| 又黄又爽又刺激的免费视频.| 国产麻豆69| 女的被弄到高潮叫床怎么办| 日本与韩国留学比较| www日本在线高清视频| 国产精品一区二区在线观看99| 久久99热这里只频精品6学生| 午夜视频国产福利| av一本久久久久| 精品国产一区二区三区四区第35| 中文精品一卡2卡3卡4更新| 亚洲伊人色综图| 美女主播在线视频| 妹子高潮喷水视频| 成人黄色视频免费在线看| 国产精品国产三级国产专区5o| 亚洲av日韩在线播放| 久久人人爽人人爽人人片va| 欧美亚洲日本最大视频资源| 亚洲经典国产精华液单| 国产精品免费大片| 欧美成人精品欧美一级黄| 在线精品无人区一区二区三| 在线观看免费日韩欧美大片| 黑人欧美特级aaaaaa片| 亚洲伊人色综图| 国产福利在线免费观看视频| 一区二区三区精品91| 丝袜人妻中文字幕| 欧美另类一区| 曰老女人黄片| 宅男免费午夜| 欧美人与性动交α欧美精品济南到 | 涩涩av久久男人的天堂| 国产永久视频网站| 国产成人免费无遮挡视频| 涩涩av久久男人的天堂| 国产成人精品无人区| 人人澡人人妻人| av在线老鸭窝| 最新的欧美精品一区二区| 国产成人av激情在线播放| 亚洲av在线观看美女高潮| 母亲3免费完整高清在线观看 | 2018国产大陆天天弄谢| 黄网站色视频无遮挡免费观看| 国产一区二区三区综合在线观看 | 另类精品久久| 人人妻人人澡人人爽人人夜夜| 亚洲精品色激情综合| 欧美精品亚洲一区二区| 日韩熟女老妇一区二区性免费视频| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲精品成人av观看孕妇| 国产高清不卡午夜福利| 欧美少妇被猛烈插入视频| 熟妇人妻不卡中文字幕| 亚洲一区二区三区欧美精品| 亚洲婷婷狠狠爱综合网| 18+在线观看网站| 女人精品久久久久毛片| a级毛色黄片| 在线天堂最新版资源| 亚洲欧洲精品一区二区精品久久久 | 在线天堂中文资源库| 久久久久久久精品精品| 久久久久久久久久久免费av| 精品少妇内射三级| 中文字幕人妻丝袜制服| 9热在线视频观看99| 久久久久久久久久久久大奶| 成人二区视频| 日韩精品有码人妻一区| 精品99又大又爽又粗少妇毛片| 欧美日韩精品成人综合77777| 成人二区视频| 亚洲av成人精品一二三区| 内地一区二区视频在线| 国产成人免费观看mmmm| 久久狼人影院| 国产精品一区二区在线不卡| av卡一久久| 看免费成人av毛片| 国产精品久久久久久av不卡| 中文字幕另类日韩欧美亚洲嫩草| 女性被躁到高潮视频| 欧美日韩一区二区视频在线观看视频在线| 最近手机中文字幕大全| 精品福利永久在线观看| a级毛色黄片| 制服诱惑二区| 久久精品国产a三级三级三级| 国产成人91sexporn| tube8黄色片| 久久人人爽人人爽人人片va| 日韩在线高清观看一区二区三区| 91在线精品国自产拍蜜月| 日本黄色日本黄色录像| 国产免费视频播放在线视频| 黑丝袜美女国产一区| 精品久久久精品久久久| 精品福利永久在线观看| 天堂俺去俺来也www色官网| 欧美日韩视频精品一区| 久久久久久人妻| 亚洲av.av天堂| 久久久久久久亚洲中文字幕| 国产国拍精品亚洲av在线观看| 成人午夜精彩视频在线观看| 国产日韩一区二区三区精品不卡| 国产在线免费精品| 婷婷色综合www| 亚洲一码二码三码区别大吗| 久久久久国产精品人妻一区二区| 国产黄频视频在线观看| 香蕉精品网在线| 日韩不卡一区二区三区视频在线| 91成人精品电影| 亚洲内射少妇av| 赤兔流量卡办理| 青青草视频在线视频观看| 岛国毛片在线播放| av电影中文网址| 永久免费av网站大全| 国产黄色视频一区二区在线观看| 男人操女人黄网站| 伊人久久国产一区二区| 亚洲内射少妇av| 亚洲精品一二三| 观看美女的网站| 人人妻人人澡人人爽人人夜夜| 春色校园在线视频观看| 成人毛片a级毛片在线播放| 麻豆乱淫一区二区| 国产国语露脸激情在线看| 日本91视频免费播放| 一级a做视频免费观看| 久久av网站| 青青草视频在线视频观看| 女性生殖器流出的白浆| 热99国产精品久久久久久7| 男女边摸边吃奶| 超碰97精品在线观看| 免费播放大片免费观看视频在线观看| 日日啪夜夜爽| 日韩三级伦理在线观看| 午夜免费观看性视频| 天堂8中文在线网| 久久女婷五月综合色啪小说| 曰老女人黄片| 哪个播放器可以免费观看大片| 久久精品国产鲁丝片午夜精品| 五月玫瑰六月丁香| 