• <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 ?

    基于自適應(yīng)像素級注意力模型的場景深度估計

    2020-06-16 01:41:46陳裕如趙海濤
    應(yīng)用光學(xué) 2020年3期
    關(guān)鍵詞:深度模型

    陳裕如,趙海濤

    (華東理工大學(xué) 信息科學(xué)與工程學(xué)院,上海 200237)

    引言

    深度信息對理解三維場景有著重要的影響,并有助于完成諸如三維重建[1-2]、三維目標(biāo)檢測[3]、即時定位與地圖構(gòu)建(SLAM)[4]等任務(wù),也是無人駕駛技術(shù)環(huán)境感知中的重要一環(huán)[5]。深度估計的目標(biāo)是為場景中的每個像素指定觀察者與由該像素表示的場景點之間的距離。從單視角圖像中估計場景的像素深度已經(jīng)引起了廣泛的研究[1,4,6-8]。依賴于Kinect 深度相機(室內(nèi))和雷達傳感器(室外)的發(fā)展,場景深度數(shù)據(jù)的大量獲得成為可能。近年來,基于深度學(xué)習(xí)的單目深度估計得到了巨大發(fā)展,其中卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)被大量應(yīng)用于該領(lǐng)域[6,8-10]。

    作為開創(chuàng)性的工作,Eigen[6]等人首先提出了一個多尺度的粗糙-精細(xì)模型,其中精細(xì)網(wǎng)絡(luò)對粗糙網(wǎng)絡(luò)的全局預(yù)測進行改進,得到了更準(zhǔn)確的結(jié)果。為了解決深度數(shù)據(jù)分布中由重尾效應(yīng)導(dǎo)致的樣本不平衡,Laina[4]等人提出了比L2 回歸損失更適合深度估計的反向Huber 損失,因為其對小誤差更敏感。Garg[9]等人提出了一種基于圖像重建的無監(jiān)督的單目深度估計框架,在該設(shè)定下,Godard[10]等人進一步提出將L1 損失和結(jié)構(gòu)相似性指數(shù)的組合作為重建損失進一步提高了成像效果。Wu[8]等人提出一種雙向遞歸神經(jīng)網(wǎng)絡(luò)來提取視頻序列信息以提高深度估計的穩(wěn)定性與準(zhǔn)確性。此外,基于紅外圖像的深度估計也受到了廣泛的關(guān)注[8,11-12],因為紅外熱成像的特性使其在夜間場景下更具有優(yōu)勢,但由于其缺乏紋理、梯度等細(xì)節(jié)特征使得預(yù)測精度與成像質(zhì)量不如可見光。

    雖然基于CNN 的深度估計模型已經(jīng)取得了巨大的成功,但仍然存在一些難以解決的問題。從CNN 的結(jié)構(gòu)角度來看,為了學(xué)習(xí)抽象表示和融合全局特征,基于CNN 的模型通常會隨著網(wǎng)絡(luò)中連續(xù)的池化或帶步長的卷積操作而不斷縮小特征圖的空間尺度,這些操作可能會破壞圖像的空間信息。深度估計的另一個挑戰(zhàn)來自場景中對象的深度分布,Huang[13]等人研究了自然場景的距離圖像(range image)的統(tǒng)計特性(距離圖像在深度估計領(lǐng)域稱為深度圖),表明距離圖像可以分解成分段平滑的區(qū)域,彼此之間幾乎沒有依賴性,對象邊界中通常存在尖銳的不連續(xù)性。因此,在場景中“對象”的概念應(yīng)該更準(zhǔn)確地從深度值的變化來定義,而不是從顏色、強度或紋理等低層次特征來定義,所以深度估計的關(guān)鍵在于捕捉對象內(nèi)和對象間的長距離上下文信息[14]。針對該問題,Yu[15]等人使用擴張卷積(dilated convolution)來擴展卷積核的感受野,文獻[14]實現(xiàn)了一個“擴張空間金字塔池化(astrous spatial pyramid pooling,ASPP)”框架,其通過并聯(lián)放置多個不同擴張率的擴張卷積來捕獲多尺度對象和上下文信息。然而,離散化的擴張率不能覆蓋復(fù)雜和連續(xù)的場景深度,很容易引入網(wǎng)格偽影[16],其原因在于當(dāng)擴張率增加,采樣點之間相隔較遠(yuǎn),局部信息丟失,而長距離上的一些信息并不相關(guān),因此可能會破壞局部信息之間的連續(xù)性。

    針對這些挑戰(zhàn),本文提出了一種新的單目深度估計算法,即基于注意力的自適應(yīng)上下文聚合網(wǎng)絡(luò)(adaptive context aggregation network, ACANet)用于生成高質(zhì)量的深度圖。本文設(shè)計的監(jiān)督自注意力模型(supervised self-attention, SSA)可以自適應(yīng)地獲得像素級的相似性,其反映了整個特征圖中每個像素與任何其他像素之間的關(guān)系,從而捕捉了圖像特征空間中連續(xù)的上下文信息,提高了深度估計的細(xì)粒度的同時也抑制了生成圖像中的噪點。本文方法的優(yōu)點如下:

    1) 提出的基于注意力機制的卷積神經(jīng)網(wǎng)絡(luò),可以捕捉特征圖空間中與每個像素相關(guān)聯(lián)的有意義的上下文信息,顯著提高了單目深度估計的成像效果與準(zhǔn)確率。

    2) 為了消除二維圖像和深度圖的語義差異,本文引入KL 散度作為注意力損失函數(shù)。對注意力損失函數(shù)的優(yōu)化可以最小化注意力分布與通過真實深度值獲取的相似性分布之間的散度。分解實驗驗證了注意力損失函數(shù)的有效性。

