• <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 ?

    結(jié)合Inception模塊的卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法

    2020-05-28 09:36:21齊廣華何明祥
    軟件導(dǎo)刊 2020年3期
    關(guān)鍵詞:圖像分類卷積神經(jīng)網(wǎng)絡(luò)

    齊廣華 何明祥

    摘 要:針對現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)量大、訓(xùn)練時間長的問題,提出了一種結(jié)合VGG模型和Inception模塊特點的網(wǎng)絡(luò)模型。該模型通過結(jié)合兩種經(jīng)典模型的特點,增加網(wǎng)絡(luò)模型的寬度和深度,使用較小的卷積核和較多的非線性激活,在減少參數(shù)量的同時增加了網(wǎng)絡(luò)特征提取能力,同時利用全局平均池化層替代全連接層,避免全連接層參數(shù)過多容易導(dǎo)致的過擬合問題。在MNIST和CIFAR-10數(shù)據(jù)集上的實驗結(jié)果表明,該方法在MNIST數(shù)據(jù)集上的準(zhǔn)確率達(dá)到了99.76%,在CIFAR-10數(shù)據(jù)集上的準(zhǔn)確率相比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型提高了6%左右。

    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò); Inception模塊; 全局平均池化; 卷積核; 圖像分類

    DOI:10. 11907/rjdk. 192501

    中圖分類號:TP301 ? 文獻(xiàn)標(biāo)識碼:A??????????????? 文章編號:1672-7800(2020)003-0079-04

    Convolutional Neural Network Image Classification Method Combined

    with Inception Module

    QI Guang-hua, HE Ming-xiang

    (College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China)

    Abstract: Aiming at the problem that the existing convolutional neural network model has large parameters and long training time, we propose a network model combining VGG model and inception module. By combining the characteristics of the two classical models, the model increases the width and depth of the network model, uses a smaller convolution kernel and more nonlinear activation, and increases the network feature extraction ability while reducing the parameter quantity. The average pooling layer replaces the fully connected layer, avoiding the over-fitting problem that is easily caused by too many parameters of the full-connected layer. Experimental results on the MNIST and CIFAR-10 datasets show that the accuracy of this method on the MNIST dataset is 99.76%. The accuracy on the CIFAR-10 dataset is about 6% higher than the traditional convolutional neural network model.

    Key Words: convolutional neural network; inception module; global average pooling; convolution kernel; image classification

    0 引言

    智能化信息時代的到來,使得人工智能與機(jī)器學(xué)習(xí)技術(shù)得到了飛速發(fā)展。卷積神經(jīng)網(wǎng)絡(luò)[1](Convolution Neural Network,CNN)作為深度學(xué)習(xí)最常用的模型之一,由于具有良好的特征提取能力和泛化能力,在圖像處理、目標(biāo)跟蹤與檢測、自然語言處理、場景分類、人臉識別、音頻檢索、醫(yī)療診斷等諸多領(lǐng)域獲得了巨大成功。

    隨著如LeNet-5[2],AlexNet,VGGNet[3]等一系列經(jīng)典CNN模型的提出,模型的深度和復(fù)雜度也隨之增加,網(wǎng)絡(luò)模型的參數(shù)也變得龐大,模型運行也消耗了更多時間。文獻(xiàn)[4]討論了在特定復(fù)雜度和時間中,CNN模型的深度、特征數(shù)、卷積核等因素平衡問題。通過增加卷積層數(shù)量增加網(wǎng)絡(luò)深度,使得模型在分類任務(wù)上更有優(yōu)勢;文獻(xiàn)[5]、文獻(xiàn)[6]的研究表明,CNN模型中從卷積層到全連接層存在大量冗余參數(shù),并且全連接層的參數(shù)量約占90%。剔除不重要的參數(shù)節(jié)點以及卷積核,可以達(dá)到精簡網(wǎng)絡(luò)結(jié)構(gòu)的目的,減少參數(shù)進(jìn)而有效緩解過擬合現(xiàn)象[7]的發(fā)生,同時減少網(wǎng)絡(luò)訓(xùn)練時間,提升網(wǎng)絡(luò)模型的健壯性;文獻(xiàn)[8]提出了Inception模塊,利用3種類型的卷積操作(1×1,3×3,5×5),增加了CNN深度,同時減少了參數(shù),提升了計算資源利用率。

    基于以上背景,本文提出結(jié)合Inception模塊的卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法,利用若干個較小的卷積核替代一個較大的卷積核,通過增加卷積層獲取深層次信息,同時讓幾種類型的卷積核并聯(lián)提取圖像特征,增加了網(wǎng)絡(luò)深度、寬度并減少了參數(shù),同時提升了算法效率。本文利用全局平均池化層(Global Average Pooling[9])替換全連接層以防止過擬合,采用批歸一化[10](Batch Normalization,BN)操作加速收斂過程,增強(qiáng)模型學(xué)習(xí)能力。

