• <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
    高清在线视频一区二区三区 | 亚洲av成人精品一二三区| 黑人高潮一二区| 免费搜索国产男女视频| 午夜精品国产一区二区电影 | 国产老妇伦熟女老妇高清| 亚洲不卡免费看| 国产伦理片在线播放av一区| 男女啪啪激烈高潮av片| 我的女老师完整版在线观看| 久久久久九九精品影院| 一级爰片在线观看| 国产免费一级a男人的天堂| 菩萨蛮人人尽说江南好唐韦庄 | 日韩欧美在线乱码| 国产av在哪里看| 亚洲精品国产成人久久av| 99在线视频只有这里精品首页| 级片在线观看| 亚洲成色77777| 久久精品国产自在天天线| 美女xxoo啪啪120秒动态图| 水蜜桃什么品种好| 在线播放无遮挡| 午夜福利在线在线| 国产亚洲午夜精品一区二区久久 | 亚洲高清免费不卡视频| 级片在线观看| 我的老师免费观看完整版| 在线免费观看的www视频| 亚洲精品影视一区二区三区av| 99久国产av精品| 日日摸夜夜添夜夜添av毛片| 汤姆久久久久久久影院中文字幕 | 色播亚洲综合网| 韩国高清视频一区二区三区| 97超碰精品成人国产| 国内少妇人妻偷人精品xxx网站| 天堂√8在线中文| 2021少妇久久久久久久久久久| 亚洲国产精品国产精品| 日本-黄色视频高清免费观看| 国产伦精品一区二区三区视频9| 亚洲av熟女| 18禁动态无遮挡网站| 特级一级黄色大片| 亚洲精品,欧美精品| 日韩强制内射视频| 亚洲精品456在线播放app| 欧美+日韩+精品| 黄片无遮挡物在线观看| 久久综合国产亚洲精品| 免费看av在线观看网站| 久久久久国产网址| 久久精品国产自在天天线| 欧美激情在线99| 一卡2卡三卡四卡精品乱码亚洲| 国产精品99久久久久久久久| 成人三级黄色视频| 六月丁香七月| 亚洲av成人精品一区久久| 欧美日韩一区二区视频在线观看视频在线 | 精品一区二区三区视频在线| 欧美97在线视频| 国内精品美女久久久久久| 五月玫瑰六月丁香| 亚洲成人久久爱视频| 99久久精品一区二区三区| 国内少妇人妻偷人精品xxx网站| 国产精品三级大全| 青春草国产在线视频| 日韩成人伦理影院| 美女大奶头视频| 校园人妻丝袜中文字幕| 高清在线视频一区二区三区 | 色播亚洲综合网| 高清毛片免费看| 欧美日韩综合久久久久久| 国产成人91sexporn| videossex国产| 天堂影院成人在线观看| 人妻夜夜爽99麻豆av| 国产成人福利小说| 欧美丝袜亚洲另类| 国产精品国产高清国产av| 精品国产三级普通话版| 99久久精品国产国产毛片| 久久久精品大字幕| 国产三级中文精品| 最近中文字幕高清免费大全6| 亚洲国产成人一精品久久久| 欧美三级亚洲精品| or卡值多少钱| 麻豆av噜噜一区二区三区| 久久久久久久久久久丰满| 精品国产一区二区三区久久久樱花 | 国产爱豆传媒在线观看| 色哟哟·www| 久99久视频精品免费| av专区在线播放| 国产精品国产三级专区第一集| 国产精品女同一区二区软件| 精品99又大又爽又粗少妇毛片| 国产亚洲91精品色在线| 亚洲,欧美,日韩| 国产极品天堂在线| 女人十人毛片免费观看3o分钟| 老司机福利观看| www.av在线官网国产| 97人妻精品一区二区三区麻豆| 69人妻影院| 国产精品蜜桃在线观看| 久久久久国产网址| 久久久亚洲精品成人影院| 两个人的视频大全免费| 国产中年淑女户外野战色| 美女高潮的动态| av黄色大香蕉| 麻豆一二三区av精品| 