    3) 提出的易于實現(xiàn)的軟推理策略與傳統(tǒng)的硬推理相比,可以減少離散化誤差,生成更加真實的深度圖,提高成像質(zhì)量。

    4) 在深度估計數(shù)據(jù)集(NYU Depth v2)上的實驗結(jié)果表明了本文提出的算法的優(yōu)越性。

    1 算法框架

    1.1 ACANet 網(wǎng)絡(luò)結(jié)構(gòu)

    ACANet 網(wǎng)絡(luò)架構(gòu)如圖1 所示。本文使用殘差神經(jīng)網(wǎng)絡(luò)(residual network,ResNet)[17]作為骨架網(wǎng)絡(luò)來提取RGB 圖像的密集特征,其在深層網(wǎng)絡(luò)中顯示出很好的梯度傳播能力。但原始ResNet 的過度下采樣會阻礙細(xì)粒度深度圖的重建。因此本文將ResNet 中的block3 和block4 替換為擴張率分別為2 和4 的殘差塊,這使得后續(xù)特征圖的尺度保持不變。在場景解析模塊中,SSA 能夠捕獲有辨別力的像素級上下文信息,提取特征圖中每個像素的全局空間依賴性,下方的恒等映射(identity)作為捷徑連接減輕網(wǎng)絡(luò)優(yōu)化的難度,上方的1×1 卷積進行通道間的特征融合,最后通過有序回歸[18-19]對網(wǎng)絡(luò)輸出進行分類。

    圖 1 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 1 Structure diagram of network

    1.2 有監(jiān)督的自注意力模型

    自注意力模型最早被應(yīng)用于機器翻譯[20]中,之后擴展到計算機視覺任務(wù)中,如視頻分類[21]等。本文將改進的有監(jiān)督自注意力模型引入深度估計中。SSA 的細(xì)節(jié)如圖2 所示。

    圖 2 SSA 結(jié)構(gòu)Fig. 2 Structure diagram of SSA

    式中:wi,j表示了第j 個像素與第i 個像素具有語義特性的上下文信息的相關(guān)程度。借助于學(xué)習(xí)到的注意力權(quán)重,上下文信息的聚合可以被定義為

    由于注意力權(quán)重wi,j經(jīng)過softmax 歸一化,因此上式相當(dāng)于全局的加權(quán)池化。通過這種方式,特征提取過程可以通過顯示的融合上下文的全局特征表示并被強化。

    1.3 損失函數(shù)

    損失函數(shù) L 包括注意力損失 Latt和有序回歸損失 Lord,如下式:

    如圖2 所示,為了彌補RGB 圖像和深度圖之間的語義鴻溝,本文設(shè)計將KL 散度作為訓(xùn)練自注意力模型的損失函數(shù),用來度量自注意力模型產(chǎn)生的注意力分布與由真實深度生成的相似性分布之間的差異,定義為

    式中:wi,j是由式(1)產(chǎn)生的注意力權(quán)重;wi,j*由下式計算得到:

    本文將深度值在對數(shù)空間平均離散化為K 個子間隔,即:

    本文采用有序回歸作為分類損失函數(shù)。有序回歸旨在學(xué)習(xí)附加序數(shù)先驗知識來預(yù)測標(biāo)簽的規(guī)則,以解決順序回歸算法。有序回歸將一個多分類的問題轉(zhuǎn)化為一系列更簡單的二分類問題,其中每一個分類器只決定該樣本是否大于類別標(biāo)簽。設(shè) Y ∈RN×2K表示網(wǎng)絡(luò)的輸出概率圖,在第i 個位置的損失為

    式中:?i表示預(yù)測的深度標(biāo)簽;ρik表示?i大于k 的概率。整體的有序回歸損失為

    1.4 有序推理策略

    基于分類的深度估計在先前的文獻已經(jīng)被廣泛研究,其可以獲得深度分布的置信度[19,22-23]。輸出置信度圖中的每一個元素僅關(guān)注特定的深度間隔,這簡化了網(wǎng)絡(luò)的學(xué)習(xí),提高了模型的閾值準(zhǔn)確率。然而,分類模型的離散化會引入誤差。此外,基于硬閾值的推理策略[19,23]只從網(wǎng)絡(luò)輸出中得到了類別信息,忽略了獲得的置信度分布,因此在反離散化的計算中可能引入階梯偽影,這可以在本文的后續(xù)實驗圖中觀測到。本文將直接的硬推理推廣到軟推理版本,稱為軟性有序推理(soft ordinal inference,SOI)來解決上述問題。SOI 充分利用預(yù)測的置信度得到了更加真實的預(yù)測。

    在獲得每個像素的K 個二分類概率后,深度值的硬閾值推理[19]計算式為

    式中:η(·)為指示函數(shù)。硬閾值推理的取整運算丟棄了網(wǎng)絡(luò)預(yù)測的置信度,這會破壞在一些難分區(qū)域的預(yù)測結(jié)果,降低模型效果。

    相反,本文提出的SOI 能夠?qū)㈩A(yù)測概率轉(zhuǎn)化為連續(xù)平滑的深度圖,公式如下:

    式中:γi∈[0,1) 為預(yù)測類別接近?i+1的程度。當(dāng)γi=0 時,(13)式與(11)式等效,因此SOI 能夠充分利用網(wǎng)絡(luò)的更多輸出信息,即預(yù)測置信度來推斷像素的深度值。

    2 實驗與結(jié)果

    2.1 評價指標(biāo)