    1 卷積神經(jīng)網(wǎng)絡(luò)模型

    1.1 VGG-Net

    VGG-Net在 ILSVRC-2014中的優(yōu)秀表現(xiàn),證明增加網(wǎng)絡(luò)深度可以影響網(wǎng)絡(luò)模型最終性能。VGG-Net的一個改進(jìn)是利用幾個連續(xù)的小卷積核替代AlexNet中的較大卷積核。在給定的相同感受野[11]下,由于小卷積核的代價較小,卷積核的堆疊也增加了非線性激活次數(shù),以進(jìn)行更深層的特征學(xué)習(xí),因此利用連續(xù)的小卷積核[12]是更優(yōu)選擇。例如在VGG中使用3個3×3卷積核代替1個7×7卷積核,7×7的參數(shù)為49個,3個3×3的參數(shù)是27個。這樣保證在具有相同感受野的條件下,提升網(wǎng)絡(luò)深度,同時使用3次非線性函數(shù)而不是1次,這樣增加了函數(shù)判別能力,減少了參數(shù)數(shù)量,在一定程度上提升了神經(jīng)網(wǎng)絡(luò)效果。

    1.2 Inception模塊

    VGG-Net的泛化性能非常好,常用于圖像特征抽取和目標(biāo)檢測候選框生成等。VGG的最大問題就在于參數(shù)數(shù)量,簡單地堆疊較大卷積層非常消耗計算資源,VGG-19 基本上是參數(shù)量最多的卷積網(wǎng)絡(luò)架構(gòu)。由于信息位置的巨大差異,為卷積操作選擇合適的卷積核大小較為困難。信息分布全局性好的圖像偏好較大的卷積核,信息分布比較局部的圖像偏好較小的卷積核。非常深的網(wǎng)絡(luò)更容易過擬合,將梯度更新傳輸?shù)秸麄€網(wǎng)絡(luò)很困難。為了使網(wǎng)絡(luò)變寬,而不是更深,Inception模塊由此而生。它沒有像 VGG-Net 那樣大量使用全連接網(wǎng)絡(luò),因此參數(shù)量非常小。

    GoogLeNet最大的特點是使用了Inception模塊,如圖1所示,利用 1×1、3×3 或 5×5 等不同的卷積運算與池化操作獲得輸入圖像的不同信息,并行處理這些運算并結(jié)合所有結(jié)果將獲得更好的圖像特征。同時,為了降低計算成本,在3×3和5×5卷積層之前添加相較于3×3和5×5卷積廉價很多的 1×1 卷積層,以限制輸入信道數(shù)量。

    2 卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)方法

    2.1 模型寬度與深度

    使用VGG16模型的前三層卷積,即3×3卷積核和2×2池化層的組合,卷積層使用大小相同的卷積核對圖像進(jìn)行特征提取,緊跟的池化層將處理過的圖像進(jìn)行高度和寬度壓縮,達(dá)到縮小圖像的目的。通過增加卷積池化層不斷加深網(wǎng)絡(luò)結(jié)構(gòu),進(jìn)而增強(qiáng)圖像特征提取能力。

    利用Inception模塊,設(shè)計一種具有優(yōu)良局部拓?fù)浣Y(jié)構(gòu)的網(wǎng)絡(luò),即對輸入圖像并行地執(zhí)行多個卷積運算或池化操作,并將所有輸出結(jié)果拼接為一個非常深的特征圖。由于1×1、3×3 或 5×5 等不同的卷積運算與池化操作可以獲得輸入圖像的不同信息,并行處理這些運算并結(jié)合所有結(jié)果以獲得更好的圖像表征。在同一層級上運行該具備多個尺寸的濾波器,增加了網(wǎng)絡(luò)寬度。

    2.2 GAP

    在卷積神經(jīng)網(wǎng)絡(luò)初期,通過卷積池化層后總是需要接一個或幾個全連接層,最后輸入到Softmax層進(jìn)行分類。其特征是全連接層的參數(shù)非常多,使模型本身變得非常臃腫。Lin等[8]提出使用GAP替代全連接層的思路,該方法取代了擁有大量參數(shù)的全連接層,直接實現(xiàn)了參數(shù)降維。GAP在結(jié)構(gòu)上對整個網(wǎng)絡(luò)作正則化進(jìn)而防止過擬合,允許輸入任意大小的圖像,重新整合空間特征信息,進(jìn)而使算法擁有更強(qiáng)的魯棒性。

    2.3 自適應(yīng)學(xué)習(xí)率

    在機(jī)器學(xué)習(xí)中,為了得到最優(yōu)權(quán)值,需要構(gòu)建利用代價損失函數(shù),并選用合適的優(yōu)化算法得到最小函數(shù)損失值。本文選用隨機(jī)梯度下降算法[13](Stochastic Gradient Descent,SGD)和Adam學(xué)習(xí)率自適應(yīng)算法[14]相結(jié)合的方式更新學(xué)習(xí)速率。

    SGD算法在計算下降最快的方向時,每次只隨機(jī)選擇一個樣本更新模型參數(shù),而不是掃描全部樣本集。因此加快了迭代速度,計算量也有所降低,并且可以進(jìn)行在線更新。SGD相關(guān)公式如下:

    式中,θ代表參數(shù)權(quán)值,▽θ 代表梯度,J(θ)代表損失函數(shù),α表示學(xué)習(xí)率。如果學(xué)習(xí)率過小,算法需要經(jīng)過較多的迭代次數(shù)才能找到最優(yōu)解,收斂速度會大幅度下降,更有可能陷入局部最優(yōu)解。如果學(xué)習(xí)率過大,雖然會加快訓(xùn)練速度,但也加大了跳過最優(yōu)解的幾率,可能出現(xiàn)在最優(yōu)解兩側(cè)來回跳躍的情況反而找不到最優(yōu)解。由此可以看出,學(xué)習(xí)率是決定梯度下降算法是否有效的關(guān)鍵因素。

