• <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
    黄色毛片三级朝国网站| 国产成人精品无人区| 日韩制服丝袜自拍偷拍| 精品人妻1区二区| 1024香蕉在线观看| 这个男人来自地球电影免费观看| xxx大片免费视频| 欧美日韩国产mv在线观看视频| 欧美 日韩 精品 国产| 久久亚洲国产成人精品v| 男女之事视频高清在线观看 | 国产成人免费无遮挡视频| 亚洲专区国产一区二区| 考比视频在线观看| a级毛片在线看网站| 中文字幕人妻熟女乱码| 制服人妻中文乱码| 超碰97精品在线观看| 国产午夜精品一二区理论片| 亚洲黑人精品在线| 精品欧美一区二区三区在线| 一边摸一边抽搐一进一出视频| 亚洲精品第二区| 久久精品国产综合久久久| 国产三级黄色录像| 亚洲成人国产一区在线观看 | 波多野结衣一区麻豆| 免费人妻精品一区二区三区视频| 成人手机av| 女警被强在线播放| 午夜老司机福利片| 久久精品久久久久久噜噜老黄| 国产成人av教育| 国产成人欧美在线观看 | 国产成人一区二区在线| 大香蕉久久成人网| 啦啦啦中文免费视频观看日本| 99热全是精品| 国产淫语在线视频| av不卡在线播放| 久久久久久久国产电影| 99精国产麻豆久久婷婷| 免费在线观看黄色视频的| 国产成人av激情在线播放| 老司机亚洲免费影院| 国产一区有黄有色的免费视频| 视频区欧美日本亚洲| 亚洲精品自拍成人| 亚洲国产欧美日韩在线播放| 午夜激情久久久久久久| 国产精品偷伦视频观看了| 电影成人av| 大话2 男鬼变身卡| 在线看a的网站| 色婷婷av一区二区三区视频| 精品少妇久久久久久888优播| 久热爱精品视频在线9| 国产在线观看jvid| 啦啦啦 在线观看视频| 日韩视频在线欧美| 国产淫语在线视频| 熟女av电影| 99re6热这里在线精品视频| 成人亚洲精品一区在线观看| 老司机影院毛片| 亚洲av日韩在线播放| 亚洲一区二区三区欧美精品| 国产一区二区三区av在线| 欧美成狂野欧美在线观看| 国产欧美日韩综合在线一区二区| 看免费av毛片| 精品人妻一区二区三区麻豆| 国产精品av久久久久免费| 免费不卡黄色视频| av不卡在线播放| 三上悠亚av全集在线观看| 午夜福利乱码中文字幕| 十八禁高潮呻吟视频| 亚洲av在线观看美女高潮| 中文字幕人妻丝袜一区二区| 国产午夜精品一二区理论片| 久热这里只有精品99| 熟女av电影| 高清视频免费观看一区二区| 国产在线免费精品| 免费观看av网站的网址| 嫁个100分男人电影在线观看 | 久久综合国产亚洲精品| 在线观看免费高清a一片| 久久精品亚洲熟妇少妇任你| 建设人人有责人人尽责人人享有的| 亚洲国产成人一精品久久久| 搡老岳熟女国产| 欧美激情 高清一区二区三区| 午夜福利在线免费观看网站| 欧美黄色淫秽网站| 亚洲专区国产一区二区| 久久av网站| 久久九九热精品免费| 欧美大码av| 国产亚洲av高清不卡| 日韩视频在线欧美| 成人亚洲精品一区在线观看| av网站在线播放免费| 亚洲情色 制服丝袜| 久久人人爽人人片av| 欧美黄色片欧美黄色片| av福利片在线| 久久精品国产综合久久久| 天天影视国产精品| 国产精品成人在线| 久久 成人 亚洲| av线在线观看网站| 亚洲av欧美aⅴ国产| 国产视频首页在线观看| 蜜桃国产av成人99| 亚洲九九香蕉| 欧美大码av| 欧美成人精品欧美一级黄| 国产亚洲欧美在线一区二区| 大片电影免费在线观看免费| 亚洲精品成人av观看孕妇| 