• <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 ?

    基于注意力機制和特征融合的SSD目標檢測算法

    2020-06-09 12:20高建瓴孫健王子牛韓毓璐馮嬌嬌
    軟件 2020年2期
    關鍵詞:特征融合注意力機制

    高建瓴 孫健 王子?!№n毓璐 馮嬌嬌

    摘 ?要: 為提高SSD算法對于小目標的檢測能力和定位能力,本文提出一種引入注意力機制和特征融合的SSD算法。該算法在原始SSD模型的基礎上,通過將全局池化操作作用于高層的不同尺度的特征圖上,結合注意力機制篩選出需要保留的信息。為提高對小目標的檢測精度,本文引入反卷積和特征融合的方式,提高對小目標的檢測能力。通過在PASCAL VOC數(shù)據(jù)集上的實驗表明,該算法有效的提升了對小目標識別的準確率,改善了漏檢的情況,大幅度提升了檢測精度和算法的魯棒性。

    關鍵詞:?注意力機制;SSD算法;全局平均池化;特征融合;PASCAL VOC數(shù)據(jù)集

    中圖分類號: TN911.73????文獻標識碼:?A????DOI:10.3969/j.issn.1003-6970.2020.02.045

    【Abstract】: In order to improve the ability of SSD algorithm to detect and locate small objects, this paper proposes an SSD algorithm that introduces attention mechanism and feature fusion.?On the basis of the original SSD model, the algorithm combined with the attention mechanism to screen out the information that needs to be retained by applying the global pooling operation on the feature graphs of different scales at the high level.?In order to improve the detection accuracy of small targets, deconvolution and feature fusion are introduced in this paper to improve the detection ability of small targets.?Experiments on PASCAL VOC data set show that the algorithm can effectively improve the accuracy of small target recognition, improve the situation of missing detection, and greatly improve the detection accuracy and robustness of the algorithm.

    【Key words】:?Attention?mechanisms;?SSD algorithm;?Global average pooling;?Feature fusion;?PASCAL VOC data set

    0??引言

    目前,越來越多的領域都運用到了目標檢測技術[1-3],例如,無人駕駛領域,醫(yī)療圖像領域,軍事領域等等。在廣泛運用的同時,怎樣可以將目標檢測的性能提高,成為了困擾廣大國內外學者的一個重點和熱點問題[4-5]。近幾年,深度神經(jīng)網(wǎng)絡在目標檢測領域取得了突破性的研究成果,其檢測精度和速度都有了較高的提升,如R-CNN,F(xiàn)ast-RCNN,F(xiàn)aster-RCNN,YOLO,SSD等[6-10]。

    其中,R-CNN,F(xiàn)ast-RCNN,F(xiàn)aster-RCNN屬于two-stage檢測算法,通過分類和回歸的方式進行目標檢測是two-stage檢測算法的特點,該目標檢測模型的主要思想是基于區(qū)域候選的方法,在檢測區(qū)域中先將候選區(qū)域提選出來,然后再進行分類和特征提取。YOLO,SSD屬于one-stage的檢測算法,直接通過回歸的方式實現(xiàn)目標檢測,這就是one-?stage的檢測算法[11],這種檢測方法需要預先按照一定的方式劃定默認框,根據(jù)預測框、默認框、真實框之間的對應關系進行訓練,最典型的代表就是YOLO算法和SSD算法。YOLO算法是將特征圖等分為n×n的網(wǎng)格,但是有的時候一個網(wǎng)格中會存在很多小目標,這就很有可能會造成對于目標的漏檢和誤檢,而SSD算法就同時兼顧檢測的準確率和速度,是因為SSD算法可以在一個網(wǎng)格中提取多個候選區(qū)域[12]。但是SSD算法對于網(wǎng)絡的特征表達能力仍然存在不足,例如,魯棒性差,邊界定位不佳等問題。

    為解決這一問題Liu等人提出了一種DSSD算法[13],DSSD用Resnet-101網(wǎng)絡替換SSD中的VGG16網(wǎng)絡,將殘差模塊加入到了分類回歸之前,在SSD添加的輔助卷積層后又添加了反卷積層形成“粗-細-粗”的啞鈴結構。經(jīng)過如此改造之后,DSSD算法在小目標檢測上比SSD算法有了一個較大的提高,但因為加入的Resnet-101網(wǎng)絡,卷積層數(shù)太深,計算量太大,導致DSSD比SSD的檢測速度慢了不少。

    為了進一步提高SSD算法的準確度,本文為了增強高層特征圖的語義信息引入了通道域注意力機制。通過反卷積和特種融合的方法提高對小目標的檢測精度。通過實驗表明,本文算法在目標檢測及小目標檢測的準確率有了一定的提高,具有良好的魯棒性。