    本文遵循當(dāng)前研究中常用的評價方式[4,6-7],引入深度估計領(lǐng)域的通用評價指標(biāo),公式為

    式中:di*表示真實深度;di表示預(yù)測深度;N 表示有效像素總數(shù)。rmse、rel 和rmselog誤差用來度量預(yù)測深度和真實深度之間的差異,值越小越好。閾值準(zhǔn)確度用來度量預(yù)測深度,由thr 閾值界定范圍內(nèi)的像素百分比,值越大越好。

    2.2 NYU Depth v2 數(shù)據(jù)集

    本文實驗使用了室內(nèi)深度數(shù)據(jù)集NYU Depth v2[1],由464 個室內(nèi)場景大約240 k 張RGB-D 圖像組成,由Microsoft Kinect 攝像機拍攝的視頻序列處理得到,深度范圍為0.6 m~10 m。在官方的訓(xùn)練測試集劃分中,249 個場景用于訓(xùn)練,其余215個場景用于測試。對于訓(xùn)練集,本文從每個訓(xùn)練場景的視頻序列中以固定采樣頻率采樣了大約12 k張圖像。原始圖像分辨率為480×640 pixel,為減小內(nèi)存消耗,首先使用雙線性插值將其下采樣到240×320 pixel,然后再隨機裁剪到224×304 pixel,作為網(wǎng)絡(luò)的輸入。在官方給出的654 張測試圖像上計算評價指標(biāo)。

    2.3 實驗細(xì)節(jié)

    本文使用深度學(xué)習(xí)框架Pytorch 在單個Nvidia GTX1080Ti GPU 上 實 現(xiàn) 提 出 的 模 型。ACANet 使用ResNet-50 和ResNet-101 作為骨架網(wǎng)絡(luò),其參數(shù)在ImageNet 分類任務(wù)[24]上預(yù)訓(xùn)練得到。在所有實驗中,深度間隔設(shè)置為K=80。學(xué)習(xí)速率策略應(yīng)用多項式衰減,衰減公式為 lr×(1?iter/max_iter)power,初始學(xué)習(xí)率lr 設(shè)為2e-4,衰減率power=0.9。優(yōu)化算法采用隨機梯度下降,其中動量和權(quán)重衰減分別設(shè)置為0.9 和5e-4。

    2.4 注意力模型與注意力損失的有效性

    為了進行定性分析,本文分別訓(xùn)練有注意力損失和無注意力損失的模型,并將注意力模型所產(chǎn)生的注意力圖可視化,如圖3 所示。圖3 中第1 行和第2 行分別給出了在使用 Latt訓(xùn)練和沒有使用 Latt訓(xùn)練的SSA 生成的注意力圖,同一列表示相同綠色“+”位置處的注意力圖。圖3 表明:1) 本文提出的SSA 能夠預(yù)測有意義的上下文區(qū)域,捕獲了大范圍的依賴關(guān)系;2) 通過視覺對比發(fā)現(xiàn),有 Latt約束的模型可以自適應(yīng)地給出更豐富和全局的上下文區(qū)域。如圖3 中無 Latt約束的注意力圖只能點亮紋理上相似的局部區(qū)域,而有 Latt約束的注意力圖能夠充分捕捉在深度上相似的大范圍區(qū)域,這說明模型學(xué)習(xí)到了圖像整體的遠(yuǎn)近布局。因此SSA 可以根據(jù)語義相關(guān)性,而不是局部或低級圖像特征(如亮度或紋理)的相似性來提取上下文信息。

    圖 3 注意力圖可視化Fig. 3 Visualization of attention map

    定量結(jié)果見表1 所示。其中“w/o”表示沒有注意力損失約束的模型,“w”表示有注意力損失約束的模型。數(shù)據(jù)表明帶注意力損失的ACANet 在所有評價指標(biāo)中獲得了更好的結(jié)果。因為在上下文信息聚合的過程中,當(dāng)前像素位置(綠色“+”處)的特征由上下文區(qū)域的特征進行線性組合,線性權(quán)重wi,j由注意力模型給出(見(1)式和(2)式)。由圖3 可見,在有注意力約束的模型中,獲得的注意

    力權(quán)重wi,j分布可以更加廣泛而有效地覆蓋有意義的上下文區(qū)域(注意力圖亮度越高,即wi,j越大的物理意義為其深度與像素“+”位置的深度越接近)。因此特征圖中任意像素位置的特征值經(jīng)過上下文聚合能夠更加穩(wěn)定,有效地提高最終的預(yù)測結(jié)果。

    表 1 注意力損失函數(shù)的比較Table 1 Comparison of attention loss function

    2.5 有序回歸分類與軟性有序推理的有效性

    為了驗證有序損失的有效性,本文比較了通過有序損失和常用的交叉熵?fù)p失訓(xùn)練得到的深度估計結(jié)果。圖4 為歸一化的混淆矩陣,對角線元素顯示了訓(xùn)練網(wǎng)絡(luò)正確估計其真實類別的像素百分比,非對角線元素顯示深度估計出錯的位置。從圖4 中可以看出,有序損失的混淆矩陣比交叉熵?fù)p失的混淆矩陣更具有簇狀結(jié)構(gòu)。