欧美日韩综合久久久久久| 国产不卡一卡二| 一级二级三级毛片免费看| 99在线视频只有这里精品首页| 久久久久久久久久久丰满| 麻豆成人av视频| 一区二区三区高清视频在线| 九九久久精品国产亚洲av麻豆| 激情 狠狠 欧美| 国产精品嫩草影院av在线观看| 亚洲国产精品久久男人天堂| 国产精品电影一区二区三区| 网址你懂的国产日韩在线| 亚洲欧洲国产日韩| 久99久视频精品免费| av在线亚洲专区| 26uuu在线亚洲综合色| 亚洲婷婷狠狠爱综合网| 麻豆一二三区av精品| 国产 一区精品| 亚洲国产精品成人综合色| 午夜久久久久精精品| 国产免费一级a男人的天堂| 国产亚洲午夜精品一区二区久久 | 久久精品久久精品一区二区三区| 日韩欧美国产在线观看| 日产精品乱码卡一卡2卡三| 岛国在线免费视频观看| 亚洲在线自拍视频| 看非洲黑人一级黄片| 亚洲综合精品二区| 91狼人影院| 国产伦精品一区二区三区视频9| 久久久色成人| 久久亚洲国产成人精品v| 亚洲精品日韩av片在线观看| 亚洲四区av| 欧美高清成人免费视频www| 97人妻精品一区二区三区麻豆| 午夜老司机福利剧场| 免费人成在线观看视频色| 人人妻人人澡欧美一区二区| 亚洲精品国产av成人精品| 看片在线看免费视频| 亚洲成人精品中文字幕电影| 国内精品宾馆在线| 精品少妇黑人巨大在线播放 | 国产探花在线观看一区二区| 美女大奶头视频| 18禁裸乳无遮挡免费网站照片| 国产 一区 欧美 日韩| 国内少妇人妻偷人精品xxx网站| 国产黄色小视频在线观看| 精品久久久久久久久久久久久| 一级毛片电影观看 | 亚洲精品乱码久久久久久按摩| 亚洲av电影在线观看一区二区三区 | 青青草视频在线视频观看| 亚洲国产精品国产精品| 天天躁夜夜躁狠狠久久av| 亚洲av电影在线观看一区二区三区 | 国产免费视频播放在线视频 | 亚洲无线观看免费| 欧美又色又爽又黄视频| 乱人视频在线观看| 青春草国产在线视频| 国产免费男女视频| 26uuu在线亚洲综合色| 69av精品久久久久久| 成年av动漫网址| 亚洲成人av在线免费| 国产精品国产三级国产av玫瑰| 午夜爱爱视频在线播放| 国产成人午夜福利电影在线观看| 亚洲欧美精品专区久久| 亚洲五月天丁香| 天堂影院成人在线观看| 久久久久久九九精品二区国产| 国国产精品蜜臀av免费| 国产亚洲一区二区精品| 少妇的逼水好多| 国产午夜福利久久久久久| 国产成年人精品一区二区| 欧美成人一区二区免费高清观看| 欧美成人午夜免费资源| 波野结衣二区三区在线| 国产精品女同一区二区软件| 十八禁国产超污无遮挡网站| 自拍偷自拍亚洲精品老妇| 久久久久九九精品影院| 少妇高潮的动态图| 成人漫画全彩无遮挡| 国产在线一区二区三区精 | 国语对白做爰xxxⅹ性视频网站| 亚洲精华国产精华液的使用体验| 亚洲美女视频黄频| 美女高潮的动态| 成年女人看的毛片在线观看| 99久久人妻综合| 两个人的视频大全免费| 国产在视频线精品| 99久久九九国产精品国产免费| 一边亲一边摸免费视频| av黄色大香蕉| 日韩精品有码人妻一区| 久99久视频精品免费| 亚洲成色77777| 国产视频首页在线观看| 国产色婷婷99| 在线观看一区二区三区| 欧美3d第一页| 免费观看在线日韩| 欧美成人一区二区免费高清观看| 欧美色视频一区免费| 免费看光身美女| 亚洲av成人av| 极品教师在线视频| 男人舔奶头视频| 能在线免费看毛片的网站| 国产又色又爽无遮挡免| 九色成人免费人妻av| 晚上一个人看的免费电影| 国产高潮美女av| 一二三四中文在线观看免费高清| 中文字幕久久专区| 汤姆久久久久久久影院中文字幕 | 最近视频中文字幕2019在线8| 亚洲精品国产av成人精品| 亚洲av电影不卡..