• <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 ?

    基于文本—圖像及流形插值的對抗模型

    2020-09-02 06:31:23張帥楊雪霞
    軟件導(dǎo)刊 2020年8期

    張帥 楊雪霞

    摘 要:針對傳統(tǒng)文本—圖像對抗模型中,由于反卷積網(wǎng)絡(luò)參數(shù)過多容易產(chǎn)生過擬合現(xiàn)象,導(dǎo)致生成圖像質(zhì)量較差,而線性分解方法無法解決文本—圖像對抗模型中輸入單一的問題,提出一種在線性分解基礎(chǔ)上加入流形插值的算法,并對傳統(tǒng)DCGAN模型進行改進,以提高圖像的魯棒性。仿真實驗結(jié)果表明,生成花卉圖像的FID分數(shù)降低了4.73%,生成鳥類的FID分數(shù)降低了4.11%,在Oxford-102和CUB兩個數(shù)據(jù)集上生成圖像的人類評估分數(shù)分別降低了75.64%和58.95%,初始分數(shù)分別提高14.88%和14.39%,說明新模型生成的圖片更符合人類視角,圖片特征更為豐富。

    關(guān)鍵詞:生成圖像;過擬合;深度卷積;流形插值;對抗網(wǎng)絡(luò)

    DOI:10. 11907/rjdk. 201133 開放科學(xué)(資源服務(wù))標識碼(OSID):

    中圖分類號:TP317.4 文獻標識碼:A 文章編號:1672-7800(2020)008-0216-05

    Abstract: In the implementation of the traditional text image confrontation model, many parameters of deconvolution network are easy to produce over fitting phenomenon, resulting in poor image quality, the linear decomposition method cannot solve the problem of single input in the text image confrontation model. In this paper, an algorithm based on linear decomposition with popular interpolation is proposed, and the traditional DCGAN model is improved to enhance its robustness to image size. Through simulation experiment, the FID score of flower image and bird image is reduced by 4.73% and 4.11%, the human evaluation scores of the images generated on oxford-102 and cub data sets are 75.64% and 58.95% lower than the original, and the initial scores are 14.88% and 14.39% higher.The experimental results show that the image generated by the new model is more in line with the human perspective, and the image features are more abundant.

    Key Words: generating image; over-fitting; deep convolution; epidemic interpolation; adversarial network

    0 引言

    隨著人工智能技術(shù)的飛速發(fā)展,深度學(xué)習(xí)技術(shù)成為學(xué)者們的研究熱點,并在計算機視覺、語音識別、自然語言處理等多個領(lǐng)域取得了諸多成果。其中,GoodFellow 等[1-3]于2014年首次提出了GANs(Generative Adversarial Nets)概念,即生成對抗網(wǎng)絡(luò),目前生成對抗網(wǎng)絡(luò)已成功應(yīng)用于圖像處理領(lǐng)域。

    當(dāng)前生成圖像主要是基于生成對抗網(wǎng)絡(luò)模型,而遞歸神經(jīng)網(wǎng)絡(luò)[4]和卷積神經(jīng)網(wǎng)絡(luò)[5]的提出使圖像生成更為高效。遞歸神經(jīng)網(wǎng)絡(luò)常用于處理標題語句,從而形成標題向量,也被用來學(xué)習(xí)區(qū)分文本特征表示;卷積神經(jīng)網(wǎng)絡(luò)用于圖像特征提取,進而形成圖像特征向量,其中深度卷積對抗網(wǎng)絡(luò)也被用于生成人臉、相冊封面和房間內(nèi)部結(jié)構(gòu)。生成對抗網(wǎng)絡(luò)衍生出的模型包括GAN-INT-CLS[6]、GAWWN[7]、StackGAN[8]和StackGAN++[9]等,雖然這些模型在圖像生成方面取得了諸多進展,但其都是以深度卷積對抗網(wǎng)絡(luò)為基礎(chǔ)的,容易造成計算資源浪費以及過擬合現(xiàn)象,主要原因是由于傳統(tǒng)卷積網(wǎng)絡(luò)層數(shù)較淺及參數(shù)量較大。