久久毛片免费看一区二区三区| 成人手机av| 91精品伊人久久大香线蕉| 男女午夜视频在线观看| 亚洲激情五月婷婷啪啪| 真人做人爱边吃奶动态| 久久亚洲精品不卡| 免费在线观看黄色视频的| 一本综合久久免费| 久久亚洲国产成人精品v| av福利片在线| 五月天丁香电影| 欧美老熟妇乱子伦牲交| 色婷婷av一区二区三区视频| 9热在线视频观看99| 精品人妻在线不人妻| 天天躁夜夜躁狠狠久久av| 亚洲免费av在线视频| 久久亚洲精品不卡| 老司机深夜福利视频在线观看 | 啦啦啦中文免费视频观看日本| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲欧美一区二区三区久久| 蜜桃国产av成人99| 久久天堂一区二区三区四区| 香蕉丝袜av| 日本wwww免费看| av在线播放精品| 蜜桃国产av成人99| 另类亚洲欧美激情| 日韩一卡2卡3卡4卡2021年| 男人爽女人下面视频在线观看| 免费看不卡的av| 99香蕉大伊视频| 一区二区三区乱码不卡18| 国产淫语在线视频| 国产男人的电影天堂91| 一区二区三区精品91| 丝袜在线中文字幕| 中文字幕亚洲精品专区| 人妻一区二区av| 日本a在线网址| 日韩伦理黄色片| 欧美日韩视频高清一区二区三区二| 久久精品国产综合久久久| 99热全是精品| 久久久国产欧美日韩av| 90打野战视频偷拍视频| 免费人妻精品一区二区三区视频| 男女国产视频网站| 又黄又粗又硬又大视频| 纯流量卡能插随身wifi吗| av在线老鸭窝| 天天添夜夜摸| 人人妻人人澡人人看| 免费在线观看日本一区| 亚洲五月色婷婷综合| 一区福利在线观看| 51午夜福利影视在线观看| 免费不卡黄色视频| 精品少妇内射三级| 18禁观看日本| 国产精品九九99| 欧美人与性动交α欧美精品济南到| 亚洲av电影在线观看一区二区三区| 国产在视频线精品| www.999成人在线观看| 首页视频小说图片口味搜索 | 日韩av不卡免费在线播放| 高潮久久久久久久久久久不卡| 97在线人人人人妻| 国产成人影院久久av| 好男人视频免费观看在线| 一区福利在线观看| 国产成人免费观看mmmm| 老司机靠b影院| 高清黄色对白视频在线免费看| 校园人妻丝袜中文字幕| 80岁老熟妇乱子伦牲交| 亚洲免费av在线视频| 麻豆乱淫一区二区| 在线看a的网站| 亚洲色图综合在线观看| h视频一区二区三区| 亚洲一卡2卡3卡4卡5卡精品中文| 黄色视频在线播放观看不卡| 成在线人永久免费视频| 国产精品亚洲av一区麻豆| 脱女人内裤的视频| 亚洲国产精品成人久久小说| 久久久久久久大尺度免费视频| videos熟女内射| 欧美黄色片欧美黄色片| 一区二区三区精品91| 亚洲情色 制服丝袜| 一级黄片播放器| 热99久久久久精品小说推荐| 国产黄色免费在线视频| 搡老乐熟女国产| 国产精品国产三级国产专区5o| 亚洲精品一二三| 国产精品一国产av| 日本av手机在线免费观看| 女人被躁到高潮嗷嗷叫费观| 看十八女毛片水多多多| 亚洲国产欧美在线一区| 欧美成人精品欧美一级黄| 最近最新中文字幕大全免费视频 | 午夜福利免费观看在线| 天堂8中文在线网| 国产一区有黄有色的免费视频| 成人黄色视频免费在线看| 国产精品熟女久久久久浪| 欧美日本中文国产一区发布| 美女扒开内裤让男人捅视频| 亚洲av在线观看美女高潮| 国产精品国产三级专区第一集| 精品久久久精品久久久| 免费在线观看完整版高清| 国产精品人妻久久久影院| 国产一级毛片在线| 这个男人来自地球电影免费观看| 下体分泌物呈黄色| 