在线观看| 国产黄片美女视频| 久久精品综合一区二区三区| 中文字幕免费在线视频6| ponron亚洲| 好男人视频免费观看在线| 久久久久久久久中文| 亚洲国产精品专区欧美| 青春草国产在线视频| 大话2 男鬼变身卡| 国产精品久久视频播放| 久久鲁丝午夜福利片| 国国产精品蜜臀av免费| 亚洲三级黄色毛片| 99久久中文字幕三级久久日本| 婷婷色av中文字幕| 日日啪夜夜撸| 最近的中文字幕免费完整| 99视频精品全部免费 在线| 免费大片18禁| 人人妻人人看人人澡| 99久久中文字幕三级久久日本| 99久国产av精品| 91午夜精品亚洲一区二区三区| 久久久久九九精品影院| 国产老妇女一区| 搡老妇女老女人老熟妇| 97超碰精品成人国产| 久久99热这里只有精品18| 亚洲婷婷狠狠爱综合网| 女人被狂操c到高潮| 欧美变态另类bdsm刘玥| 久久这里只有精品中国| 丰满乱子伦码专区| 国产av一区在线观看免费| 天天躁夜夜躁狠狠久久av| 日本爱情动作片www.在线观看| 老司机福利观看| 我的老师免费观看完整版| 中国国产av一级| 欧美极品一区二区三区四区| 亚洲成人久久爱视频| 天堂影院成人在线观看| 国产成人freesex在线| 高清日韩中文字幕在线| 午夜激情欧美在线| 国产成人一区二区在线| 亚洲欧洲国产日韩| 最后的刺客免费高清国语| 国产视频内射| 熟妇人妻久久中文字幕3abv| 成人三级黄色视频| 欧美成人a在线观看| 国产精品久久电影中文字幕| 国产老妇女一区| 国产精品,欧美在线| 亚洲婷婷狠狠爱综合网| 久久久国产成人精品二区| 中文资源天堂在线| 国产三级在线视频| 国产精品女同一区二区软件| 蜜桃亚洲精品一区二区三区| 九九在线视频观看精品| 久久99热这里只频精品6学生 | 国产亚洲5aaaaa淫片| 水蜜桃什么品种好| 日韩一本色道免费dvd| 免费观看的影片在线观看| 一个人看的www免费观看视频| 天美传媒精品一区二区| 国产亚洲精品av在线| 色哟哟·www| 欧美97在线视频| 亚洲国产精品专区欧美| 亚洲天堂国产精品一区在线| 国产精品一区二区性色av| 久久韩国三级中文字幕| 国产探花极品一区二区| 狠狠狠狠99中文字幕| 伦精品一区二区三区| 淫秽高清视频在线观看| 亚洲国产日韩欧美精品在线观看| 亚洲最大成人av| 亚洲av中文字字幕乱码综合| 97在线视频观看| 久久久精品大字幕| 国产av不卡久久| 亚洲人成网站高清观看| 欧美精品国产亚洲| 国产高清三级在线| 亚洲熟妇中文字幕五十中出| 久久精品熟女亚洲av麻豆精品 | 精品午夜福利在线看| 国产69精品久久久久777片| 日韩,欧美,国产一区二区三区 | 91精品国产九色| av福利片在线观看| 亚洲国产欧洲综合997久久,| 麻豆av噜噜一区二区三区| 国产毛片a区久久久久| 国产av不卡久久| 久久99热6这里只有精品| 久久精品国产亚洲av涩爱| 只有这里有精品99| 天美传媒精品一区二区| 日本三级黄在线观看| 日本黄大片高清| 色哟哟·www| 亚洲欧美清纯卡通| 国产综合懂色| 国内精品美女久久久久久| 日韩中字成人| 九九热线精品视视频播放| 久久久久网色| 国产午夜精品一二区理论片| 欧美精品一区二区大全| 久久99热这里只频精品6学生 | 欧美激情国产日韩精品一区| 黑人高潮一二区| 99在线视频只有这里精品首页| 天天一区二区日本电影三级| 