    為了解決傳統(tǒng)卷積網(wǎng)絡(luò)的缺點,Simonyan[10]提出線性分解方法,在增加卷積網(wǎng)絡(luò)層數(shù)的同時減少參數(shù)數(shù)量,降低計算量,使得生成的圖像不會完全擬合真實圖像,從而降低過擬合。為了解決輸入標題單一導(dǎo)致生成圖片類型單一的問題,本文引入流形插值方法,并結(jié)合線性分解的優(yōu)點,針對如何提高圖像質(zhì)量進行深入研究。

    1 相關(guān)模型

    以DCGAN網(wǎng)絡(luò)為基礎(chǔ),Dosovitskiy等[11]訓(xùn)練一個反卷積網(wǎng)絡(luò),根據(jù)一組指示形狀、位置和照明的圖形代碼生成三維椅子效果圖;Gregor等 [12]提出DRAW模型,該模型應(yīng)用遞歸變分自編碼器與注意機制生成真實的門牌號圖像;Reed等[13]提出一種端對端的可視化類比生成方法,并在實驗中使用卷積解碼器有效模擬了二維形狀、動畫游戲角色與三維汽車模型。上述模型均基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)加以構(gòu)建,盡管生成圖像質(zhì)量較高,但由于網(wǎng)絡(luò)層數(shù)較淺,參數(shù)量大,導(dǎo)致計算量過大,而且生成的圖像與訓(xùn)練集中的圖像過于相似,容易造成計算資源浪費以及過擬合現(xiàn)象。

    VGGNet[14]是牛津大學(xué)計算機視覺組和Google DeepMind公司一起研發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò),具有很好的泛化性,較好地解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在的問題。VGG網(wǎng)絡(luò)最主要的思想是增加網(wǎng)絡(luò)深度、縮小卷積核尺寸。VGG-16網(wǎng)絡(luò)由13個卷積層+5個池化層+3個全連接層疊加而成,包含參數(shù)多達1.38億,其核心思想為線性分解。

    本文基于VGG-16與流形插值[15-16]思想構(gòu)建一種混合網(wǎng)絡(luò)模型,如圖1所示。在確保圖像多樣性的同時,保障了圖像生成質(zhì)量。采用基于 VGG-16 網(wǎng)絡(luò)的思想對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進行改進,即對卷積網(wǎng)絡(luò)進行線性分解[17],旨在不過多影響識別準確率的前提下盡量減少網(wǎng)絡(luò)參數(shù)、提高訓(xùn)練效率,同時引入流形插值思想,并豐富生成圖片的類型。

    2 本文算法

    2.1 網(wǎng)絡(luò)結(jié)構(gòu)

    如圖1所示,左側(cè)為生成網(wǎng)絡(luò),右側(cè)為判別網(wǎng)絡(luò),標識A為卷積網(wǎng)絡(luò)在生成器中的位置,本文將對該位置的卷積網(wǎng)絡(luò)進行線性分解。在生成器中,首先從噪聲分布[z~Ν(0,1)]中進行采樣,使用文本編碼器[φ]對文本查詢T進行編碼,使用連接層將嵌入的描述[φ(t)]壓縮為小尺寸,然后采用LeakyReLU激活函數(shù)對其進行處理,最后連接到噪聲矢量[z]。接下來的推理過程就像在一個正常的反卷積網(wǎng)絡(luò)中一樣:通過生成器G將其前饋,一個合成圖像[x]是通過[x←G(z, (t))]生成的。圖像生成對應(yīng)于生成器G中基于查詢文本與噪聲樣本的前饋推理。

    在判別器D中,首先利用空間批處理歸一化和LeakyReLU激活函數(shù)執(zhí)行多個層的步長為2的卷積處理,然后使用全連接層降低描述嵌入[φ(t)]的維數(shù),并對其進行校正。當(dāng)判別器的空間維度為4×4時,在空間上復(fù)制描述嵌入,并執(zhí)行深度連接;接下來執(zhí)行1×1的卷積和校正,再執(zhí)行4×4的卷積,并利用D計算最終分數(shù);最后對所有卷積層執(zhí)行批處理規(guī)范化。

    2.2 匹配感知判別器(GAN-CLS)