国产又色又爽无遮挡免| 91精品国产国语对白视频| 夫妻性生交免费视频一级片| 亚洲国产色片| 国产亚洲最大av| 丝袜喷水一区| 欧美精品av麻豆av| 久久久国产精品麻豆| 国产精品久久久久成人av| 视频在线观看一区二区三区| 飞空精品影院首页| 日韩三级伦理在线观看| 尾随美女入室| 9191精品国产免费久久| 日韩一本色道免费dvd| 欧美成人精品欧美一级黄| 99久久中文字幕三级久久日本| 人妻 亚洲 视频| 欧美日韩视频高清一区二区三区二| 女性生殖器流出的白浆| a级毛片黄视频| 91aial.com中文字幕在线观看| 亚洲精品一区蜜桃| 黑人猛操日本美女一级片| 99国产精品免费福利视频| 午夜老司机福利剧场| 亚洲av欧美aⅴ国产| 亚洲av综合色区一区| 日韩精品有码人妻一区| 成年女人在线观看亚洲视频| 免费观看性生交大片5| 中文字幕人妻丝袜制服| 丰满饥渴人妻一区二区三| 草草在线视频免费看| 巨乳人妻的诱惑在线观看| 中文字幕最新亚洲高清| 国产高清不卡午夜福利| 侵犯人妻中文字幕一二三四区| 国产熟女午夜一区二区三区| 天天影视国产精品| 午夜免费鲁丝| 永久网站在线| 999精品在线视频| 日韩大片免费观看网站| kizo精华| 最后的刺客免费高清国语| 亚洲精品视频女| 美女视频免费永久观看网站| 精品午夜福利在线看| 欧美人与善性xxx| av国产久精品久网站免费入址| 久久久亚洲精品成人影院| 欧美成人精品欧美一级黄| 精品久久蜜臀av无| 国产毛片在线视频| 又黄又粗又硬又大视频| 香蕉国产在线看| 午夜福利视频在线观看免费| 丰满迷人的少妇在线观看| 国产高清不卡午夜福利| 国产日韩欧美视频二区| 极品人妻少妇av视频| 热99久久久久精品小说推荐| 99九九在线精品视频| 婷婷色麻豆天堂久久| 欧美成人午夜免费资源| 97在线视频观看| av有码第一页| 最近2019中文字幕mv第一页| 国产一区二区在线观看av| 亚洲人成网站在线观看播放| 9191精品国产免费久久| 欧美日韩成人在线一区二区| 国产精品久久久久久精品古装| 国产一区二区在线观看日韩| 黑人巨大精品欧美一区二区蜜桃 | 国产日韩欧美亚洲二区| 色吧在线观看| h视频一区二区三区| 中国国产av一级| 欧美+日韩+精品| 久久国产亚洲av麻豆专区| videosex国产| 午夜福利影视在线免费观看| 亚洲欧美一区二区三区黑人 | 激情视频va一区二区三区| 香蕉国产在线看| 纯流量卡能插随身wifi吗| 少妇人妻久久综合中文| 乱码一卡2卡4卡精品| 精品久久蜜臀av无| 男女无遮挡免费网站观看| 伦理电影免费视频| 午夜福利,免费看| 亚洲,一卡二卡三卡| 黑丝袜美女国产一区| 国产亚洲精品久久久com| 满18在线观看网站| 一二三四在线观看免费中文在 | 在线观看美女被高潮喷水网站| 国产一区二区三区综合在线观看 | 国产成人精品在线电影| 高清欧美精品videossex| 最近最新中文字幕大全免费视频 | 欧美激情 高清一区二区三区| 91在线精品国自产拍蜜月| 久久国产精品大桥未久av| 免费日韩欧美在线观看| 欧美精品人与动牲交sv欧美| 在线免费观看不下载黄p国产| 国产精品成人在线| 纯流量卡能插随身wifi吗| 99热网站在线观看| av在线老鸭窝| 有码 亚洲区| 欧美激情 高清一区二区三区| 日本爱情动作片www.在线观看| 久久久国产精品麻豆| 中文字幕精品免费在线观看视频 | 在线 av 中文字幕| 男的添女的下面高潮视频| 建设人人有责人人尽责人人享有的| 国产熟女午夜一区二区三区| 99久久人妻综合| 国产成人精品婷婷| 欧美老熟妇乱子伦牲交| 91在线精品国自产拍蜜月| 99精国产麻豆久久婷婷| 亚洲欧美中文字幕日韩二区| 18在线观看网站| 国产精品蜜桃在线观看| 最近最新中文字幕免费大全7| 欧美成人午夜免费资源| 男女国产视频网站| 肉色欧美久久久久久久蜜桃| 欧美 日韩 精品 国产| 精品一区在线观看国产| 国产熟女欧美一区二区| 婷婷成人精品国产| 国产精品欧美亚洲77777| 国产在线免费精品| 人妻系列 视频| 少妇的丰满在线观看| 九草在线视频观看| 99热全是精品| 国产男人的电影天堂91| 波野结衣二区三区在线| 成人二区视频| 久久久精品94久久精品| 插逼视频在线观看| 亚洲国产成人一精品久久久| 国产精品一区二区在线不卡| 满18在线观看网站| 久久精品国产亚洲av天美| 午夜免费鲁丝| 亚洲精品自拍成人|