    1 ?相關工作

    1.1??注意力機制

    近些年來,使用掩碼(mask)來形成注意力機制成為了在深度學習與注意力機制中相結合的一種研究方式。掩碼的工作原理是通過另一層新的權重,將數(shù)據(jù)集圖片中的關鍵特征識別并標記出來,然后經(jīng)過不斷的學習和慢慢的訓練,讓網(wǎng)絡學習到每一張數(shù)據(jù)集圖片里需要更多關注的區(qū)域,加重這塊區(qū)域的權重,這樣也就形成了所謂的注意力。這樣來理解的話,注意力機制可以分為兩種注意力機制,一種可以稱之為軟注意力,另一種可以稱之為強注意力,軟注意力更注重通道或者區(qū)域,軟注意力學習完成后可以直接通過網(wǎng)絡生成,所以軟注意力是一種確定性的注意力。而且這種軟注意力可以通過神經(jīng)網(wǎng)絡算出梯度,通過向前傳播和向后傳播反饋學習進而得到注意力的權重,這說明這種軟注意力機制是可以微分的。而強注意力則更加偏向于關注點的變化,也就是說強注意力機制是一個隨機的預測過程,圖中的每一個點都有可能延伸出注意力,更偏向于動態(tài)變化。強注意力機制的訓練過程通常是由增強學習完成的,這是因為強注意力是一個不可微的注意力。

    如果從注意力域這方面來分析,注意力機制可以分為空間域注意力機制(spatial domain),通道域注意力機制(channel domain),混合域注意力機制(mixed domain)。

    1.1.1 ?空間域(Spatial Domain)

    2015年Max[14]等人提出一個叫空間轉換器的模塊,將圖片中的關鍵信息提取出來,并對其空間域的信息進行相應的空間變換。其模型結構如圖1所示。

    spatial transformer說白了就是注意力機制的一種實現(xiàn)方式,因為經(jīng)過訓練得到的spatial trans former可以發(fā)現(xiàn)圖片信息中需要被關注的區(qū)域,而且這個transformer還具有將圖片變大變小,改變方向的功能,這樣圖片信息中需要被關注的區(qū)域可以用框盒提取出來。這個模塊可以作為新層加入到其他網(wǎng)絡結構中,對上一層信號的關鍵信息進行識別。

    1.1.2 ?通道域

    2017年hujie等人提出了一個非常重要的SENet的模型[15],并一舉奪得ImageNet的冠軍,其網(wǎng)絡結構如圖2所示。

    我們從上圖可以看出,左邊的X是原始輸入圖片特征,經(jīng)過卷積變換Ftr,產(chǎn)生了新的特征圖U。特征圖U包括了C個通道,每個通道的權重可以由注意力模塊來學習出來,進而生成通道域的注意力。中間的注意力機制模塊就是SENet的創(chuàng)新部分。SENet中的注意力機制可以分成三個部分:擠壓(squeeze),激勵(excitation),以及注意(attention)。

    1.1.3??混合域

    經(jīng)過上面對空間域注意力機制和通道域注意力機制的介紹,我們可以發(fā)現(xiàn),通道域注意力是忽略每一個通道內的局部信息,直接對通道內的信息進行全劇平均池化,這種做法比較粗糙。而空間域的注意力機制是將通道中的特征圖進行同等處理,就會忽略通道域中特征信息,但是這樣的話空間域的變換方法只能在原始圖片特征提取階段進行,如果在其他卷積層上進行應用,則可解釋性不強,將這兩種注意力機制結合一下就可以設計出混合域的注意力機制模型。

    2017年Fei Wang等人提出了注意力機制與深度殘差網(wǎng)絡相關的方法[16],這篇文章中的注意力機制是一種軟注意力機制,使用mask碼來形成注意力。其中每一個特征元素(element)的權重就可以看成是這種mask碼。將注意力權重對應到每個特征元素中去,形成的注意力機制就可以包含空間域和通道域了。

    1.2 ?SSD網(wǎng)絡結構

    SSD的基礎網(wǎng)絡使用的是VGG16網(wǎng)絡,將VGG16的兩個全連接層替換為卷積層,并增加卷積層深度,在后面添加了Conv8_2,Conv9_2,Conv10_2,?Conv11_2四個卷積層。其網(wǎng)絡結構圖如圖3所示。

    SSD將bounding box的輸出空間離散化成一系列的default boxes,有點類似于faster rcnn中的anchor。不同的層會輸出不同的default boxes,最終匯總在一起進行非極大值抑制。這樣結合不同尺度的特征圖的boxes可以有效的處理多尺度問題。

    1.3 ?特征融合

    1.3.1 ?深度特征的層次性

    2014年,Zeiler和Fergus利用反卷積技術[17]對卷積神經(jīng)網(wǎng)絡Alex Net特征進行可視化[18],發(fā)現(xiàn)了卷積神經(jīng)網(wǎng)絡的一些特性,其中之一就是卷積神經(jīng)網(wǎng)絡具有層次性。卷積操作能夠得到圖片候選框區(qū)域中各種特征,經(jīng)過池化操作之后,這些特征就會進行融合和抽象,就這樣重復進行卷積、池化、卷積、池化操作,不斷堆疊之后,從每一層得到的深度特征由一般的特征(如邊緣、紋理特征)慢慢變成高層語義特征(如人臉、軀干等模式)。得益于卷積網(wǎng)絡特征的層次特性使得不同層的特征可以信息互補,因此對單個網(wǎng)絡模型而言卷積特征融合是一種十分直接有效的網(wǎng)絡集成方法,對于提高網(wǎng)絡精度有較好的表現(xiàn)。