    在傳統(tǒng)GAN中,判別器接受兩種輸入:帶有匹配文本的真實圖像和帶有任意文本的合成圖像。因此,其必須隱式地分離兩個錯誤源:錯誤的圖像以及與文本信息不匹配的真實圖像。為此,對GAN訓(xùn)練算法進行改進,以將這些誤差源分離出來。除訓(xùn)練期間對判別器的真/假輸入外,它還添加了第三種輸入,由文本不匹配的真實圖像組成,判別器必須學(xué)會將其評分為假。步長為α的GAN-CLS訓(xùn)練算法如下:

    1: Input: minibatch images x, matching text t, mismatching[t],number of training batch steps S。

    2. for n = 1 to S do

    3. [h← (t)] {Encode matching text description}

    4. [h← (t)]{Encode mis-matching text description}

    5. [z~Ν(0,1)Z]{Draw sample of random noise}

    6. [x←G(z,h)]{Forward through generator}

    7. [sτ←D(x,h)]{real image, right text}

    8. [sw←D(x,h)]{real image, wrong text}

    9. [sf←D(x,h)]{fake image, right text}

    10. [LD←log(sτ)+(log(1-sw)+log( 1-sf))/2]

    11. [D←D-αδLD/δD]{Update discriminator}

    12. [LG←log(sf)]

    13. [G←G-αδLG/δG]{Update generator}

    14. end for

    其中,[x]表示生成的假圖像,[sτ]表示真實圖像及其對應(yīng)句子的關(guān)聯(lián)得分,[sw]表示真實圖像與任意句子的關(guān)聯(lián)分數(shù),[sf]表示假圖像與其對應(yīng)文本的關(guān)聯(lián)分數(shù)。[δLD/δD]表示D的目標相對于其參數(shù)的梯度,G也是如此,第11行和第13行表示采取梯度步驟更新網(wǎng)絡(luò)參數(shù)。

    2.3 卷積網(wǎng)絡(luò)對稱分解

    VGGNet通常用于提取圖像特征,將多個相同的3×3卷積層堆疊在一起,而且網(wǎng)絡(luò)結(jié)構(gòu)越深,性能越好。本文對圖1中A處對應(yīng)卷積網(wǎng)絡(luò)進行線性分解,如圖2所示。

    圖2表示用兩個3×3的卷積網(wǎng)絡(luò)代替一個5×5的卷積網(wǎng)絡(luò)。第一層表示用一個3×3的卷積在5×5的窗格上移動,得到一個3×3的輸出,如第二層所示,接著用一個3×3的卷積核作運算,最后得到第三層的輸出。雖然兩者作用是一樣的,但是卷積網(wǎng)絡(luò)分解在增加網(wǎng)絡(luò)層數(shù)的同時能夠減少參數(shù),達到降低過擬合的效果。

    2.4 流形插值學(xué)習(xí)(GAN-INT)

    流形插值可視為在生成器目標中添加一個附加項,以最小化以下公式:

    其中,[z]從噪聲分布中提取,[β]在文本嵌入[t1]和[t2]之間插值。在實踐中發(fā)現(xiàn),當(dāng)[β]=0.5時效果良好。其中,[t1]和[t2]可能來自不同圖像,甚至是不同類別。

    3 實驗及結(jié)果分析

    3.1 實驗數(shù)據(jù)及參數(shù)設(shè)置

    在實驗數(shù)據(jù)集選擇和參數(shù)設(shè)置上,本文引用鳥類圖像的CUB數(shù)據(jù)集和花卉圖像的Oxford-102數(shù)據(jù)集。在實驗中,將這些圖像劃分為不相交的訓(xùn)練集和測試集。CUB有150個訓(xùn)練類+驗證類和50個測試類,而Oxford-102有82個訓(xùn)練類+驗證類和20個測試類。在進行小批量選擇訓(xùn)練時,隨機選取圖像視圖和其中一個標題。