    圖 4 歸一化混淆矩陣Fig. 4 Normalized confusion matrix

    為了說明軟性有序推理的有效性,本文進行了定性和定量實驗,所有實驗都采用ResNet-50 為骨架網(wǎng)絡(luò)。實驗結(jié)果如表2 所示。表2 中“HCE(hard-max cross entropy)”表示采用基于交叉熵分類 的 硬 閾 值 推 理,“SCE(soft-weighted-sum cross entropy)”表示采用基于交叉熵分類的軟加權(quán)推理[22],“HOI”表示由公式(11)和(12)中定義的基于有序分類的硬閾值推理[19],“SOI”是采用公式(13)~(15)中定義的軟性有序推理。同時也給出了現(xiàn)有方法中基于ResNet-50 的模型效果。比較結(jié)果表明:1) 軟推理的方法優(yōu)于硬閾值推理(SCE 好于HCE,SOI 好于HOI);2) SOI 相比HOI 的提升幅度比SCE 相比HCE 提升幅度大(例如rmse:0.524 到0.508 下降3%,0.536 到0.532 只下降了0.7%);3) 軟性有序推理得到了最佳的結(jié)果。從以上分析中可以看出SOI 能夠有效提高預(yù)測結(jié)果,因為其充分利用了模型的預(yù)測置信度,彌補了由于離散化帶來的誤差。直得一提的是,在同樣使用SCE 的Li[22]與ACANet 的對比中可以看出,ACANet 的網(wǎng)絡(luò)模型更優(yōu)。

    表 2 推理策略的比較Table 2 Comparison of inference strategies

    硬閾值推理和軟性有序推理的定性比較如圖5所示。由圖5 可以看出,HOI 產(chǎn)生了失真的預(yù)測結(jié)果,而SOI 的結(jié)果平滑且連續(xù),與真實深度圖更為相似。這很好地表明了本文提出的軟性有序推理可以在不引入階梯狀偽影的情況下給出更加真實的深度圖。

    圖 5 硬閾值推理和軟性有序推理的定性比較Fig. 5 Qualitative comparison of hard threshold inference and soft ordered inference

    2.6 與現(xiàn)有方法的對比

    本文對ACANet 與現(xiàn)有方法進行了比較,對比結(jié)果如表3 所示。括號中的“Rx”表示以ResNetx 為骨架網(wǎng)絡(luò)。從表3 中可以看出,在分別基于ResNet-50 和ResNet-101 的 方 法 中,ACANet 都 取得了較好的效果,特別是在rmse 和rmselog指標(biāo)上。在同樣是基于分類的深度估計的方法中Fu[19],Li[22]和Cao[23]與ACANet 的閾值準(zhǔn)確率較為接近。一方面,可能是由于其使用了更強大的骨架網(wǎng)絡(luò)或模型參數(shù)量更大(如Cao[23]使用了ResNet-152);另一方面,由于其使用了更大的訓(xùn)練集(見2.7 節(jié)分析),但在rmse 和rmselog指標(biāo)上ACANet 取得了最好的結(jié)果,這是由于本文提出的SOI 能夠減小預(yù)測深度圖的離散化誤差。因此綜合以上分析,本文的方法取得了有競爭力的實驗結(jié)果,并在一些評價指標(biāo),如閾值準(zhǔn)確率,rmse 和rmselog上取得了最優(yōu),體現(xiàn)了本文方法的優(yōu)越性。

    定性比較結(jié)果如圖6 所示。圖6 中文獻[4]的結(jié)果也給出了語義化的預(yù)測,但是由于文獻[4]的方法對特征圖施加了過度的下采樣,從而缺少局部的細(xì)節(jié)重建機制,導(dǎo)致預(yù)測結(jié)果退化為簡單幾何體的組合。文獻[6]的結(jié)果雖然包含大量細(xì)節(jié),但深度估計失真較為明顯。例如,在圖6 的第3 行中,從文獻[6]的深度估計結(jié)果中不難發(fā)現(xiàn),人的深度信息估計的不夠準(zhǔn)確。文獻[25]的結(jié)果較為模糊。與已有方法的定性分析可以發(fā)現(xiàn),本文的深度估計結(jié)果更富細(xì)節(jié),并且與整體的真實情況更匹配,其原因在于本文的有監(jiān)督注意力模型能夠自適應(yīng)地提取長距離的上下文特征,對于復(fù)雜多變的場景更具有魯棒性。

    表 3 與現(xiàn)有方法的比較Table 3 Comparison with existing methods

    另外,基于擴張卷積的方法[15,19]同樣聚焦于提取像素的上下文信息,如圖7 所示。從圖7 的對比結(jié)果中可以看出,其產(chǎn)生的深度圖容易產(chǎn)生網(wǎng)格狀的偽影。原因在于擴張卷積在2 個采樣像素之間插入0 值,如果擴張率過大,卷積會過于稀疏,容易導(dǎo)致局部信息的丟失,使得信息之間的連續(xù)性被破壞[16]。相反,本文基于注意力模型的方法能夠提取連續(xù)的上下文信息,不會帶來明顯的失真。

    圖 6 定性比較結(jié)果Fig. 6 Qualitative comparison results

    圖 7 對比結(jié)果Fig. 7 Comparison results

    2.7 模型復(fù)雜度的對比

    本文比較了ACANet 與現(xiàn)有方法的模型復(fù)雜度,如表4 所示。綜合考慮了模型所占內(nèi)存(memory),所用訓(xùn)練集大?。?trainset)與測試階段的運行速度(fps)。從表4 可以看出:基于ResNet-101 的ACANet相比Fu[19]的模型所占內(nèi)存更小,卻取得了更好的性能;基于ResNet-18 的ACANet 占用內(nèi)存最小,但也取得了較好的結(jié)果;Eigen[6]的運行速度最高,但其rmse 也最高,其他模型的運行速度與內(nèi)存基本呈線性關(guān)系。訓(xùn)練集大小比較結(jié)果如圖8 所示。從圖8 可以看出,F(xiàn)u[19]的模型與ACANet 的rmse最接近,但其使用的訓(xùn)練集大小為本文的10 倍。以上分析結(jié)果表明,本文的方法較好地保證了精確性和運行時間之間的平衡。