    1.3.2??上采樣

    不同層的卷積特征圖的分辨率可能不一樣,而特征融合時通常需要一樣分辨率的卷積特征圖,所以就要對不同分辨率的卷積特征圖進行縮放操作。下采樣是一種將圖片的分辨率采樣到更小的分辨率的技術,比如我們人盡皆知的池化操作;與之相對應的,將圖像分辨率采樣到更高分辨率的技術就叫做上采樣。在CNN中,常用的上采樣方法是轉置卷積[19](Transposed Convolution),也稱為反卷積。這里的反卷積與之前提到的特征可視化中的反卷積一樣都只是為了保證尺寸大小的互逆,而非數(shù)學意義上保證值的還原。反卷積過程如圖4所示,假設輸入為2*2大小,反卷積中的卷積核大小為4*4,將每個輸入值乘以一個卷積核,則得到4個4*4大小的輸出窗口,再將這四個輸出窗口以stride為2的方式疊加,去掉最外圈一圈的padding值,中間留下的部分就是最終輸出,大小剛好是輸入的兩倍。

    2 ?本文算法

    2.1 ?加入通道注意力機制的SSD算法

    注意力機制模塊的實現(xiàn)過程分為三個步驟:擠壓(squeeze),激勵(excitation),以及注意(attention)。其中擠壓的公式如公式(1)所示。

    其中H、W、C分別代表低分辨率高語義信息圖X輸入維度的長度、寬度和通道數(shù),對信息圖X進行擠壓操作后,得到長度為C的一組數(shù)組。公式(1)中的(i,j)表示在大小為H*W的特征圖上的(i,j)點,輸出Y是長度為C的一維數(shù)組。我們可以看出公式(1)實際上就是一個全局平均池化的操作,把每個通道內所有的特征值平均再相加。接下來的激勵過程實際上就是對各通道間的相關度進行建模,公式如下:

    W1的維度是C*C,W2的維度是C*C,其中C為C*1/4,經(jīng)過ReLU激活函數(shù)和Sigmoid函數(shù)來訓練學習這兩個權重,得到一個一維的激勵權重來激活每一層通道,最后得到的S的維度是C*1*1。最后是attention操作:

    將原始的輸入X替換為經(jīng)過注意力機制模塊獲得的特征圖X·,并送到本文改進的SSD網(wǎng)絡中進行檢測,換一種說法這個過程其實就是一個放縮?的過程,不同的通道的值乘上不同的權重,從而可以增強對關鍵通道的注意力。其算法流程圖如圖5所示。

    2.2??加入反卷積和特征融合的SSD模型

    針對SSD對小目標檢測能力不足的問題本文使用反卷積讓負責檢測小目標的特征層conv4_3的特征圖增大,然后對特征層conv11_2輸出的特征圖進行上采樣,conv11_2是一層擁有豐富語義的特征層,得到的特征圖效果較好,將上采樣后得到的特征圖與特征圖nconv4_3進行拼接,最后與SSD模型固有的多尺度特征層進行像素直接加權和不同加權系數(shù)的特征融合。所以,本文提出的最終模型如圖6所示。

    圖6中紅線部分為反卷積特征區(qū)域放大模塊,主要作用是通過反卷積放大conv4_3特征圖分辨率,與上采樣的conv11_2特征圖拼接,得到新的特征層nconv4_3。SSD模型其他特征層為conv7、conv8_2、conv9_2和conv10_2,與nconv4_3進行不同加權系數(shù)的特征融合,最后進行對目標的定位檢測并輸出。

    3??實驗結果與分析

    3.1 ?實驗環(huán)境和數(shù)據(jù)集

    本實驗所用配置為linux操作系統(tǒng)openSUSE Leap 42.3,選用intel(R)Core(TM)i5-7500的CPU,GeForce RTX2080Ti的GPU,深度學習框架為Tenorflow。實驗所用數(shù)據(jù)集為PASCAL VOC數(shù)據(jù)集,該數(shù)據(jù)集包括20個類別,即飛機、自行車、鳥、船、瓶子、公共汽車、小轎車、貓、椅子、牛、桌子、狗、馬、摩托車、人類、植物、羊、沙發(fā)、火車、電視,共27088張圖片。本文使用VOC2007和VOC2012數(shù)據(jù)集進行訓練,VOC2007數(shù)據(jù)集進行測試。

    3.2 ?實驗結果及對比

    在目標檢測中我們通常用mAP來表示算法的精確度如何,我們將batch_size設置為32,初始學習率0.0001,學習率的衰減因子為0.94,迭代80000次,得到最終的網(wǎng)絡模型。對比SSD模型,DSSD模型以及本所提出的模型,實驗結果如表1所示。

    由表1可以看出,本文所提出的引入注意力機制和特征融合的SSD目標檢測算法,在檢測精度上比傳統(tǒng)的SSD算法提高了1.8%。

    本文提出的模型目的是提升小目標的檢測準確率,VOC2007測試集中有21類不同的大小的目標,本文選取其中6類具有代表性的小目標,檢測準確率與SSD和DSSD對比,實驗結果如表2所示。

    由表2可知,本文提出的模型在6類小目標的平均檢測準確率為67.9%,較SSD和DSSD模型分別提升3.1%提升1.9%??梢姳疚姆椒軌蛴行z測小目標,對小目標的準確率有明顯的提升。

    除此之外,為了檢驗改進算法的實時性,本文對比了SSD算法、DSSD算法以及本文改進算法的檢測速度,具體檢測結果如表3所示:

    由表3可知,SSD模型每秒檢測52幀圖像,DSSD模型每秒檢測19幀圖像,本文模型檢測速度為每秒28幀圖像,檢測單張圖像耗時為SSD的兩倍,但快于DSSD模型。

    模型檢測速度相對于SSD模型之所以有所下降,是由于本文方法在底層特征層上采用反卷積操作,其在提高特征分辨率的同時增加了計算量,還在后面五層卷積層上加入了注意力機制,使模型的運行時間增加,最終影響了模型的檢測速度。

    但是本文模型在檢測精度上相比于SSD模型、DSSD模型有較為明顯的提升,在PASCAL VOC數(shù)據(jù)集上檢測精度達到了73.2%,比SSD模型、DSSD模型分別提高了1.8%,0.6%。在PASCAL VOC小目標檢測上,精度達到了67.9%比SSD模型、DSSD模型分別提高了3.1%,1.9%。檢測速度雖然不及SSD模型,但比DSSD要快上不少,達到了28?f×s-1,一般視頻流為每秒25幀圖像,因此,本文模型在提高檢測精度的同時,可以滿足實時性的要求。

    4 ?結束語

    基于傳統(tǒng)SSD算法對小目標檢測效果不佳,魯棒性不佳,定位較差的問題,提出一種引入注意力機制和特征融合的算法,改進算法的識別精度,提高算法的魯棒性,增強對小目標的檢測精度。通過實驗發(fā)現(xiàn),本文算法對于小目標具有一定的識別能力,改善了目標漏檢、定位不佳等問題,大幅度提升了算法的魯棒性。下面我將逐步改進模型,在考慮改進高層級特征的基礎上,減小計算量,改善其實時性,進一步提高本文算法各方面的性能。

    參考文獻

    江超. 基于OpenCV的實時動態(tài)手勢檢測研究[J]. 軟件, 2015, 36(6): 114-119

    林王兵, 許燕, 韓飛, 呂超賢, 龔佳俊等. 實驗室環(huán)境下的邊緣檢測技術研究綜述[J]. 軟件, 2015, 36(9): 29-32

    張明軍, 俞文靜, 袁 志, 等. 視頻中目標檢測算法研究[J]. 軟件, 2016, 37(4): 40-45

    郭毓, 蘇鵬飛, 吳益飛, 郭健. 基于Faster R-CNN的機器人目標檢測及空間定位[J]. 華中科技大學學報(自然科學版), 2018, 46(12): 55-59.

    高宗, 李少波, 陳濟楠, 李政杰. 基于YOLO網(wǎng)絡的行人檢測方法[J]. 計算機工程, 2018, 44(05): 215-219+226.

    GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus: IEEE, 2014: 580-587.

    GIRSHICK R. Fast R-CNN [C]// Proceedings of the IEEE Conference on International Conference on Computer Vision. Boston: IEEE, 2015: 1440-1448.

    REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6): 1137-1149.

    REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2016: 779-788.

    LIU W, ANGUELOV D, ERHAN D, et al. SSD: single shot multibox detector [C]// Proceedings of European Conference on Computer Vision. Amsterdam: Springer International Publishing, 2016: 21-37.

    趙秋實, 史燕中, 方 志, 等. 基于頻繁集的伴隨車輛檢測算法研究[J]. 軟件, 2016, 37(4): 69-73

    洪奔奔, 管聲啟, 任浪, 等. 基于特征提取與匹配的帶鋼缺陷檢測[J]. 軟件, 2018, 39(9): 31-34

    Fu C Y, Liu W, Range A, et al. DSSD: deconvolutional single shot detector [J]. arXiv preprint arXiv:1701.06659, 2017.

    Jaderberg, Max, Karen Simonyan, and AndrewZisserman. Spatial transformer networks[C]. Advances in neural information processing systems. 2015.

    Hu Jie, Li Shen, and Gang Sun. Squeeze-and-excitation networks. arXiv preprintarXiv:1709. 01507?(2017).

    Wang, Fei, et al. Residual attentionnetwork for image classification. arXiv preprint arXiv:1704. 06904?(2017).

    Zeiler M D, Taylor G W, Fergus R. Adaptive deconvolutional networks for mid and high level feature learning[C]//?Proceedings of the IEEE International Conference on Computer Vision. 2011: 2018-2025.

    Matthew D. Zeiler and Rob Fergus. Visualizing and understanding convolutional networks[C]//Proceedings of European Conference on Computer Vision. Springer Inter national Publishing, 2013: 818-883.

    Wojna Z, Ferrari V, Guadarrama S, et al. The Devil is in the Decoder[J]. arXiv preprint arXiv: 1707. 05847, 2017.