久久人妻熟女aⅴ| 一级毛片女人18水好多 | 亚洲欧美日韩高清在线视频 | 97在线人人人人妻| 免费在线观看黄色视频的| 国产精品免费视频内射| 国产女主播在线喷水免费视频网站| 精品高清国产在线一区| 久久精品国产亚洲av涩爱| av网站在线播放免费| 嫩草影视91久久| 一级,二级,三级黄色视频| 一本久久精品| 成人免费观看视频高清| 黄色a级毛片大全视频| 青春草视频在线免费观看| 国产精品秋霞免费鲁丝片| 亚洲三区欧美一区| 高清黄色对白视频在线免费看| 91精品伊人久久大香线蕉| 欧美激情 高清一区二区三区| 色综合欧美亚洲国产小说| 久久人人97超碰香蕉20202| 亚洲人成电影观看| 久久久久国产精品人妻一区二区| 男女免费视频国产| 亚洲av片天天在线观看| 亚洲精品美女久久av网站| 桃花免费在线播放| 国产精品一区二区免费欧美 | 一区福利在线观看| 亚洲一码二码三码区别大吗| 亚洲欧洲精品一区二区精品久久久| 婷婷成人精品国产| 成在线人永久免费视频| 亚洲国产中文字幕在线视频| 男人舔女人的私密视频| 亚洲国产欧美一区二区综合| 国产1区2区3区精品| 一个人免费看片子| a级毛片在线看网站| xxxhd国产人妻xxx| 亚洲av在线观看美女高潮| 国产成人精品久久二区二区91| av一本久久久久| 亚洲精品成人av观看孕妇| 啦啦啦 在线观看视频| 在线av久久热| 97精品久久久久久久久久精品| 日韩,欧美,国产一区二区三区| 国产片内射在线| 欧美97在线视频| 七月丁香在线播放| av网站在线播放免费| 国产日韩欧美亚洲二区| 午夜老司机福利片| 日韩制服丝袜自拍偷拍| 一区二区av电影网| 成年av动漫网址| 国产黄频视频在线观看| 99热全是精品| 嫁个100分男人电影在线观看 | 波多野结衣一区麻豆| 一级黄片播放器| 欧美精品人与动牲交sv欧美| a 毛片基地| 久久人妻福利社区极品人妻图片 | 老鸭窝网址在线观看| 中文字幕精品免费在线观看视频| 免费观看人在逋| 91精品伊人久久大香线蕉| 国产伦理片在线播放av一区| 制服人妻中文乱码| 亚洲,欧美精品.| 日本猛色少妇xxxxx猛交久久| 精品亚洲成国产av| 首页视频小说图片口味搜索 | 男女高潮啪啪啪动态图| 亚洲人成网站在线观看播放| 伦理电影免费视频| av欧美777| 中文字幕色久视频| 亚洲国产毛片av蜜桃av| 婷婷丁香在线五月| 国产免费又黄又爽又色| 一边亲一边摸免费视频| 国产主播在线观看一区二区 | 人人妻人人爽人人添夜夜欢视频| 亚洲国产中文字幕在线视频| 80岁老熟妇乱子伦牲交| 亚洲欧洲精品一区二区精品久久久| 久久精品aⅴ一区二区三区四区| 中文精品一卡2卡3卡4更新| 久久久国产欧美日韩av| 精品欧美一区二区三区在线| 日韩 欧美 亚洲 中文字幕| 成年女人毛片免费观看观看9 | 久久久精品国产亚洲av高清涩受| 亚洲图色成人| 极品人妻少妇av视频| 天天躁夜夜躁狠狠躁躁| 精品一区二区三区四区五区乱码 | 制服诱惑二区| 丝袜在线中文字幕| 国产极品粉嫩免费观看在线| 成年av动漫网址| 欧美日韩福利视频一区二区| 中文字幕亚洲精品专区| 亚洲av成人精品一二三区| 91字幕亚洲| 美女主播在线视频| 三上悠亚av全集在线观看| av福利片在线| 久久精品国产a三级三级三级| 精品国产乱码久久久久久小说| 国产高清视频在线播放一区 | 久久青草综合色| 一本一本久久a久久精品综合妖精| 国产视频首页在线观看| a级片在线免费高清观看视频| 国产片内射在线| 