    表 4 模型容量的比較Table 4 Comparison of model capacity

    圖 8 訓(xùn)練集大小的比較Fig. 8 Comparison of training set size

    3 結(jié)論

    本文提出了一種基于CNN 的單目深度估計方法,即基于注意力模型的自適應(yīng)上下文聚合網(wǎng)絡(luò)(ACANet)。該算法利用有監(jiān)督的自注意模型(SSA),自適應(yīng)地學(xué)習(xí)像素級的注意圖來捕捉到長距離的上下文信息,這對于細(xì)粒度的深度估計至關(guān)重要。上下文信息的聚合有利于增強圖像特征的提取,有效地提高了深度估計的準(zhǔn)確率。本文還提出了軟性有序推理(SOI),充分利用輸出置信度來減小離散化誤差,提高了生成圖像的質(zhì)量。NYU Depth v2 數(shù)據(jù)集上的實驗很好地證明了ACANet的優(yōu)越性。之后的研究工作將進一步改進深度估計的網(wǎng)絡(luò)架構(gòu),并將ACANet 擴展到其他的密集標(biāo)記任務(wù),如語義分割和法向量估計等。

    猜你喜歡
    深度模型
    一半模型
    深度理解一元一次方程
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    深度觀察
    深度觀察
    深度觀察
    深度觀察
    3D打印中的模型分割與打包
    FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
    国产免费现黄频在线看| 久久精品亚洲熟妇少妇任你| 三级毛片av免费| 色综合站精品国产| 涩涩av久久男人的天堂| 久久精品亚洲熟妇少妇任你| 久久人妻av系列| 精品一区二区三区四区五区乱码| 俄罗斯特黄特色一大片| 精品久久久久久,| 女同久久另类99精品国产91| 看免费av毛片| 极品人妻少妇av视频| 少妇裸体淫交视频免费看高清 | 后天国语完整版免费观看| 午夜福利免费观看在线| 亚洲精品久久成人aⅴ小说| 悠悠久久av| 亚洲午夜精品一区,二区,三区| 精品国产乱子伦一区二区三区| 狂野欧美激情性xxxx| 男人的好看免费观看在线视频 | 啦啦啦免费观看视频1| 一进一出抽搐gif免费好疼 | 视频区欧美日本亚洲| 精品一品国产午夜福利视频| 久久人人精品亚洲av| 免费在线观看影片大全网站| 亚洲欧美激情在线| 免费一级毛片在线播放高清视频 | www国产在线视频色| 亚洲人成伊人成综合网2020| 国产欧美日韩一区二区精品| 久久亚洲真实| 国产成人精品无人区| 99国产综合亚洲精品| 国产一区二区三区在线臀色熟女 | 午夜成年电影在线免费观看| 日本一区二区免费在线视频| 人成视频在线观看免费观看| 成人亚洲精品一区在线观看| 亚洲视频免费观看视频| 国产真人三级小视频在线观看| 三上悠亚av全集在线观看| 天堂俺去俺来也www色官网| 久久狼人影院| 色婷婷久久久亚洲欧美| 丝袜美足系列| 精品一区二区三区av网在线观看| 校园春色视频在线观看| 国产单亲对白刺激| 久久久久久亚洲精品国产蜜桃av| 国产成人av教育| 欧美日韩一级在线毛片| 香蕉国产在线看| 十八禁人妻一区二区| 中国美女看黄片| 亚洲精华国产精华精| 亚洲五月天丁香| 亚洲av熟女| 少妇裸体淫交视频免费看高清 | 色在线成人网| 91成人精品电影| 亚洲少妇的诱惑av| 99久久人妻综合| 国产精品综合久久久久久久免费 | 精品一区二区三区av网在线观看| 级片在线观看| 成人影院久久| 国产高清国产精品国产三级| 久久人人爽av亚洲精品天堂| 人人妻人人添人人爽欧美一区卜| 久久影院123| 在线播放国产精品三级| 久久久久国产一级毛片高清牌| www国产在线视频色| www国产在线视频色| 熟女少妇亚洲综合色aaa.| 欧美中文综合在线视频| 久久午夜综合久久蜜桃| 欧美一级毛片孕妇| 精品无人区乱码1区二区| 首页视频小说图片口味搜索| 狂野欧美激情性xxxx| 精品日产1卡2卡| 91麻豆av在线| 亚洲一区高清亚洲精品| 亚洲成a人片在线一区二区| 夜夜夜夜夜久久久久| 三级毛片av免费| 夜夜夜夜夜久久久久| 老司机午夜福利在线观看视频| 狂野欧美激情性xxxx| 人妻久久中文字幕网| 婷婷丁香在线五月| 老司机午夜十八禁免费视频| 99热国产这里只有精品6| 后天国语完整版免费观看| 国产极品粉嫩免费观看在线| 青草久久国产| 亚洲人成电影观看| 超色免费av| 丝袜人妻中文字幕| 母亲3免费完整高清在线观看| 久久精品91无色码中文字幕| 免费搜索国产男女视频| 丝袜人妻中文字幕| 一区在线观看完整版| 99精品久久久久人妻精品| 亚洲一卡2卡3卡4卡5卡精品中文| 无人区码免费观看不卡| 国产色视频综合| 母亲3免费完整高清在线观看| 在线观看免费日韩欧美大片| 免费在线观看黄色视频的| 国产97色在线日韩免费| √禁漫天堂资源中文www| 最近最新中文字幕大全电影3 | 免费在线观看影片大全网站| 色哟哟哟哟哟哟| 女人被躁到高潮嗷嗷叫费观| 在线观看免费视频日本深夜| 国产精品国产高清国产av| 欧美性长视频在线观看| 精品卡一卡二卡四卡免费| 午夜免费鲁丝| 久久青草综合色| 9色porny在线观看| 最新美女视频免费是黄的| www.