    SGD能夠收斂于最優(yōu)解,但是相對而言它可能花費的時間更長,并且容易陷入局部極小值點,甚至鞍點。為了使學(xué)習(xí)率更好地適應(yīng)SGD,本文選擇Adam算法作為自適應(yīng)學(xué)習(xí)速率SGD優(yōu)化算法。該算法利用梯度的一階矩陣和二階矩陣動態(tài)調(diào)整參數(shù)學(xué)習(xí)率、校正后的學(xué)習(xí)率,使每一次迭代都有一個確定范圍,并且使參數(shù)更新比較平穩(wěn)。θ 參數(shù)更新如式(2)所示。

    式中,[v]和[m]分別是對代價函數(shù)求梯度的一階矩陣及二階矩陣。

    2.4 改進(jìn)模型

    改進(jìn)后的網(wǎng)絡(luò)模型如圖2所示。設(shè)F0(X)=X+η為第一層輸入,F(xiàn)i(X)為第i層輸出,*為卷積操作,Wi和bi 分別表示卷積層的權(quán)重與偏置。

    第一層使用Inception模塊,使用包括1×1、3×3、2個3×3共3種不同尺度大小的卷積核增加網(wǎng)絡(luò)寬度,提取更多特征,此外還執(zhí)行最大池化,所有子層的輸出最后會被級聯(lián)起來,并傳送至下一個模塊。針對數(shù)據(jù)集較小的情況,決定將層數(shù)降為32層,每種尺度大小的卷積核個數(shù)為8個。其中,W11=3×3×8,W12=3×3×8,W13=1×1×8,W14=1×1×8。

    第二層使用VGG網(wǎng)絡(luò)的3個卷積池化層,利用Conv+BN+ReLU+maxpool組合,64、128和256個3×3卷積核的卷積層以及2×2池化層,不斷縮小圖像高度和寬度,提高了網(wǎng)絡(luò)深度,學(xué)習(xí)了更深層的更多特征。使用ReLU[15]激活函數(shù),避免梯度消失;增加BN操作進(jìn)行歸一化,加快網(wǎng)絡(luò)訓(xùn)練。各層輸出表示為:

    第三層使用全局平均池化層替代全連接層,有效減少了參數(shù)數(shù)量,可以很好地減輕過擬合發(fā)生。

    3 實驗結(jié)果與分析

    3.1 實驗平臺與數(shù)據(jù)

    實驗選取的數(shù)據(jù)集為手寫數(shù)字識別數(shù)據(jù)集MNIST和一般物體圖像數(shù)據(jù)集CIFAR-10。本文實驗主要在Intel(R)Core(TM)i5-6300HQ CPU2.30 GHz+Nvidia GeForce GTX960M GPU+8G內(nèi)存配置的服務(wù)器上進(jìn)行,另外采用基于Python語言的TensorFlow4.2深度學(xué)習(xí)框架對不同數(shù)據(jù)庫進(jìn)行訓(xùn)練與測試。

    3.2 實驗結(jié)果對比

    3.2.1 MNIST數(shù)據(jù)集實驗分析

    MNIST數(shù)據(jù)集包含訓(xùn)練樣本60 000個,測試樣本??? 10 000個的手寫數(shù)字圖像,其中每張圖像大小為28×28。設(shè)置epoch為100,batch 為200,每個epoch需要訓(xùn)練100次,總迭代訓(xùn)練次數(shù)為10 000次。卷積層步長設(shè)置為1,池化層步長設(shè)置為2,用反向傳播算法調(diào)整網(wǎng)絡(luò)權(quán)值,用交叉熵函數(shù)衡量訓(xùn)練損失,利用自適應(yīng)學(xué)習(xí)率對訓(xùn)練集樣本進(jìn)行學(xué)習(xí)提取,采用Adam優(yōu)化算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練,訓(xùn)練結(jié)果如表1所示。經(jīng)過 100 次迭代準(zhǔn)確率已達(dá)到 99.64%,參數(shù)總數(shù)相比也有大幅度減少。

    為了進(jìn)一步驗證模型有效性,與近幾年手寫字符識別方法進(jìn)行對比,實驗結(jié)果如表2所示。文獻(xiàn)[16]通過減少全連接層參數(shù),識別準(zhǔn)確率為99.29%;文獻(xiàn)[17]通過融合卷積神經(jīng)網(wǎng)絡(luò)使準(zhǔn)確率達(dá)到99.10%;文獻(xiàn)[18]通過PCA和K-臨近算法使識別準(zhǔn)確率達(dá)到99.40%;文獻(xiàn)[19]在隱藏層設(shè)置SVM輔助分類器提高學(xué)習(xí)效率,使識別準(zhǔn)確率達(dá)到99.61%;文獻(xiàn)[20]通過改進(jìn)的LeNet-5模型準(zhǔn)確率達(dá)到99.36%。如表2所示,本文方法識別準(zhǔn)確率高于其它文獻(xiàn)方法,降低了手寫數(shù)字識別錯誤率。

    3.2.2 CIFAR-10數(shù)據(jù)集實驗結(jié)果分析

    網(wǎng)絡(luò)模型泛化能力越強(qiáng),表明模型普適性越強(qiáng),對未知數(shù)據(jù)集的處理能力就越強(qiáng);否則,模型泛化能力越差。為了進(jìn)一步驗證模型有效性,模型繼續(xù)在CIFAR-10數(shù)據(jù)集上進(jìn)行實驗。CIFAR-10數(shù)據(jù)集由50 000個訓(xùn)練圖像和10 000個測試圖像組成,共10個類,每個類有6 000個彩色圖像,每張彩色圖像大小為32×32。