    本文對所有數(shù)據(jù)集使用相同的GAN體系結(jié)構(gòu),訓(xùn)練圖像大小為64×64×3。在深度連接到卷積特征圖之前,文本編碼器產(chǎn)生1 024維的輸入,并在生成器和判別器網(wǎng)絡(luò)中將圖像投射到128維。在Adam優(yōu)化過程中,設(shè)置學(xué)習(xí)率為0.000 2,動量為0.5,并采用交替步驟更新生成器和判別器網(wǎng)絡(luò)。從100維單位正態(tài)分布中對生成器噪聲進行采樣,使用64個小批量,并訓(xùn)練100輪。

    (3)本實驗中也總結(jié)了人類評估方法,在測試集中隨機選擇30個文本描述,針對每個句子,生成模型生成8個圖像。將8個圖像與對應(yīng)文本描述對不同人按不同方法進行圖像質(zhì)量排名,最后計算平均排名以評價生成圖像的質(zhì)量和多樣性。

    3.2 定性結(jié)果

    本文比較GAN-CLS、GAN-CLS-NA和GAN-CLS- NA-INT 3種模型圖像生成效果,其中CLS-GAN-NA模型在GAN-CLS模型基礎(chǔ)上對卷積網(wǎng)絡(luò)進行線性分解。GAN-CLS得到了一些正確的顏色信息,但圖像看起來并不真實。將3個模型在各個數(shù)據(jù)集上訓(xùn)練及測試完成后,都有8個英文標題作為輸入,每個標題重復(fù)8次,共形成64個標題作為輸入,得到8行8列的圖像,每行8幅圖像對應(yīng)相同的8個標題。在Oxford-102 Flowers數(shù)據(jù)集中,GAN-CLS結(jié)果如圖3所示。

    圖3對應(yīng)的輸入標題有8個,其中2個如下:①the flower shown has yellow anther red pistil and bright red petals;②this flower has petals that are yellow, white and purple and has dark lines。

    在Oxford-102花卉數(shù)據(jù)集上的GAN-CLS-NA結(jié)果如圖4所示。

    在GAN-CLS-NA模型基礎(chǔ)上引入流形插值思想,其中2個標題的變換如下:①the flower shown has yellow anther red pistil and bright red petals→the flower shown has blue anther red pistil and bright yellow petals;②this flower has petals that are yellow, white and purple and has dark lines→ this flower has petals that are red, white and purple and has red lines。

    GAN-CLS-NA-INT模型在Oxford-102 Flowers數(shù)據(jù)集上生成的花卉圖像如圖5所示。

    對比圖3與圖4相同的行可以發(fā)現(xiàn),其對應(yīng)的圖片標題是相同的,花的基本顏色與形狀沒有明顯區(qū)別,但圖4的圖像更為真實;圖5與圖4相比,在相同的行中,前4列標題相同,且基本顏色、形狀及細節(jié)方面都非常接近,后4列則引入了流形插值后生成的圖像,可以發(fā)現(xiàn)背景及花的一部分顏色發(fā)生了改變,使得整體圖像的特征類型更加豐富。在CUB鳥類數(shù)據(jù)集中,GAN-CLS結(jié)果如圖6所示。

    以上圖片對應(yīng)的輸入標題有8個,其中2個如下:①this small bird has a blue crown and white belly;②this small yellow bird has grey wings, and a black bill。

    在CUB鳥類數(shù)據(jù)集上的GAN-CLS-NA結(jié)果如圖7所示。

    在CUB鳥類數(shù)據(jù)集中,GAN-CLS-NA-INT結(jié)果如圖8所示。

    以上圖片對應(yīng)的輸入標題有8個,其中2個標題及變換如下:①this small bird has a blue crown and white belly→this small bird has a red crown and blue belly;②this small yellow bird has grey wings, and a black bill→this small white bird has grey wings, and a blue bill。

    對比圖6與圖7相同的行可以發(fā)現(xiàn),其對應(yīng)的圖片標題是相同的,鳥的基本顏色和形狀沒有明顯區(qū)別,但二者圖像中背景和鳥的姿勢不同,圖7更真實一些;圖8與圖7相比,在相同的行中,前4列標題相同,且基本顏色、形狀及細節(jié)方面都非常接近,但二者圖像中背景和鳥的姿勢各不相同,后4列則引入了流形插值后生成的圖像,可以發(fā)現(xiàn)背景及鳥的一部分顏色和姿勢已發(fā)生改變,使得整體圖像的特征類型更加豐富。