熟女人妻精品国产| 亚洲avbb在线观看| 大码成人一级视频| 最新在线观看一区二区三区| 一进一出抽搐动态| 久99久视频精品免费| 99在线视频只有这里精品首页| 国产成人影院久久av| 亚洲精华国产精华精| 一区二区三区精品91| 亚洲aⅴ乱码一区二区在线播放 | 悠悠久久av| 精品一区二区三区视频在线观看免费 | 操美女的视频在线观看| 久久这里只有精品19| 国产精品秋霞免费鲁丝片| 黄色片一级片一级黄色片| 麻豆国产av国片精品| 99精品久久久久人妻精品| 热99re8久久精品国产| 免费在线观看亚洲国产| 精品无人区乱码1区二区| 国产97色在线日韩免费| 婷婷丁香在线五月| 人妻久久中文字幕网| 精品日产1卡2卡| √禁漫天堂资源中文www| 国产高清videossex| 亚洲avbb在线观看| 法律面前人人平等表现在哪些方面| 大码成人一级视频| √禁漫天堂资源中文www| 多毛熟女@视频| 久久久久精品国产欧美久久久| 黄色丝袜av网址大全| 在线播放国产精品三级| 亚洲情色 制服丝袜| 久久人人爽av亚洲精品天堂| 我的亚洲天堂| 久久国产亚洲av麻豆专区| netflix在线观看网站| 好看av亚洲va欧美ⅴa在| 久久久久免费精品人妻一区二区| 91九色精品人成在线观看| 中文资源天堂在线| 日韩精品中文字幕看吧| 国内精品一区二区在线观看| 国语自产精品视频在线第100页| 国产精品1区2区在线观看.| 国产精品一区二区三区四区免费观看 | 一级黄色大片毛片| 精品一区二区三区视频在线观看免费| 国产精品亚洲一级av第二区| 亚洲第一区二区三区不卡| 一进一出抽搐gif免费好疼| 亚洲精品亚洲一区二区| 久久人人精品亚洲av| 少妇丰满av| 高清日韩中文字幕在线| 97超视频在线观看视频| 亚洲精品色激情综合| 有码 亚洲区| 偷拍熟女少妇极品色| 搡老妇女老女人老熟妇| 91久久精品国产一区二区成人| 一边摸一边抽搐一进一小说| 给我免费播放毛片高清在线观看| 一级作爱视频免费观看| 夜夜夜夜夜久久久久| 老司机午夜福利在线观看视频| 日本在线视频免费播放| 最近最新中文字幕大全电影3| 色尼玛亚洲综合影院| 免费观看精品视频网站| 午夜免费男女啪啪视频观看 | 精品不卡国产一区二区三区| 久久香蕉精品热| 久久精品人妻少妇| 精品久久久久久,| 久久久久久久久大av| 十八禁网站免费在线| 中文字幕熟女人妻在线| 日日干狠狠操夜夜爽| 久久午夜福利片| bbb黄色大片| 亚洲一区高清亚洲精品| www.熟女人妻精品国产| 国产成人a区在线观看| 免费人成在线观看视频色| 国产精品人妻久久久久久| 黄色配什么色好看| 精品一区二区三区视频在线观看免费| 精品人妻偷拍中文字幕| av国产免费在线观看| 亚州av有码| 欧美性感艳星| 久久99热6这里只有精品| 特大巨黑吊av在线直播| 日本一本二区三区精品| 久久精品国产亚洲av涩爱 | 精品国产亚洲在线| 久久久久亚洲av毛片大全| 午夜a级毛片| or卡值多少钱| 好男人在线观看高清免费视频| 久久精品国产亚洲av天美| 精品人妻偷拍中文字幕| 国产高清激情床上av| 舔av片在线| 狂野欧美白嫩少妇大欣赏| 乱码一卡2卡4卡精品| 国产成+人综合+亚洲专区| 永久网站在线| 午夜a级毛片| 偷拍熟女少妇极品色| 国产亚洲av嫩草精品影院| 两人在一起打扑克的视频| 国产精品一区二区免费欧美| 老司机深夜福利视频在线观看| 99久久久亚洲精品蜜臀av| 搡女人真爽免费视频火全软件 | 51午夜福利影视在线观看| 精品久久久久久久末码| 久久99热6这里只有精品| 天堂影院成人在线观看| 欧美区成人在线视频| 国产三级在线视频| 长腿黑丝高跟| 久久午夜亚洲精品久久| 又爽又黄a免费视频| 欧美日韩综合久久久久久 | 国产伦人伦偷精品视频| 青草久久国产| 午夜福利成人在线免费观看| 久久久久免费精品人妻一区二区| 欧美日韩黄片免| 午夜福利欧美成人| 综合色av麻豆| 久久久久久久精品吃奶| 国产成人av教育| 夜夜躁狠狠躁天天躁| 白带黄色成豆腐渣| 神马国产精品三级电影在线观看| 十八禁网站免费在线| 欧美成人一区二区免费高清观看| 蜜桃亚洲精品一区二区三区| 免费一级毛片在线播放高清视频| 国产高潮美女av| 亚洲激情在线av| av视频在线观看入口| 亚洲av免费高清在线观看| 亚洲久久久久久中文字幕| 