    猜你喜歡
    特征融合注意力機制
    基于LSTM?Attention神經(jīng)網(wǎng)絡的文本特征提取方法
    InsunKBQA:一個基于知識庫的問答系統(tǒng)
    基于移動端的樹木葉片識別方法的研究
    融合整體與局部特征的車輛型號識別方法
    一二三四在线观看免费中文在| 黄色视频,在线免费观看| 国产在线视频一区二区| 色精品久久人妻99蜜桃| 欧美日韩亚洲国产一区二区在线观看 | 99精品久久久久人妻精品| 丝袜在线中文字幕| 在线精品无人区一区二区三| 丝袜人妻中文字幕| 高清在线国产一区| 精品少妇一区二区三区视频日本电影| 国产精品国产av在线观看| 欧美激情高清一区二区三区| 女人精品久久久久毛片| 久久久久久久久免费视频了| 精品国产超薄肉色丝袜足j| 国产在线观看jvid| 男女免费视频国产| 99久久精品国产亚洲精品| 亚洲色图综合在线观看| 国产日韩欧美视频二区| 国产91精品成人一区二区三区 | 老司机福利观看| 9191精品国产免费久久| 新久久久久国产一级毛片| 啦啦啦 在线观看视频| 亚洲精品自拍成人| 国产区一区二久久| 亚洲色图 男人天堂 中文字幕| 欧美日韩国产mv在线观看视频| 免费av中文字幕在线| 窝窝影院91人妻| 亚洲色图综合在线观看| 国产亚洲午夜精品一区二区久久| 欧美大码av| 两性午夜刺激爽爽歪歪视频在线观看 | 正在播放国产对白刺激| 我的亚洲天堂| 老司机深夜福利视频在线观看 | 日韩欧美免费精品| 日韩欧美免费精品| 国产一区二区三区在线臀色熟女 | 最近中文字幕2019免费版| 叶爱在线成人免费视频播放| 久久人妻福利社区极品人妻图片| 各种免费的搞黄视频| 人妻人人澡人人爽人人| 久久国产精品男人的天堂亚洲| 俄罗斯特黄特色一大片| 色综合欧美亚洲国产小说| 亚洲精品国产av成人精品| 99国产极品粉嫩在线观看| 亚洲精品粉嫩美女一区| 久久这里只有精品19| 啦啦啦在线免费观看视频4| 久久人人爽人人片av| 久久亚洲精品不卡| 超色免费av| 久久ye,这里只有精品| 国产精品1区2区在线观看. | 国产一级毛片在线| 久久精品人人爽人人爽视色| 午夜精品久久久久久毛片777| 最新在线观看一区二区三区| 免费观看a级毛片全部| 99久久99久久久精品蜜桃| 亚洲精品乱久久久久久| 久久久久久亚洲精品国产蜜桃av| 亚洲av美国av| 国产免费av片在线观看野外av| 亚洲视频免费观看视频| 久久久久精品人妻al黑| 久久人妻熟女aⅴ| 久久精品久久久久久噜噜老黄| 黑人欧美特级aaaaaa片| 免费在线观看视频国产中文字幕亚洲 | 亚洲国产精品成人久久小说| 久久精品国产a三级三级三级| 久久亚洲国产成人精品v| 日韩欧美免费精品| 18禁国产床啪视频网站| 国产又色又爽无遮挡免| 国产一卡二卡三卡精品| 一二三四社区在线视频社区8| 岛国毛片在线播放| 国产伦人伦偷精品视频| 久久99一区二区三区| 国产熟女午夜一区二区三区| 男女高潮啪啪啪动态图| 激情视频va一区二区三区| 亚洲,欧美精品.| 香蕉国产在线看| 亚洲 欧美一区二区三区| 狠狠精品人妻久久久久久综合| 美女高潮到喷水免费观看| 国产麻豆69| 一区二区三区乱码不卡18| 乱人伦中国视频| 黄色视频,在线免费观看| 中文字幕色久视频| 亚洲成人免费电影在线观看| 国产精品一区二区在线观看99| 三级毛片av免费| 91九色精品人成在线观看| av线在线观看网站| 一级片免费观看大全| 成年女人毛片免费观看观看9 | 免费在线观看黄色视频的| 窝窝影院91人妻| 午夜免费成人在线视频| 狠狠狠狠99中文字幕| 法律面前人人平等表现在哪些方面 | 欧美黑人精品巨大| 色精品久久人妻99蜜桃| 亚洲精品久久午夜乱码| 亚洲国产毛片av蜜桃av| 香蕉国产在线看| 美女福利国产在线| 一个人免费看片子| 丝袜人妻中文字幕| 91精品国产国语对白视频| 亚洲伊人色综图| 国产一区二区激情短视频 | 人人澡人人妻人| 久久久久久久久免费视频了| 欧美乱码精品一区二区三区| 日韩免费高清中文字幕av| 久热爱精品视频在线9| 亚洲伊人色综图| 国产精品久久久人人做人人爽| 亚洲精品美女久久久久99蜜臀| 久久人妻福利社区极品人妻图片| 自拍欧美九色日韩亚洲蝌蚪91| 久久久久网色| 日本黄色日本黄色录像| 精品久久久久久电影网| 欧美精品亚洲一区二区| videosex国产| svipshipincom国产片| 亚洲精品在线美女| 久久人妻熟女aⅴ| 久久久久精品国产欧美久久久 | a级毛片在线看网站| 