    用本文提出的模型在數(shù)據(jù)集上進(jìn)行實驗,與傳統(tǒng)CNN模型進(jìn)行對比,實驗結(jié)果如表3所示。

    表3列出了本文改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)集上的測試結(jié)果,通過圖4改進(jìn)模型與傳統(tǒng)CNN模型的損失值對比,可以直觀地看出本文模型在圖像分類識別上的優(yōu)勢,從側(cè)面展示了改進(jìn)模型在不同圖像識別環(huán)境中具有一定適應(yīng)能力。

    4 結(jié)語

    本文根據(jù)VGGNet和Inception模塊,提出了一種卷積神經(jīng)網(wǎng)絡(luò)模型,通過加大網(wǎng)絡(luò)寬度和深度增強(qiáng)特征提取能力,通過對每層輸入進(jìn)行Batch Normalization,用Relu激活函數(shù)、SGD自適應(yīng)學(xué)習(xí)率算法和Adam優(yōu)化算法加快學(xué)習(xí)速度,卷積核疊加和全局平均池化層減少了參數(shù)數(shù)量,最后輸入到Softmax層中進(jìn)行分類。本文在MNIST數(shù)據(jù)集和CIFAR-10數(shù)據(jù)集上與一些傳統(tǒng)CNN模型進(jìn)行了對比實驗,結(jié)果表明,本文網(wǎng)絡(luò)模型在兩個數(shù)據(jù)集上的準(zhǔn)確率相對更高,擁有更好的魯棒性和泛化能力。同時,由于實驗中所使用的數(shù)據(jù)集較小,訓(xùn)練樣本數(shù)量和種類限制對實驗結(jié)果有一定影響。因此下一步工作中,將擴(kuò)大數(shù)據(jù)集以驗證本模型在圖像分類中的有效性。

    參考文獻(xiàn):

    [1]LECUN Y, BOSER B E, DENKER J S, et al. Handwritten digit recognition with a back-propagation network[C]. Advances in neural information processing systems, 1990:396-404.

    [2]LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

    [3]SIMONYAN K,ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C]. International Conference on Learning Representations, 2015.

    [4]HE K M, SUN J. Convolutional neural networks at constrained time cost[C]. Proceedings of Computer Vision and Pattern Recognition, 2015:5353-5360.

    [5]HU H, PENG R,TAI Y W, et al. Network trimming: a data-driven neuron pruning approach towards efficient deep architectures[DB/OL]. https://arxiv.org/abs/1607.03250.

    [6]JIN Y, KUWASHIMA S, KURITA T, Fast and accurate image super resolution by deep CNN with skip connection and network in network[C]. International Conference on Neural Information Processing, 2017:217-225.

    [7]GONG Y, LIU L, YANG M, et al. Compressing deep convolutional networks using vector quantization[DB/OL]. https://arxiv.org/abs/1607.03250.

    [8]SZEGEDY C,LIU W,JIA Y Q,et al. Going deeper with convolutions[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,2015:1-9.

    [9]LIN M, CHEN Q, YAN S. Network in network[DB/OL]. https://arxiv.org/abs/1607.03250.

    [10]YU N, JIAO P, ZHENG Y. Handwritten digits recognition base on improved LeNet5[C]. The 27th Chinese Control and Decision Conference, 2015:4871-4875.

    [11]SPRINGENBERG T,DOSOVITSKIY A,BROX T, et al. Striving for simplicity: the all convolutional net[C]. Proceedings of International Conference on Learning Represenation Workshop Track,2015.

    [12]SZEGEDY C,VANHOUCKE V,IOFFE S,et al. Rethinking the inception architecture for computer vision[C]. Proceeding of IEEE Conference on Computer Vision and Pattern Recognition,2016:2818-2826.

    [13]王功鵬,段萌,牛常勇. 基于卷積神經(jīng)網(wǎng)絡(luò)的隨機(jī)梯度下降算法[J]. 計算機(jī)工程與設(shè)計,2018,39(2):441-445,462.

    [14]張爍,張榮. 基于卷積神經(jīng)網(wǎng)絡(luò)模型的手寫數(shù)字辨識算法研究[J]. 計算機(jī)應(yīng)用與軟件,2019,36(8):172-176,261.

    [15]OSHEA K, NASH R. An introduction to convolutional neural networks[DB/OL]. https://arxiv.org/abs/1607.03250,2015.

    [16]YANG Z,MOCZULSKI M,DENIL M, et al. Deep fried convnets[C].? Proceedings of the IEEE International Conference on Computer Vision,2015:1476-1483.

    [17]陳玄,朱榮,王中元. 基于融合卷積神經(jīng)網(wǎng)絡(luò)模型的手寫數(shù)字識別[J]. 計算機(jī)工程, 2017(11):187-192.

    [18]顧潘龍,史麗紅. 基于PCA及k-鄰近算法的復(fù)雜環(huán)境數(shù)字手寫體識別[J]. 電子技術(shù),2018, 47(10):44-48.

    [19]LEE C Y, XIE S, GALLAGHER P, et al. Deeply-supervised nets[C].? Artificial Intelligence and Statistics, 2015:562-570.

    [20]王秀席,王茂寧,張建偉,等. 基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車型識別方法[J]. 計算機(jī)應(yīng)用研究, 2018, 35(7): 301-304.