99国产精品一区二区三区| 欧美一区二区精品小视频在线| 久久99热这里只有精品18| 免费人成视频x8x8入口观看| 久久99热6这里只有精品| 日韩国内少妇激情av| 97人妻精品一区二区三区麻豆| 综合色av麻豆| 非洲黑人性xxxx精品又粗又长| 欧美潮喷喷水| 成人特级黄色片久久久久久久| 精品午夜福利在线看| 久久久久国内视频| 久久精品国产亚洲av天美| 白带黄色成豆腐渣| 一区福利在线观看| 狠狠狠狠99中文字幕| 午夜激情欧美在线| 久久久久久久久中文| 91久久精品电影网| 十八禁网站免费在线| 午夜精品久久久久久毛片777| 成人美女网站在线观看视频| 欧美区成人在线视频| 高清日韩中文字幕在线| 色精品久久人妻99蜜桃| 人妻久久中文字幕网| 亚洲欧美日韩东京热| 成人三级黄色视频| 午夜福利在线观看吧| 日韩欧美国产在线观看| 免费av不卡在线播放| 久久这里只有精品中国| 两个人视频免费观看高清| 久久久久久久精品吃奶| 亚洲欧美激情综合另类| 国产v大片淫在线免费观看| 亚洲av成人精品一区久久| 一级黄色大片毛片| 久久99热这里只有精品18| 精品久久久久久久末码| 欧美国产日韩亚洲一区| 在线观看免费视频日本深夜| 久久久久久久久大av| 俺也久久电影网| 国产大屁股一区二区在线视频| 国产老妇女一区| 国产私拍福利视频在线观看| 久久天躁狠狠躁夜夜2o2o| 中文字幕久久专区| 午夜福利在线在线| 亚洲av第一区精品v没综合| 亚洲精品456在线播放app | 可以在线观看毛片的网站| 91午夜精品亚洲一区二区三区 | 亚洲av电影在线进入| 亚洲欧美激情综合另类| 国产在线男女| 欧美又色又爽又黄视频| 久久久久久久午夜电影| 非洲黑人性xxxx精品又粗又长| 色综合婷婷激情| 大型黄色视频在线免费观看| 欧美日韩中文字幕国产精品一区二区三区| 亚洲成av人片免费观看| 欧美最黄视频在线播放免费| 人人妻,人人澡人人爽秒播| 美女xxoo啪啪120秒动态图 | 亚洲不卡免费看| 国产精品98久久久久久宅男小说| 丰满人妻一区二区三区视频av| 国产亚洲精品久久久com| 男女那种视频在线观看| 国内精品美女久久久久久| 九色成人免费人妻av| 美女 人体艺术 gogo| 国产免费男女视频| av欧美777| 久久久久九九精品影院| 观看免费一级毛片| 啦啦啦韩国在线观看视频| 内射极品少妇av片p| 香蕉av资源在线| 久久久色成人| 欧美日韩国产亚洲二区| 久久国产乱子免费精品| 夜夜爽天天搞| 亚洲美女搞黄在线观看 | 国产精品嫩草影院av在线观看 | 国产亚洲欧美98| 欧美日韩瑟瑟在线播放| 久久婷婷人人爽人人干人人爱| 国模一区二区三区四区视频| 欧美最黄视频在线播放免费| 国产三级在线视频| 欧美在线一区亚洲| 中文字幕人妻熟人妻熟丝袜美| 身体一侧抽搐| 成年女人永久免费观看视频| 美女 人体艺术 gogo| 亚洲国产日韩欧美精品在线观看| 亚洲欧美日韩无卡精品| 日韩高清综合在线| 可以在线观看毛片的网站| 亚洲精品日韩av片在线观看| 日韩欧美精品免费久久 | www.999成人在线观看| 性欧美人与动物交配| 变态另类成人亚洲欧美熟女| 国产高清视频在线观看网站| 亚洲人成伊人成综合网2020| av福利片在线观看| 国产精品三级大全| 国产精品亚洲av一区麻豆| 亚洲国产精品合色在线| 国产高清激情床上av| 亚洲最大成人手机在线| 精品久久久久久久人妻蜜臀av| av在线观看视频网站免费| 成人午夜高清在线视频| 国产成人a区在线观看| 日韩欧美 国产精品| 亚洲av电影在线进入| 亚洲av电影不卡..在线观看| 亚洲人成网站在线播放欧美日韩| 国产欧美日韩精品亚洲av| 少妇人妻精品综合一区二区 | 美女 人体艺术 gogo| 久久久久免费精品人妻一区二区| 无遮挡黄片免费观看| av视频在线观看入口| 国产高清三级在线| 91久久精品电影网| 国内毛片毛片毛片毛片毛片| 一级av片app| 欧美区成人在线视频| 国产三级黄色录像| 国产69精品久久久久777片| 国产一区二区三区视频了| 国产av不卡久久| 欧美高清性xxxxhd video| av中文乱码字幕在线| 国产精品美女特级片免费视频播放器| 三级男女做爰猛烈吃奶摸视频| 亚洲av熟女| 亚洲最大成人中文| 免费大片18禁| 久久精品国产亚洲av天美| 国内精品美女久久久久久| a级毛片a级免费在线| 91麻豆av在线| 久久精品91蜜桃| 亚洲国产欧美人成| 色综合欧美亚洲国产小说| av天堂中文字幕网| 床上黄色一级片| 久久99热6这里只有精品| av福利片在线观看| or卡值多少钱| 日本在线视频免费播放| 日本成人三级电影网站| 国产精品三级大全| 中出人妻视频一区二区| 夜夜看夜夜爽夜夜摸| 综合色av麻豆| 日韩欧美国产在线观看| 久久精品人妻少妇| 久久久久久久精品吃奶| 午夜精品一区二区三区免费看| 午夜福利欧美成人| 国产成人av教育| 日韩精品中文字幕看吧| 免费高清视频大片| 精品日产1卡2卡| 悠悠久久av| 搡老妇女老女人老熟妇| 国产色婷婷99| 97人妻精品一区二区三区麻豆| 精品久久久久久久末码| 国产色婷婷99| 搡老岳熟女国产| 日韩高清综合在线| 日韩欧美在线乱码| 婷婷六月久久综合丁香| 国产成人aa在线观看| 久久热精品热| 国产私拍福利视频在线观看| 成年女人毛片免费观看观看9| 在线天堂最新版资源| a级毛片免费高清观看在线播放| 亚洲av日韩精品久久久久久密| 97超级碰碰碰精品色视频在线观看| 国产精品1区2区在线观看.