热99久久久久精品小说推荐| av又黄又爽大尺度在线免费看| 亚洲国产成人一精品久久久| 国产精品久久久人人做人人爽| 亚洲精品第二区| 久热这里只有精品99| 最黄视频免费看| 国产精品一区二区精品视频观看| 亚洲中文av在线| 国产精品人妻久久久影院| 亚洲国产成人一精品久久久| 电影成人av| 丰满少妇做爰视频| 高清视频免费观看一区二区| 一区二区av电影网| 亚洲成人手机| 巨乳人妻的诱惑在线观看| 国产黄色免费在线视频| 女人爽到高潮嗷嗷叫在线视频| 亚洲男人天堂网一区| 亚洲精品国产一区二区精华液| 91字幕亚洲| 免费高清在线观看视频在线观看| 日日爽夜夜爽网站| 午夜福利视频在线观看免费| 久久人妻熟女aⅴ| 色视频在线一区二区三区| www.自偷自拍.com| 欧美精品一区二区大全| av一本久久久久| 亚洲av综合色区一区| 日本a在线网址| 丁香六月欧美| 免费看不卡的av| 大片电影免费在线观看免费| 嫩草影视91久久| 91国产中文字幕| 色婷婷久久久亚洲欧美| 人人妻人人澡人人爽人人夜夜| av天堂久久9| 久久狼人影院| 99久久精品国产亚洲精品| 免费看av在线观看网站| 母亲3免费完整高清在线观看| 天天躁日日躁夜夜躁夜夜| 久久av网站| 多毛熟女@视频| 日韩 欧美 亚洲 中文字幕| 日本猛色少妇xxxxx猛交久久| 少妇被粗大的猛进出69影院| 欧美日韩视频高清一区二区三区二| 啦啦啦 在线观看视频| 亚洲成人手机| 亚洲国产精品一区二区三区在线| 久久人人爽人人片av| 日本av免费视频播放| 悠悠久久av| 一区二区av电影网| 日本欧美视频一区| av天堂久久9| 国产在线视频一区二区| 亚洲国产最新在线播放| 亚洲av日韩在线播放| 一二三四在线观看免费中文在| 最新的欧美精品一区二区| 精品国产超薄肉色丝袜足j| 一区在线观看完整版| 亚洲 国产 在线| 成人国产av品久久久| 国产成人免费无遮挡视频| 天天添夜夜摸| 欧美日韩av久久| 嫁个100分男人电影在线观看 | 国产黄色免费在线视频| 校园人妻丝袜中文字幕| 男女国产视频网站| 亚洲少妇的诱惑av| 超色免费av| 五月天丁香电影| 男的添女的下面高潮视频| 侵犯人妻中文字幕一二三四区| 如日韩欧美国产精品一区二区三区| 亚洲专区中文字幕在线| 日韩中文字幕视频在线看片| 热99久久久久精品小说推荐| 久久国产亚洲av麻豆专区| 中文字幕人妻丝袜制服| 97精品久久久久久久久久精品| 国产精品一国产av| 精品亚洲成国产av| 精品一区在线观看国产| 亚洲中文av在线| 免费在线观看视频国产中文字幕亚洲 | 精品亚洲乱码少妇综合久久| 亚洲国产中文字幕在线视频| 人妻一区二区av| 中文字幕高清在线视频| 99国产精品一区二区蜜桃av | 首页视频小说图片口味搜索 | 国产成人a∨麻豆精品| 叶爱在线成人免费视频播放| 国产片特级美女逼逼视频| 国产成人影院久久av| 午夜精品国产一区二区电影| 成年女人毛片免费观看观看9 | avwww免费| 欧美中文综合在线视频| 高清视频免费观看一区二区| 精品久久久精品久久久| 电影成人av| 久久精品久久久久久久性| 久久久精品国产亚洲av高清涩受| 国产精品香港三级国产av潘金莲 | 国产有黄有色有爽视频| 久久人人爽人人片av| 99热国产这里只有精品6| 国产在线观看jvid| 亚洲情色 制服丝袜| 夫妻性生交免费视频一级片| 国产黄色视频一区二区在线观看| 免费在线观看黄色视频的| 欧美精品高潮呻吟av久久| 男女国产视频网站| 成人亚洲精品一区在线观看| 欧美日韩精品网址| 