    3.3 定量結(jié)果

    首先利用花卉描述標題集與相應(yīng)圖像數(shù)據(jù)集對CLS-GAN模型進行100輪訓(xùn)練。每輪訓(xùn)練結(jié)束后,輸入花描述語句生成相應(yīng)圖像,總共生成100幅圖像。本文選擇的圖像評價方法為FID分數(shù)評估方法。采用上述圖像評價方法,分別對由CLS-GAN和CLS-GAN-SA兩種模型生成的100幅圖像進行評價,定性結(jié)果如表1所示,而利用初始分數(shù)和人類評分的定量結(jié)果如表2所示。

    從表中可以看出,GAN-CLS-NA在Oxford-102花卉數(shù)據(jù)集上的FID數(shù)值與GAN-CLS結(jié)果相比,F(xiàn)ID分數(shù)降低了2.34%;GAN-CLS-NA在CUB鳥類數(shù)據(jù)集上的FID數(shù)值與GAN-CLS結(jié)果相比,F(xiàn)ID分數(shù)降低了2.29%,說明在判別器中對卷積層進行適當(dāng)分解,在減少參數(shù)量與降低過擬合的同時,也提高了生成圖像質(zhì)量。同時,GAN-CLS-NA-INT在Oxford-102花卉數(shù)據(jù)集和CUB鳥類數(shù)據(jù)集上的初始評分與GAN-CLS結(jié)果相比,分別提高了14.88%和14.39%,說明生成的圖像特征類型更加豐富;人類評估分數(shù)分別降低了75.64%和58.95%,該指標越低說明越符合人類視角,也即表明生成的圖像質(zhì)量越好。

    4 結(jié)語

    本文在GAN-CLS模型基礎(chǔ)上對模型判別器中的卷積網(wǎng)絡(luò)進行線性分解,并用分解后的卷積網(wǎng)絡(luò)提取圖像特征。在Oxford-102花卉數(shù)據(jù)集和CUB鳥類數(shù)據(jù)集上的實驗結(jié)果表明,本文模型效果優(yōu)于基于傳統(tǒng)卷積網(wǎng)絡(luò)模型的效果,證明對卷積網(wǎng)絡(luò)進行適當(dāng)分解可以降低過擬合,提高生成圖像質(zhì)量。另外,引入流形插值在豐富生成圖像類型的同時,也能有效提高圖像質(zhì)量。在未來工作中,將進一步研究如何降低圖像失真現(xiàn)象。

    參考文獻:

    [1] DENTON E, CHINTALA S, SZLAM A, et al. Deep generative image models using a laplacian pyramid of adversarial networks[C]. Advances in Neural Information Processing Systems, 2015:1486-1494.

    [2] HUANG X, LI Y, POURSAEED O, et al. Stacked generative adversarial networks[C]. ?2017 IEEE Conference on Computer Vision and Pattern Recognition , 2017:1866-1875.

    [3] ZHAO J, MATHIEU M, LECUN Y. Energy-based generative adversarial network[C]. Toulon: International Conference on Learning Representations, 2016.

    [4] XU R F,YEUNG D,SHU W H,et al. A hybrid post-processing system for Handwritten Chinese Character Recognition[J]. International Journal of Pattern Recognition and Artificial Intelligence,2002,16(6):657-679.

    [5] 徐冰冰,岑科廷,黃俊杰,等. 圖卷積神經(jīng)網(wǎng)絡(luò)綜述[J/OL]. 計算機學(xué)報,2019:1-31[2020-04-06]. http://kns.cnki.net/kcms/detail/11.1826.tp.20191104.1632.006.html.

    [6] REED S, AKATA Z, YAN X, et al. Generative adversarial text to image synthesis[C]. ?International Machine Learning Society (IMLS),2016:1681-1690.

    [7] REED S,AKATA Z,MOHAN S,et al. Learning what and where to draw[C]. Advances in Neural Information Processing Systems,2016:217-225.

    [8] 陳耀,宋曉寧,於東軍. 迭代化代價函數(shù)及超參數(shù)可變的生成對抗網(wǎng)絡(luò)[J]. 南京理工大學(xué)學(xué)報, 2019,43(1):35-40.