| 琪琪午夜伦伦电影理论片6080| 91麻豆av在线| 精品一区二区三区视频在线观看免费| 性色av乱码一区二区三区2| 波多野结衣巨乳人妻| 免费av毛片视频| 成年免费大片在线观看| 免费在线观看影片大全网站| 亚洲国产精品成人综合色| 成人欧美大片| 他把我摸到了高潮在线观看| 夜夜夜夜夜久久久久| 国产极品精品免费视频能看的| 免费观看人在逋| 日韩大尺度精品在线看网址| 国内揄拍国产精品人妻在线| 非洲黑人性xxxx精品又粗又长| 在线观看免费视频日本深夜| 久久久精品欧美日韩精品| 亚洲av成人精品一区久久| 国产蜜桃级精品一区二区三区| 老司机午夜十八禁免费视频| 变态另类成人亚洲欧美熟女| 嫩草影院精品99| 一本精品99久久精品77| 婷婷色综合大香蕉| 在线免费观看不下载黄p国产 | 日本一本二区三区精品| 精品人妻1区二区| 欧美黑人巨大hd| 9191精品国产免费久久| 免费电影在线观看免费观看| 成年免费大片在线观看| 身体一侧抽搐| 亚洲精品影视一区二区三区av| 欧美日本视频| 色吧在线观看| 亚洲av电影不卡..在线观看| 91午夜精品亚洲一区二区三区 | 午夜福利免费观看在线| 国产又黄又爽又无遮挡在线| 男人舔女人下体高潮全视频| 免费在线观看成人毛片| 国产免费一级a男人的天堂| 日本 欧美在线| 亚洲最大成人中文| 欧美日韩中文字幕国产精品一区二区三区| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 婷婷精品国产亚洲av在线| 男人的好看免费观看在线视频| 成人国产综合亚洲| 嫩草影院精品99| 精品国内亚洲2022精品成人| 一进一出好大好爽视频| 精品日产1卡2卡| 午夜影院日韩av| 国产成人aa在线观看| 精品一区二区三区视频在线观看免费| 欧美黑人巨大hd| 免费看光身美女| 超碰av人人做人人爽久久| 国产精品一区二区免费欧美| 一a级毛片在线观看| 51国产日韩欧美| 日本黄色视频三级网站网址| 日本a在线网址| 日日摸夜夜添夜夜添av毛片 | 亚洲成人中文字幕在线播放| 午夜精品久久久久久毛片777| 欧美三级亚洲精品| 男女视频在线观看网站免费| 久久精品国产亚洲av涩爱 | 日韩欧美三级三区| 国产精品久久久久久久久免 | 淫秽高清视频在线观看| av专区在线播放| 久久人人爽人人爽人人片va | 免费看光身美女| 一级毛片久久久久久久久女| 18+在线观看网站| a级毛片免费高清观看在线播放| 国内精品久久久久精免费| 国产主播在线观看一区二区| 校园春色视频在线观看| 亚洲自拍偷在线| xxxwww97欧美| 一区二区三区高清视频在线| 成年人黄色毛片网站| 在线观看66精品国产| 成人午夜高清在线视频| 欧美精品啪啪一区二区三区| 一级毛片久久久久久久久女| 午夜免费男女啪啪视频观看 | 日本一本二区三区精品| 色综合亚洲欧美另类图片| 97超级碰碰碰精品色视频在线观看| 成人国产一区最新在线观看| 一进一出抽搐动态| 每晚都被弄得嗷嗷叫到高潮| 欧美日韩福利视频一区二区| 神马国产精品三级电影在线观看| 国产人妻一区二区三区在| 国产爱豆传媒在线观看| 99精品久久久久人妻精品| 国产免费一级a男人的天堂| 免费观看的影片在线观看| 亚洲成人免费电影在线观看| 久久久久国内视频| 小说图片视频综合网站| 久久久久国内视频| 欧美最新免费一区二区三区 | 欧美3d第一页| 国产午夜精品久久久久久一区二区三区 | 国产中年淑女户外野战色| 久久欧美精品欧美久久欧美| 免费在线观看亚洲国产| 自拍偷自拍亚洲精品老妇| 国产成人欧美在线观看| 亚洲国产精品sss在线观看| 男人狂女人下面高潮的视频| 丁香欧美五月| 一卡2卡三卡四卡精品乱码亚洲| 少妇丰满av| 日本在线视频免费播放| 国产免费av片在线观看野外av| 高清在线国产一区| 国产精品久久久久久精品电影| 久久伊人香网站| 欧美午夜高清在线| 国产成人a区在线观看| 变态另类丝袜制服| 国产在线男女| av在线天堂中文字幕| 国产精品99久久久久久久久| 99国产综合亚洲精品| 成人永久免费在线观看视频| 51午夜福利影视在线观看| 老熟妇乱子伦视频在线观看| 性插视频无遮挡在线免费观看| 国产亚洲精品久久久久久毛片| 久久午夜亚洲精品久久|