最黄视频免费看| 国产日韩欧美在线精品| 精品一区二区三区av网在线观看 | 欧美精品高潮呻吟av久久| 欧美大码av| 国产精品一区二区在线观看99| 丝袜脚勾引网站| 成年人黄色毛片网站| 亚洲国产精品国产精品| 欧美中文综合在线视频| av有码第一页| 精品福利观看| 最黄视频免费看| 国产免费又黄又爽又色| 久久99热这里只频精品6学生| 99国产综合亚洲精品| 亚洲欧美日韩另类电影网站| 一区二区av电影网| av视频免费观看在线观看| 91精品国产国语对白视频| 最近最新中文字幕大全免费视频 | 一本色道久久久久久精品综合| 国产91精品成人一区二区三区 | 亚洲精品久久午夜乱码| 欧美激情高清一区二区三区| 国产日韩欧美视频二区| 99热网站在线观看| 午夜免费观看性视频| 免费一级毛片在线播放高清视频 | 国产三级黄色录像| 国产精品久久久久久精品电影小说| 亚洲色图 男人天堂 中文字幕| av在线老鸭窝| 欧美日韩视频高清一区二区三区二| 国产三级黄色录像| 热99国产精品久久久久久7| 一区二区三区精品91| 精品亚洲成国产av| 亚洲情色 制服丝袜| 中文字幕人妻丝袜制服| 蜜桃国产av成人99| 一本—道久久a久久精品蜜桃钙片| 黄片小视频在线播放| 一本综合久久免费| 久久99精品国语久久久| 亚洲专区中文字幕在线| 欧美少妇被猛烈插入视频| 人人妻人人澡人人爽人人夜夜| 97人妻天天添夜夜摸| 一级,二级,三级黄色视频| 亚洲三区欧美一区| 亚洲欧美精品自产自拍| 男人操女人黄网站| 亚洲精品国产区一区二| 又大又爽又粗| 亚洲精品第二区| 嫁个100分男人电影在线观看 | 成年美女黄网站色视频大全免费| 亚洲国产精品成人久久小说| 高清黄色对白视频在线免费看| 亚洲精品一卡2卡三卡4卡5卡 | 色网站视频免费| 热99国产精品久久久久久7| 在线看a的网站| 一二三四在线观看免费中文在| 久久精品成人免费网站| 97精品久久久久久久久久精品| 久久性视频一级片| 亚洲欧美激情在线| 亚洲av国产av综合av卡| 999精品在线视频| 国产国语露脸激情在线看| 亚洲伊人色综图| 中国国产av一级| 亚洲成色77777| 9热在线视频观看99| 69精品国产乱码久久久| 精品人妻在线不人妻| 高清不卡的av网站| 老鸭窝网址在线观看| 纯流量卡能插随身wifi吗| 一级毛片电影观看| 久久久国产精品麻豆| 少妇 在线观看| 少妇人妻 视频| 欧美老熟妇乱子伦牲交| 婷婷色综合www| 国产精品一国产av| 精品一区二区三卡| 国产1区2区3区精品| 日韩人妻精品一区2区三区| 嫩草影视91久久| 亚洲av电影在线观看一区二区三区| 夫妻性生交免费视频一级片| 久久精品久久久久久久性| 国产97色在线日韩免费| 亚洲成av片中文字幕在线观看| 又黄又粗又硬又大视频| 精品熟女少妇八av免费久了| 日韩欧美一区视频在线观看| 女人爽到高潮嗷嗷叫在线视频| 成人手机av| 亚洲精品久久成人aⅴ小说| 啦啦啦视频在线资源免费观看| 久久精品成人免费网站| 日本五十路高清| 久久久久久久精品精品| 亚洲av日韩在线播放| 日韩制服丝袜自拍偷拍| av天堂久久9| 久久99一区二区三区| 晚上一个人看的免费电影| 欧美少妇被猛烈插入视频| 最近中文字幕2019免费版| 超碰97精品在线观看| 欧美国产精品一级二级三级| 大陆偷拍与自拍| 丝袜在线中文字幕| 一级片'在线观看视频| 国产男女超爽视频在线观看| 国产亚洲av高清不卡| 婷婷丁香在线五月| 国产精品.久久久| 在线观看www视频免费|