    (責(zé)任編輯:孫 娟)

    收稿日期:2019-11-14

    作者簡介:齊廣華(1993-),男,山東科技大學(xué)計算機(jī)科學(xué)與工程學(xué)院碩士研究生,研究方向為智能信息處理技術(shù);何明祥(1969-),男,山東科技大學(xué)計算機(jī)科學(xué)與工程學(xué)院副教授,研究方向為數(shù)據(jù)庫系統(tǒng)、信息處理、人工智能、數(shù)字礦山。本文通訊作者:齊廣華。

    猜你喜歡
    圖像分類卷積神經(jīng)網(wǎng)絡(luò)
    基于數(shù)據(jù)挖掘的圖像分類算法
    基于卷積神經(jīng)網(wǎng)絡(luò)溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于云計算的圖像分類算法
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    基于錨點建圖的半監(jiān)督分類在遙感圖像中的應(yīng)用
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    一種基于引導(dǎo)濾波和MNF的高光譜遙感圖像分類方法
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于最大似然法的南京市土地利用類型分類研究
    商(2016年22期)2016-07-08 14:32:30
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識別的算法的研究
    国产精品99久久久久久久久| 亚洲最大成人中文| 国产色婷婷99| av线在线观看网站| 九九爱精品视频在线观看| 乱系列少妇在线播放| 国产亚洲av嫩草精品影院| 久久国内精品自在自线图片| 丰满乱子伦码专区| 青春草亚洲视频在线观看| 亚洲内射少妇av| 激情五月婷婷亚洲| 欧美日韩视频高清一区二区三区二| 听说在线观看完整版免费高清| 亚洲国产精品成人综合色| 日韩强制内射视频| 五月伊人婷婷丁香| 色吧在线观看| 3wmmmm亚洲av在线观看| 少妇丰满av| 亚洲综合色惰| 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 | 男人舔奶头视频| 成人黄色视频免费在线看| 久久精品久久久久久噜噜老黄| 男人舔奶头视频| 成人国产麻豆网| 最近最新中文字幕免费大全7| 欧美国产精品一级二级三级 | 青春草视频在线免费观看| 涩涩av久久男人的天堂| av黄色大香蕉| 熟妇人妻不卡中文字幕| 午夜爱爱视频在线播放| 日韩一区二区三区影片| 欧美极品一区二区三区四区| 亚洲人成网站高清观看| 夜夜爽夜夜爽视频| 亚洲不卡免费看| 国产色婷婷99| 日日摸夜夜添夜夜添av毛片| 成年版毛片免费区| 久久精品人妻少妇| 一区二区三区精品91| freevideosex欧美| 欧美bdsm另类| 又大又黄又爽视频免费| 我的女老师完整版在线观看| 26uuu在线亚洲综合色| 97超视频在线观看视频| 人人妻人人爽人人添夜夜欢视频 | 亚洲欧美精品专区久久| 日韩中字成人| 免费不卡的大黄色大毛片视频在线观看| 男女边吃奶边做爰视频| 亚洲图色成人| 男女那种视频在线观看| 国产在线男女| 亚洲,欧美,日韩| 最近中文字幕2019免费版| 国产av码专区亚洲av| 午夜福利在线观看免费完整高清在| 亚洲av国产av综合av卡| 精品人妻视频免费看| 久久久久久久久大av| 少妇人妻 视频| 噜噜噜噜噜久久久久久91| 在线 av 中文字幕| 免费在线观看成人毛片| 香蕉精品网在线| 亚洲av成人精品一区久久| 欧美潮喷喷水| 国产精品不卡视频一区二区| 日韩在线高清观看一区二区三区| 熟女av电影| 国产黄片美女视频| 国产毛片a区久久久久| 在线看a的网站| 日韩av不卡免费在线播放| 亚洲伊人久久精品综合| 一级片'在线观看视频| 69人妻影院| 一本久久精品| 高清欧美精品videossex| 亚洲精品中文字幕在线视频 | 2018国产大陆天天弄谢| 亚洲内射少妇av| 日日摸夜夜添夜夜爱| 亚洲四区av| 免费看日本二区| 联通29元200g的流量卡| av黄色大香蕉| 秋霞伦理黄片| 国产成人freesex在线| 91午夜精品亚洲一区二区三区| 搡女人真爽免费视频火全软件| 国国产精品蜜臀av免费| 久久国内精品自在自线图片| 中文在线观看免费www的网站| 高清视频免费观看一区二区| 交换朋友夫妻互换小说| 国内揄拍国产精品人妻在线| 噜噜噜噜噜久久久久久91| 少妇裸体淫交视频免费看高清| 久久精品久久精品一区二区三区| 大香蕉97超碰在线| 