爱豆传媒免费全集在线观看| 超碰97精品在线观看| 国产免费一级a男人的天堂| 欧美激情在线99| 精品久久久久久久人妻蜜臀av| 国内揄拍国产精品人妻在线| 亚洲人与动物交配视频| 人人妻人人澡人人爽人人夜夜 | 在线观看美女被高潮喷水网站| 亚洲精品乱码久久久v下载方式| 亚洲精品自拍成人| 日韩欧美精品免费久久| 国产伦一二天堂av在线观看| 黑人高潮一二区| 99热这里只有是精品在线观看| 在线a可以看的网站| 国产亚洲午夜精品一区二区久久 | 少妇被粗大猛烈的视频| 国产老妇伦熟女老妇高清| 色吧在线观看| 人人妻人人看人人澡| 国产一区二区亚洲精品在线观看| 欧美日本视频| 精品免费久久久久久久清纯| kizo精华| 亚洲国产欧洲综合997久久,| 国产美女午夜福利| 久久精品国产99精品国产亚洲性色| 夫妻性生交免费视频一级片| 国产高清有码在线观看视频| 国产伦在线观看视频一区| 欧美性猛交╳xxx乱大交人| 国产又色又爽无遮挡免| 精品久久久久久久久av| 国产精品麻豆人妻色哟哟久久 | 我的老师免费观看完整版| 欧美成人a在线观看| 国产在线男女| 国产一区二区三区av在线| 老司机影院成人| 国产精品乱码一区二三区的特点| 国产亚洲午夜精品一区二区久久 | 美女xxoo啪啪120秒动态图| 老女人水多毛片| eeuss影院久久| 51国产日韩欧美| 国产熟女欧美一区二区| 搡老妇女老女人老熟妇| 99久久精品一区二区三区| 久久久久久伊人网av| 蜜桃亚洲精品一区二区三区| 中文天堂在线官网| 一本久久精品| 日日摸夜夜添夜夜添av毛片| АⅤ资源中文在线天堂| 国产av一区在线观看免费| 久久久久久久久久黄片| 小蜜桃在线观看免费完整版高清| 欧美一区二区亚洲| 黄色日韩在线| 一本一本综合久久| 91午夜精品亚洲一区二区三区| 国产亚洲一区二区精品| 搡女人真爽免费视频火全软件| 老师上课跳d突然被开到最大视频| 日韩三级伦理在线观看| 日韩欧美在线乱码| 国产免费视频播放在线视频 | 国产成人91sexporn| 成人美女网站在线观看视频| 一级毛片电影观看 | 淫秽高清视频在线观看| 人妻制服诱惑在线中文字幕| 亚洲欧美清纯卡通| 男人舔奶头视频| 男人狂女人下面高潮的视频| 菩萨蛮人人尽说江南好唐韦庄 | 高清日韩中文字幕在线| 天堂av国产一区二区熟女人妻| 国产精品女同一区二区软件| 在线观看66精品国产| 精品久久久久久久末码| 嫩草影院精品99| 亚洲在线自拍视频| 亚洲av.av天堂| 成人亚洲精品av一区二区| 亚洲成人精品中文字幕电影| 热99re8久久精品国产| 精品一区二区三区人妻视频| 一边摸一边抽搐一进一小说| 亚洲成色77777| 国产高清有码在线观看视频| 国产伦在线观看视频一区| 亚洲最大成人av| 免费人成在线观看视频色| 亚洲精品色激情综合| videos熟女内射| www.色视频.com| 成人亚洲精品av一区二区| 美女大奶头视频| 国产单亲对白刺激| 亚洲欧美精品专区久久| 国产视频内射| av在线观看视频网站免费| 久久精品夜色国产| 欧美日韩在线观看h| 亚洲图色成人| 亚洲国产欧美在线一区| 国产成人一区二区在线| 日韩高清综合在线| 日韩av在线免费看完整版不卡| 国产v大片淫在线免费观看| 高清日韩中文字幕在线| 国产成人午夜福利电影在线观看| 久久韩国三级中文字幕| 欧美精品一区二区大全| 国产精品蜜桃在线观看| 亚洲熟妇中文字幕五十中出| 久久久久久久久久成人| 国产精华一区二区三区| 日本与韩国留学比较| 日本三级黄在线观看| 变态另类丝袜制服| 一个人看视频在线观看www免费| 性色avwww在线观看| 日韩一本色道免费dvd| 老司机福利观看| 亚州av有码| 久久亚洲国产成人精品v| 91久久精品国产一区二区成人| av.