黑人欧美特级aaaaaa片| 天天影视国产精品| 国产熟女午夜一区二区三区| 女性被躁到高潮视频| 国产不卡av网站在线观看| 免费观看a级毛片全部| 一区二区三区乱码不卡18| avwww免费| 国产色视频综合| 真人做人爱边吃奶动态| 国产精品香港三级国产av潘金莲| 三级毛片av免费| 岛国在线观看网站| 美女高潮到喷水免费观看| 日韩中文字幕视频在线看片| 亚洲va日本ⅴa欧美va伊人久久 | 欧美成人午夜精品| 亚洲自偷自拍图片 自拍| 天堂俺去俺来也www色官网| 午夜福利乱码中文字幕| 91av网站免费观看| 国产一区二区三区av在线| 亚洲国产中文字幕在线视频| 王馨瑶露胸无遮挡在线观看| 在线观看www视频免费| 另类亚洲欧美激情| 精品免费久久久久久久清纯 | 老司机在亚洲福利影院| 亚洲国产成人一精品久久久| 美女中出高潮动态图| 女性生殖器流出的白浆| 视频区图区小说| av电影中文网址| 久久精品国产亚洲av香蕉五月 | 大香蕉久久成人网| 欧美性长视频在线观看| 国产在线免费精品| 男女国产视频网站| 狠狠精品人妻久久久久久综合| 狠狠狠狠99中文字幕| 国产精品一区二区免费欧美 | 国产精品 欧美亚洲| 成人av一区二区三区在线看 | 一区二区三区激情视频| 久久精品国产亚洲av高清一级| 色播在线永久视频| 高清视频免费观看一区二区| 爱豆传媒免费全集在线观看| 天天躁夜夜躁狠狠躁躁| 99国产精品一区二区蜜桃av | 国产片内射在线| 成年av动漫网址| 国产精品久久久久久人妻精品电影 | 久久国产亚洲av麻豆专区| 国产成人系列免费观看| 国产欧美日韩综合在线一区二区| 黑人巨大精品欧美一区二区mp4| 女性生殖器流出的白浆| 伦理电影免费视频| 老熟女久久久| 国产欧美日韩一区二区精品| 下体分泌物呈黄色| 叶爱在线成人免费视频播放| 啦啦啦在线免费观看视频4| 日韩 欧美 亚洲 中文字幕| 亚洲一卡2卡3卡4卡5卡精品中文| 女性被躁到高潮视频| 亚洲精品美女久久av网站| 亚洲综合色网址| 婷婷成人精品国产| 1024视频免费在线观看| 热99国产精品久久久久久7| 国产精品二区激情视频| 狂野欧美激情性xxxx| 超碰97精品在线观看| 免费女性裸体啪啪无遮挡网站| 国产黄色免费在线视频| 人妻久久中文字幕网| 中文字幕制服av| 亚洲精品中文字幕一二三四区 | 18禁观看日本| 日韩,欧美,国产一区二区三区| 成年人黄色毛片网站| 人人妻人人添人人爽欧美一区卜| 欧美亚洲日本最大视频资源| 亚洲精品美女久久久久99蜜臀| 欧美精品一区二区大全| 久久久精品94久久精品| av不卡在线播放| 天天影视国产精品| 精品国产一区二区三区久久久樱花| 中文字幕人妻熟女乱码| 国产成人av激情在线播放| 国产日韩欧美视频二区| 久久av网站| 免费观看a级毛片全部| 成人国语在线视频| 精品高清国产在线一区| 欧美日韩亚洲高清精品| 亚洲精品国产精品久久久不卡| 成人黄色视频免费在线看| 精品一区二区三区av网在线观看 | netflix在线观看网站| 91成人精品电影| 亚洲精品国产精品久久久不卡| 欧美精品一区二区大全| 夫妻午夜视频| 男人爽女人下面视频在线观看| 麻豆乱淫一区二区| 精品亚洲成国产av| 另类亚洲欧美激情| 国产黄频视频在线观看| 精品国内亚洲2022精品成人 | 国产黄色免费在线视频| 亚洲精品久久午夜乱码| 99国产极品粉嫩在线观看| 一级,二级,三级黄色视频| 午夜福利影视在线免费观看| 亚洲成人国产一区在线观看| 久久九九热精品免费| 国产精品亚洲av一区麻豆| 国产男人的电影天堂91| 99九九在线精品视频| 91成人精品电影| 免费女性裸体啪啪无遮挡网站| 欧美中文综合在线视频| 亚洲精品第二区| 午夜福利,免费看| 精品熟女少妇八av免费久了| 一区二区三区乱码不卡18| 亚洲国产成人一精品久久久| 国产色视频综合| 老司机在亚洲福利影院| 国产福利在线免费观看视频| 91九色精品人成在线观看| 欧美日本中文国产一区发布| 国产一区二区 视频在线| 国产精品香港三级国产av潘金莲| 777米奇影视久久| 韩国精品一区二区三区| 人人妻人人澡人人看| 性色av一级| 久久久久久久久久久久大奶| av不卡在线播放| videosex国产| av国产精品久久久久影院| 国产在线观看jvid| 欧美精品一区二区免费开放| 91精品伊人久久大香线蕉| 91成人精品电影| 最近最新免费中文字幕在线| 欧美黑人精品巨大| 老司机影院毛片| 成年女人毛片免费观看观看9 | 亚洲精品国产av蜜桃| 亚洲成人国产一区在线观看| 