国产乱来视频区| 日韩电影二区| 精品国产露脸久久av麻豆| 国内精品美女久久久久久| 国产真实伦视频高清在线观看| 免费不卡的大黄色大毛片视频在线观看| 国产亚洲最大av| 最近手机中文字幕大全| 如何舔出高潮| 婷婷色av中文字幕| 亚洲美女搞黄在线观看| 久热这里只有精品99| 欧美三级亚洲精品| 国产av不卡久久| 99热6这里只有精品| 高清视频免费观看一区二区| 各种免费的搞黄视频| 男人爽女人下面视频在线观看| 小蜜桃在线观看免费完整版高清| 日本色播在线视频| 大香蕉97超碰在线| 十八禁网站网址无遮挡 | 久久精品人妻少妇| 久久午夜福利片| 午夜精品一区二区三区免费看| 日韩av在线免费看完整版不卡| 18禁在线播放成人免费| 直男gayav资源| 国内精品美女久久久久久| av一本久久久久| 又爽又黄无遮挡网站| 99久久九九国产精品国产免费| 久久久久久久久大av| 国产精品久久久久久精品电影小说 | 亚洲国产精品国产精品| 日韩人妻高清精品专区| 少妇猛男粗大的猛烈进出视频 | 久久久精品94久久精品| 中文字幕免费在线视频6| 国产老妇女一区| 国产精品人妻久久久影院| 亚洲人与动物交配视频| 一个人看视频在线观看www免费| 日韩精品有码人妻一区| 在现免费观看毛片| 十八禁网站网址无遮挡 | 日本色播在线视频| 欧美日韩国产mv在线观看视频 | 亚洲一区二区三区欧美精品 | 欧美日韩一区二区视频在线观看视频在线 | 国产在视频线精品| 国产伦在线观看视频一区| 视频区图区小说| 亚洲四区av| 熟女av电影| 日本wwww免费看| 好男人在线观看高清免费视频| 人人妻人人看人人澡| 免费观看a级毛片全部| 18禁裸乳无遮挡免费网站照片| 波多野结衣巨乳人妻| 婷婷色综合大香蕉| 久久久久精品性色| 老司机影院毛片| 久久久久久国产a免费观看| 国产成人aa在线观看| 欧美激情国产日韩精品一区| 久久精品夜色国产| 三级经典国产精品| 一级a做视频免费观看| 亚洲精品456在线播放app| 国产av码专区亚洲av| 综合色av麻豆| 国产亚洲av片在线观看秒播厂| 成人亚洲欧美一区二区av| 亚洲欧美精品自产自拍| 91精品国产九色| 免费人成在线观看视频色| 高清午夜精品一区二区三区| 少妇人妻 视频| 嫩草影院新地址| 在线免费观看不下载黄p国产| 成年女人在线观看亚洲视频 | 国产黄a三级三级三级人| 日韩亚洲欧美综合| 18+在线观看网站| 搡女人真爽免费视频火全软件| 国产人妻一区二区三区在| 成人高潮视频无遮挡免费网站| 一本色道久久久久久精品综合| 国产黄色视频一区二区在线观看| 美女脱内裤让男人舔精品视频| 狂野欧美激情性xxxx在线观看| 亚洲美女搞黄在线观看| 中文欧美无线码| 99久久精品国产国产毛片| 亚洲无线观看免费| 国产亚洲91精品色在线| 九九爱精品视频在线观看| 22中文网久久字幕| 一区二区三区乱码不卡18| 18+在线观看网站| 七月丁香在线播放| 久久久久久久大尺度免费视频| 亚洲欧美一区二区三区黑人 | 亚洲av电影在线观看一区二区三区 | 在线观看av片永久免费下载| 欧美日韩国产mv在线观看视频 | 久久国产乱子免费精品| 最近的中文字幕免费完整| 久久女婷五月综合色啪小说 | 午夜精品一区二区三区免费看| 久久国产乱子免费精品| 少妇 在线观看| 在线a可以看的网站| 欧美性猛交╳xxx乱大交人| 丝袜喷水一区| 美女主播在线视频| 亚洲欧美日韩另类电影网站 | 欧美亚洲 丝袜 人妻 在线| av国产久精品久网站免费入址| 亚洲人成网站在线观看播放| 在线观看三级黄色| 内地一区二区视频在线| 少妇人妻一区二区三区视频| 国产黄色视频一区二区在线观看| 永久网站在线| 18禁裸乳无遮挡免费网站照片| 伦精品一区二区三区| 欧美精品国产亚洲| 久久久久久久久久久丰满| 亚洲精品,欧美精品| 亚洲精品国产av成人精品| 久久精品国产亚洲av涩爱| 亚洲自偷自拍三级| 又爽又黄a免费视频| 黄片无遮挡物在线观看| 国产中年淑女户外野战色| 成人亚洲欧美一区二区av| 18禁在线播放成人免费| 午夜免费男女啪啪视频观看| 国产黄a三级三级三级人| 久久精品国产亚洲av天美| 亚洲精品日韩在线中文字幕| 简卡轻食公司| 欧美日韩综合久久久久久| 视频中文字幕在线观看| 欧美高清成人免费视频www| 亚州av有码| 中文字幕制服av| 亚洲精品视频女| 最后的刺客免费高清国语| 亚洲无线观看免费| av一本久久久久| 丝袜喷水一区| 免费播放大片免费观看视频在线观看| 国产精品伦人一区二区| freevideosex欧美| 狂野欧美白嫩少妇大欣赏| 国产熟女欧美一区二区| 亚洲国产精品成人综合色| 久久亚洲国产成人精品v| 亚洲精品色激情综合| 国产爽快片一区二区三区| 蜜臀久久99精品久久宅男| 日本欧美国产在线视频| 