在线天堂| 麻豆精品久久久久久蜜桃| 最新中文字幕久久久久| 午夜福利视频1000在线观看| 久久久午夜欧美精品| 亚洲美女搞黄在线观看| 国产精品日韩av在线免费观看| 日韩国内少妇激情av| 国语对白做爰xxxⅹ性视频网站| 日韩精品青青久久久久久| 国产精品久久电影中文字幕| 精品久久久久久久久av| 国产毛片a区久久久久| 欧美色视频一区免费| 美女大奶头视频| 亚洲av成人精品一区久久| 18禁在线播放成人免费| 国产精品久久久久久久电影| 桃色一区二区三区在线观看| 婷婷六月久久综合丁香| 看黄色毛片网站| 亚洲五月天丁香| 成人毛片a级毛片在线播放| 欧美丝袜亚洲另类| 国内揄拍国产精品人妻在线| 国产激情偷乱视频一区二区| av视频在线观看入口| 日本黄大片高清| 成人鲁丝片一二三区免费| 精品久久久久久电影网 | 欧美精品国产亚洲| 亚洲欧美日韩东京热| 午夜福利视频1000在线观看| 亚洲欧美日韩无卡精品| 黄色欧美视频在线观看| 99国产精品一区二区蜜桃av| 一区二区三区高清视频在线| 成年av动漫网址| 久久精品综合一区二区三区| 夫妻性生交免费视频一级片| 麻豆乱淫一区二区| 亚洲综合色惰| 国产成人一区二区在线| 国内精品宾馆在线| 欧美日韩精品成人综合77777| 国产色婷婷99| 69av精品久久久久久| 在线观看av片永久免费下载| 国产精品久久电影中文字幕| 久久久久久大精品| 精品国产露脸久久av麻豆 | 日韩欧美国产在线观看| 深爱激情五月婷婷| 国内精品美女久久久久久| 老司机福利观看| 国产一区二区亚洲精品在线观看| av福利片在线观看| 国产亚洲一区二区精品| 国产成年人精品一区二区| 天天一区二区日本电影三级| 国产真实乱freesex| 黄片wwwwww| 免费人成在线观看视频色| 国产成人a∨麻豆精品| 久久精品人妻少妇| videos熟女内射| 视频中文字幕在线观看| 国产高潮美女av| 久久精品国产亚洲av天美| 国产精品爽爽va在线观看网站| 欧美日韩综合久久久久久| 久久精品久久久久久久性| 亚洲熟妇中文字幕五十中出| 99久久九九国产精品国产免费| 热99re8久久精品国产| 国产精品,欧美在线| 一个人看视频在线观看www免费| 国产淫片久久久久久久久| 亚洲美女视频黄频| 在线播放无遮挡| 亚洲四区av| 在线观看一区二区三区| 日韩在线高清观看一区二区三区| 亚洲va在线va天堂va国产| 深夜a级毛片| 久久这里有精品视频免费| 亚洲高清免费不卡视频| av播播在线观看一区| 青春草视频在线免费观看| 亚洲高清免费不卡视频| 亚洲成人精品中文字幕电影| 国产精品电影一区二区三区| 国模一区二区三区四区视频| 国产 一区精品| 成人午夜精彩视频在线观看| 国产精品久久视频播放| 黄片无遮挡物在线观看| 欧美潮喷喷水| 亚洲国产最新在线播放| 亚洲自拍偷在线| 国产精品野战在线观看| 亚洲综合精品二区| eeuss影院久久| 午夜免费男女啪啪视频观看| 国产亚洲精品久久久com| 午夜a级毛片| 国产精品不卡视频一区二区| 国产老妇伦熟女老妇高清| 精品久久久久久电影网 | 国产精华一区二区三区| 26uuu在线亚洲综合色| 中文资源天堂在线| 亚洲国产色片| 国产成人91sexporn| 国产成人freesex在线| 在线免费观看不下载黄p国产| 亚洲自偷自拍三级|