日韩免费高清中文字幕av| 欧美 亚洲 国产 日韩一| 日韩电影二区| 制服诱惑二区| 亚洲av电影在线观看一区二区三区| 三上悠亚av全集在线观看| 91av网站免费观看| 国产精品一区二区在线不卡| 麻豆av在线久日| 日韩人妻精品一区2区三区| 精品第一国产精品| 久久久久久久国产电影| 成年美女黄网站色视频大全免费| 正在播放国产对白刺激| 亚洲全国av大片| 免费观看av网站的网址| 欧美另类一区| 成人av一区二区三区在线看 | 91老司机精品| 日韩制服丝袜自拍偷拍| 欧美在线一区亚洲| 久久青草综合色| 欧美午夜高清在线| 青春草亚洲视频在线观看| 精品一区二区三卡| 久久久国产一区二区| 一个人免费看片子| 精品久久蜜臀av无| 精品一区二区三卡| 国产精品免费大片| av视频免费观看在线观看| 亚洲精品国产一区二区精华液| 免费黄频网站在线观看国产| 亚洲精品乱久久久久久| tube8黄色片| 亚洲伊人久久精品综合| 午夜免费成人在线视频| 欧美黑人欧美精品刺激| 免费av中文字幕在线| 国产精品香港三级国产av潘金莲| 亚洲欧洲日产国产| 国产欧美日韩一区二区三 | 精品亚洲成a人片在线观看| bbb黄色大片| 午夜视频精品福利| 国产精品秋霞免费鲁丝片| 久久久久久久大尺度免费视频| 91国产中文字幕| 欧美成人午夜精品| 日本av免费视频播放| 黄网站色视频无遮挡免费观看| 国产黄色免费在线视频| 韩国高清视频一区二区三区| 最新的欧美精品一区二区| 九色亚洲精品在线播放| 视频在线观看一区二区三区| 国产精品国产三级国产专区5o| 久久久久国内视频| 亚洲精品在线美女| 精品熟女少妇八av免费久了| 亚洲av成人不卡在线观看播放网 | avwww免费| 午夜激情久久久久久久| 久热这里只有精品99| 高清av免费在线| 精品视频人人做人人爽| 精品一区在线观看国产| 亚洲av美国av| av国产精品久久久久影院| 成年人免费黄色播放视频| 国产人伦9x9x在线观看| 深夜精品福利| 丁香六月欧美| 免费高清在线观看日韩| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品免费大片| 亚洲视频免费观看视频| 91老司机精品| av有码第一页| 一区二区三区乱码不卡18| 精品国产乱码久久久久久男人| 无限看片的www在线观看| 肉色欧美久久久久久久蜜桃| 热99国产精品久久久久久7| 51午夜福利影视在线观看| 欧美性长视频在线观看| 久久久久久久久久久久大奶| 亚洲欧美激情在线| 国产成人影院久久av| 一区二区三区激情视频| 99精品久久久久人妻精品| 999久久久国产精品视频| 女警被强在线播放| videos熟女内射| 国产成人欧美在线观看 | 乱人伦中国视频| 老司机午夜十八禁免费视频| 亚洲欧美色中文字幕在线| av网站在线播放免费| 久久精品熟女亚洲av麻豆精品| 国产精品免费大片| 欧美激情 高清一区二区三区| 天堂8中文在线网| 精品人妻熟女毛片av久久网站| 国产日韩一区二区三区精品不卡| av欧美777| 国产片内射在线| 亚洲av美国av| 91精品伊人久久大香线蕉| 天天添夜夜摸| 中文字幕精品免费在线观看视频| 欧美精品一区二区大全| 性色av一级| 美女主播在线视频| 午夜免费成人在线视频| 大片电影免费在线观看免费| 国产又色又爽无遮挡免| 脱女人内裤的视频| 天天添夜夜摸| 欧美日韩av久久| 亚洲精品日韩在线中文字幕| 999精品在线视频| 视频区图区小说| 国产日韩欧美亚洲二区| 欧美日韩亚洲国产一区二区在线观看 | 黄色怎么调成土黄色| 大香蕉久久网| 亚洲自偷自拍图片 自拍| 日韩视频在线欧美| 欧美国产精品一级二级三级| 男女床上黄色一级片免费看| 中文字幕高清在线视频| 性色av乱码一区二区三区2| 五月天丁香电影| 久久免费观看电影| 婷婷色av中文字幕| 免费不卡黄色视频| av欧美777| 亚洲欧洲精品一区二区精品久久久| 人妻一区二区av| 精品国产乱子伦一区二区三区 | 一级毛片精品| 国产精品一区二区在线观看99| 午夜福利影视在线免费观看| 精品国产乱码久久久久久男人| 欧美性长视频在线观看| 中亚洲国语对白在线视频| 在线观看免费视频网站a站| 美女高潮喷水抽搐中文字幕| 一本色道久久久久久精品综合| 每晚都被弄得嗷嗷叫到高潮| 久久免费观看电影| 水蜜桃什么品种好| 久久性视频一级片| 老熟妇仑乱视频hdxx| 一区二区av电影网| 在线观看一区二区三区激情| 国产精品欧美亚洲77777| 热99久久久久精品小说推荐| 黄色怎么调成土黄色| 