全区人妻精品视频| 丰满少妇做爰视频| 波野结衣二区三区在线| 国产成人a∨麻豆精品| 国产伦在线观看视频一区| 麻豆国产97在线/欧美| 老师上课跳d突然被开到最大视频| 国产精品无大码| 51国产日韩欧美| 欧美三级亚洲精品| 日本一二三区视频观看| 插逼视频在线观看| 校园人妻丝袜中文字幕| 伦精品一区二区三区| 97在线视频观看| 一级爰片在线观看| 成人国产av品久久久| 欧美bdsm另类| 热re99久久精品国产66热6| 91久久精品电影网| 国产精品熟女久久久久浪| 亚洲成色77777| 久久99热这里只频精品6学生| a级一级毛片免费在线观看| 黑人高潮一二区| 亚洲国产精品国产精品| 日韩精品有码人妻一区| 亚洲精品国产av蜜桃| 亚洲成人精品中文字幕电影| 成年免费大片在线观看| 国产精品国产三级专区第一集| 男人和女人高潮做爰伦理| 国产老妇女一区| 在线观看免费高清a一片| 欧美人与善性xxx| 久久久精品94久久精品| 99久久精品一区二区三区| 国产精品人妻久久久影院| 精品亚洲乱码少妇综合久久| 日韩中字成人| 狠狠精品人妻久久久久久综合| 久久久午夜欧美精品| 啦啦啦中文免费视频观看日本| 在线观看人妻少妇| 亚洲一级一片aⅴ在线观看| 乱系列少妇在线播放| 国产成人freesex在线| 成人漫画全彩无遮挡| a级一级毛片免费在线观看| 欧美精品国产亚洲| 国产色爽女视频免费观看| 日本wwww免费看| 久久久久久久国产电影| 在线观看国产h片| 最近最新中文字幕大全电影3| 亚洲欧洲国产日韩| 亚洲不卡免费看| 99热国产这里只有精品6| 热re99久久精品国产66热6| 午夜福利在线在线| 国产乱来视频区| freevideosex欧美| 亚洲精品第二区| 边亲边吃奶的免费视频| 国产在视频线精品| 欧美xxⅹ黑人| 亚洲国产色片| 亚洲电影在线观看av| 六月丁香七月| 插逼视频在线观看| 国内精品宾馆在线| 亚洲精品aⅴ在线观看| 一本一本综合久久| 人妻夜夜爽99麻豆av| 一本一本综合久久| 中文天堂在线官网| 免费黄色在线免费观看| 1000部很黄的大片| 久久久久精品性色| 亚洲一区二区三区欧美精品 | 欧美日韩精品成人综合77777| 成人鲁丝片一二三区免费| 国产精品偷伦视频观看了| a级毛色黄片| 汤姆久久久久久久影院中文字幕| 性色av一级| 国产极品天堂在线| 成年免费大片在线观看| 97人妻精品一区二区三区麻豆| 欧美丝袜亚洲另类| 久久国产乱子免费精品| 中文字幕免费在线视频6| 日韩中字成人| 久久精品国产a三级三级三级| 日韩精品有码人妻一区| 高清在线视频一区二区三区| 我的女老师完整版在线观看| 日韩视频在线欧美| 丰满乱子伦码专区| 国产成人一区二区在线| 久久久久久久精品精品| 99久久九九国产精品国产免费| 欧美zozozo另类| 岛国毛片在线播放| 国模一区二区三区四区视频| 天堂中文最新版在线下载 | 免费av不卡在线播放| 嫩草影院入口| 免费观看av网站的网址| 五月天丁香电影| 两个人的视频大全免费| 狂野欧美激情性bbbbbb| 黄片无遮挡物在线观看| 国产精品蜜桃在线观看| 亚洲av成人精品一二三区| 丝瓜视频免费看黄片| 男女下面进入的视频免费午夜| 国产欧美日韩一区二区三区在线 | 成年女人在线观看亚洲视频 | 白带黄色成豆腐渣| 国产在视频线精品| 交换朋友夫妻互换小说| 麻豆乱淫一区二区| 亚洲成人中文字幕在线播放| 久久精品国产亚洲av天美| 美女国产视频在线观看| 中文字幕久久专区| 国产高清国产精品国产三级 | 97人妻精品一区二区三区麻豆| 特大巨黑吊av在线直播| 国产精品秋霞免费鲁丝片| 极品少妇高潮喷水抽搐| 高清av免费在线| 精品久久久久久久人妻蜜臀av| 国产精品爽爽va在线观看网站| 亚洲国产精品999| 最近中文字幕高清免费大全6| 大香蕉久久网| 国语对白做爰xxxⅹ性视频网站| 亚洲欧美一区二区三区黑人 | 久久久色成人| 中文字幕av成人在线电影| 最近的中文字幕免费完整| 国产精品国产三级专区第一集| 欧美3d第一页| 国产伦精品一区二区三区视频9| 乱码一卡2卡4卡精品| 亚洲精品乱久久久久久| 久久久精品免费免费高清| 91久久精品国产一区二区三区| 亚洲国产精品999| 一区二区三区四区激情视频| 老司机影院毛片| 亚洲四区av| 久久久亚洲精品成人影院| 99热全是精品| 欧美日韩精品成人综合77777| 别揉我奶头 嗯啊视频| 各种免费的搞黄视频| 国产欧美日韩精品一区二区| 国产综合精华液| 黄色配什么色好看| 最后的刺客免费高清国语| 日本黄大片高清| 午夜激情福利司机影院| 国产一区二区在线观看日韩| 最近最新中文字幕大全电影3| 一边亲一边摸免费视频| 人人妻人人爽人人添夜夜欢视频 | 日韩制服骚丝袜av| 夜夜爽夜夜爽视频| 