国产欧美亚洲国产| 亚洲av片天天在线观看| 久久国产精品大桥未久av| 9191精品国产免费久久| 男女下面插进去视频免费观看| 老熟妇乱子伦视频在线观看 | 国产精品一区二区免费欧美 | 国产在视频线精品| av网站免费在线观看视频| 精品少妇一区二区三区视频日本电影| 欧美成狂野欧美在线观看| 亚洲精品在线美女| 国产麻豆69| 在线观看一区二区三区激情| 国产精品 欧美亚洲| 美女高潮喷水抽搐中文字幕| 精品高清国产在线一区| 性色av乱码一区二区三区2| 国产精品一区二区精品视频观看| 亚洲色图 男人天堂 中文字幕| 韩国精品一区二区三区| 亚洲国产中文字幕在线视频| 国产欧美日韩精品亚洲av| 女人爽到高潮嗷嗷叫在线视频| 亚洲黑人精品在线| 成人av一区二区三区在线看 | 黄片小视频在线播放| 真人做人爱边吃奶动态| 永久免费av网站大全| 精品国产超薄肉色丝袜足j| 菩萨蛮人人尽说江南好唐韦庄| 青春草视频在线免费观看| 黑人欧美特级aaaaaa片| 丝袜美腿诱惑在线| 亚洲成人免费电影在线观看| 性少妇av在线| kizo精华| 在线观看舔阴道视频| 久久天躁狠狠躁夜夜2o2o| 三上悠亚av全集在线观看| 777米奇影视久久| 免费在线观看完整版高清| 亚洲欧美一区二区三区久久| 久久免费观看电影| 欧美+亚洲+日韩+国产| av网站在线播放免费| 亚洲自偷自拍图片 自拍| 桃红色精品国产亚洲av| 国产亚洲精品第一综合不卡| 久久ye,这里只有精品| 色94色欧美一区二区| 精品福利观看| 日韩有码中文字幕| 国产淫语在线视频| 一级毛片精品| 老鸭窝网址在线观看| 午夜精品国产一区二区电影| 熟女少妇亚洲综合色aaa.| 中文字幕人妻丝袜一区二区| 又黄又粗又硬又大视频| 国产黄频视频在线观看| tube8黄色片| 欧美国产精品一级二级三级| 色94色欧美一区二区| 亚洲精品一卡2卡三卡4卡5卡 | 国产无遮挡羞羞视频在线观看| av片东京热男人的天堂| 精品久久久久久电影网| videos熟女内射| 亚洲国产精品一区三区| 国产一区二区三区综合在线观看| 青春草亚洲视频在线观看| 免费在线观看完整版高清| 黄片播放在线免费| 亚洲精品美女久久久久99蜜臀| 黄色a级毛片大全视频| 高清视频免费观看一区二区| 人人澡人人妻人| 亚洲久久久国产精品| 我的亚洲天堂| 欧美日本中文国产一区发布| 日日摸夜夜添夜夜添小说| 天天操日日干夜夜撸| 欧美日韩亚洲高清精品| 国产成人啪精品午夜网站| av有码第一页| 久热爱精品视频在线9| 极品人妻少妇av视频| 日韩欧美一区视频在线观看| 亚洲av片天天在线观看| 欧美亚洲 丝袜 人妻 在线| 精品亚洲成a人片在线观看| 黑人欧美特级aaaaaa片| 天堂中文最新版在线下载| 国产精品久久久久久精品古装| 777米奇影视久久| 19禁男女啪啪无遮挡网站| 97人妻天天添夜夜摸| 久久这里只有精品19| 热99久久久久精品小说推荐| 国产亚洲精品一区二区www | 久久久久久久久久久久大奶| 亚洲伊人色综图| 国产一区二区 视频在线| 香蕉丝袜av| 丝袜在线中文字幕| 亚洲国产中文字幕在线视频| 精品久久久久久久毛片微露脸 | 久久久久久久久久久久大奶| 99久久人妻综合| 青春草亚洲视频在线观看| 成年美女黄网站色视频大全免费| 午夜视频精品福利| 黑人猛操日本美女一级片| 最近中文字幕2019免费版| 精品国产超薄肉色丝袜足j| 老司机福利观看| 日韩熟女老妇一区二区性免费视频| kizo精华| 人妻人人澡人人爽人人| 日韩大码丰满熟妇| 亚洲精品国产av蜜桃| 99香蕉大伊视频| 精品一区在线观看国产| 亚洲精品久久成人aⅴ小说| 黄色a级毛片大全视频| 国产成人精品在线电影| 亚洲精品国产av成人精品| 欧美日韩亚洲综合一区二区三区_| 成年人午夜在线观看视频| 大型av网站在线播放| 亚洲熟女毛片儿| 欧美日韩一级在线毛片| 免费黄频网站在线观看国产| 国产亚洲欧美精品永久| 国产不卡av网站在线观看| 色视频在线一区二区三区| 国产亚洲欧美在线一区二区| 国产在视频线精品| a级毛片在线看网站| 国产精品久久久久久精品古装| 热99re8久久精品国产| 精品亚洲成国产av| 法律面前人人平等表现在哪些方面 | 视频区欧美日本亚洲| 在线十欧美十亚洲十日本专区| 嫁个100分男人电影在线观看| 亚洲伊人色综图| 国产成人啪精品午夜网站| 欧美激情极品国产一区二区三区| 免费在线观看日本一区| 91av网站免费观看| 国产精品国产三级国产专区5o| 最黄视频免费看| 亚洲少妇的诱惑av| 2018国产大陆天天弄谢|