99九九线精品视频在线观看视频| 五月开心婷婷网| 日韩免费高清中文字幕av| 成人毛片60女人毛片免费| 午夜爱爱视频在线播放| 欧美日韩视频精品一区| 国产91av在线免费观看| 亚洲自偷自拍三级| 久久亚洲国产成人精品v| 日日摸夜夜添夜夜爱| 国产av码专区亚洲av| 久久久久精品性色| 亚洲熟女精品中文字幕| 中文在线观看免费www的网站| 九色成人免费人妻av| 国产伦理片在线播放av一区| 大片免费播放器 马上看| 国内精品美女久久久久久| 秋霞在线观看毛片| 久久久久精品久久久久真实原创| 真实男女啪啪啪动态图| 国产欧美日韩精品一区二区| 亚洲精品国产成人久久av| 亚洲最大成人中文| 99久久精品国产国产毛片| 亚洲精品自拍成人| 国产精品伦人一区二区| 国产精品国产三级国产av玫瑰| 久久久精品免费免费高清| 综合色丁香网| 美女脱内裤让男人舔精品视频| 乱系列少妇在线播放| 亚洲欧美日韩无卡精品| 又爽又黄a免费视频| 色哟哟·www| 免费看光身美女| 男男h啪啪无遮挡| 亚洲经典国产精华液单| videossex国产| 中文资源天堂在线| 国产有黄有色有爽视频| 一级毛片我不卡| 国产老妇女一区| 一二三四中文在线观看免费高清| 岛国毛片在线播放| 男男h啪啪无遮挡| 国产精品.久久久| 亚洲国产精品成人综合色| 国产精品.久久久| 欧美成人一区二区免费高清观看| 免费大片黄手机在线观看| 免费观看性生交大片5| 黄色配什么色好看| 丝袜美腿在线中文| 欧美最新免费一区二区三区| 午夜视频国产福利| 亚洲欧洲国产日韩| 国产久久久一区二区三区| 亚洲美女视频黄频| 精品99又大又爽又粗少妇毛片| 精品国产乱码久久久久久小说| 性色av一级| 亚洲成人精品中文字幕电影| 欧美另类一区| 精品久久久久久久人妻蜜臀av| 久久精品综合一区二区三区| 成人一区二区视频在线观看| 777米奇影视久久| 最近最新中文字幕大全电影3| 色吧在线观看| 国产高清三级在线| 国产亚洲91精品色在线| 日韩电影二区| 一级毛片电影观看| a级一级毛片免费在线观看| 有码 亚洲区| 日韩欧美一区视频在线观看 | 国产成人一区二区在线| 欧美一区二区亚洲| 一个人看视频在线观看www免费| 啦啦啦中文免费视频观看日本| 大香蕉久久网| 久久6这里有精品| 少妇高潮的动态图| 国产高清有码在线观看视频| 波野结衣二区三区在线| 免费黄色在线免费观看| 久久久成人免费电影| 国产又色又爽无遮挡免| 丰满少妇做爰视频| 国产黄频视频在线观看| 国产精品麻豆人妻色哟哟久久| 久久精品综合一区二区三区| 国产精品一区二区在线观看99| 亚洲人与动物交配视频| www.色视频.com| 在线播放无遮挡| 一区二区三区乱码不卡18| 亚洲真实伦在线观看| 最近最新中文字幕大全电影3| 免费大片18禁| 精品熟女少妇av免费看| 国产精品久久久久久久久免| 国产亚洲91精品色在线| 九草在线视频观看| 最近2019中文字幕mv第一页| 亚洲国产精品专区欧美| kizo精华| 亚洲欧美清纯卡通| 国产精品无大码| 国产免费又黄又爽又色| 日本av手机在线免费观看| 1000部很黄的大片| 欧美高清性xxxxhd video| 欧美少妇被猛烈插入视频| av天堂中文字幕网| 色视频www国产| 大码成人一级视频| 大香蕉久久网| 亚洲欧美日韩另类电影网站 | 狂野欧美激情性xxxx在线观看| 色网站视频免费| 啦啦啦啦在线视频资源| 大片电影免费在线观看免费| 精品酒店卫生间| 在线免费观看不下载黄p国产| 七月丁香在线播放| 欧美激情国产日韩精品一区| 男人爽女人下面视频在线观看| 成人国产麻豆网| 97超碰精品成人国产| 亚洲精品国产av成人精品| 日本色播在线视频| 国产伦精品一区二区三区四那| 一区二区三区免费毛片| 国产精品成人在线| 男人添女人高潮全过程视频| 嫩草影院入口| 国产午夜精品久久久久久一区二区三区| 夜夜爽夜夜爽视频| 国产精品久久久久久av不卡| 只有这里有精品99| 亚洲三级黄色毛片| 王馨瑶露胸无遮挡在线观看| 国产黄频视频在线观看| 精品一区二区三卡| av卡一久久| 国产精品国产三级专区第一集| 成人美女网站在线观看视频| 日日摸夜夜添夜夜爱| 亚洲av国产av综合av卡| 国产成人a区在线观看| 国产免费视频播放在线视频| 欧美亚洲 丝袜 人妻 在线| 欧美一级a爱片免费观看看| 91精品伊人久久大香线蕉| 国产极品天堂在线| 日韩视频在线欧美| 好男人视频免费观看在线| 欧美日韩在线观看h| 欧美潮喷喷水| 亚洲va在线va天堂va国产| 精品久久久久久久久亚洲| 免费看不卡的av| 美女cb高潮喷水在线观看| 婷婷色综合大香蕉| 18+在线观看网站| 日韩亚洲欧美综合| 99久久精品热视频| 不卡视频在线观看欧美| 在线免费观看不下载黄p国产| 精品午夜福利在线看|