    [9] 徐天宇,王智. 基于美學(xué)評判的文本生成圖像優(yōu)化[J]. 北京航空航天大學(xué)學(xué)報,2019,45(12): 2438 -2448.

    [10] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale Image recognition[C]. ?International Conference on Learning Representations, 2015:1-12.

    [11] DOSOVITSKIY A,SPRINGENBERG J T,BROX T. Learning to generate chairs with convolutional neural networks[C]. IEEE Conference on Computer Vision & Pattern Recognition,2015:1538-1546.

    [12] GREGOR K, DANIHELKA I, GRAVES A, et al. DRAW: a recurrent neural network for image generation[C]. International Conference on Machine Learning,2015:1462-1471.

    [13] REED S, ZHANG Y, ZHANG Y T, et al. Deep visual analogy-making[C]. ?Advances in Neural Information Processing Systems, 2015: 1252-1260.

    [14] 謝志華,江鵬,余新河,等. 基于VGGNet和多譜帶循環(huán)網(wǎng)絡(luò)的高光譜人臉識別系統(tǒng)[J]. 計算機應(yīng)用, 2019,39(2):388-391.

    [15] BENGIO Y, MESNIL G, DAUPHIN Y, et al. Better mixing via deep representations[C]. International Conference on Machine Learning, 2013:552-560.

    [16] REED S,SOHN K,ZHANG Y T,et al. Learning to disentangle factors of variation with manifold interaction[C]. International Conference on Machine Learning,2014: 3291-3299.

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

    [18] HEUSEL M,RAMSAUER H,UNTERTHINER T,et al. GANs trained by a two time-scale update rule converge to a local nash equilibrium[C]. ?Advances in Neural Information Processing Systems, 2017:6627-6638.

    [19] SALIMANS T,GOODFELLOW I,ZAREMBA W,et al. Improved techniques for training GANs[C]. Advances in Neural Information Processing Systems, 2016:2234-2242.

    (責(zé)任編輯:黃 ?。?/p>

    国产白丝娇喘喷水9色精品| 欧美日韩一区二区视频在线观看视频在线 | 国产精品亚洲一级av第二区| 天堂影院成人在线观看| 禁无遮挡网站| 嫩草影院精品99| 亚洲美女视频黄频| 欧美日本亚洲视频在线播放| 在线a可以看的网站| 亚洲精品乱码久久久v下载方式| 在现免费观看毛片| 欧美一区二区亚洲| 精品久久国产蜜桃| 日韩欧美三级三区| www.色视频.com| 日日啪夜夜撸| 插逼视频在线观看| 国产精品乱码一区二三区的特点| 亚洲在线自拍视频| 别揉我奶头 嗯啊视频| 日本撒尿小便嘘嘘汇集6| 1024手机看黄色片| 亚洲欧美清纯卡通| 男人的好看免费观看在线视频| 综合色丁香网| 色综合亚洲欧美另类图片| 亚洲一区二区三区色噜噜| 成人一区二区视频在线观看| 99热这里只有是精品在线观看| av女优亚洲男人天堂| 日本一二三区视频观看| 亚洲性夜色夜夜综合| 床上黄色一级片| 久久中文看片网| 看非洲黑人一级黄片| 久久精品人妻少妇| 成人特级黄色片久久久久久久| 久久鲁丝午夜福利片| 又黄又爽又免费观看的视频| 国产在线男女| 国产精品一区二区免费欧美| 桃色一区二区三区在线观看| 欧美xxxx性猛交bbbb| 午夜免费激情av| 欧美激情在线99| 美女xxoo啪啪120秒动态图| 欧美性感艳星| 欧美一区二区国产精品久久精品| 麻豆国产97在线/欧美| АⅤ资源中文在线天堂| 亚州av有码| 丰满的人妻完整版| 日韩制服骚丝袜av| 亚洲精品日韩av片在线观看| 亚洲国产精品sss在线观看| 看非洲黑人一级黄片| avwww免费| 男女做爰动态图高潮gif福利片| 精品久久久久久久久亚洲| 欧美日韩在线观看h| 我的老师免费观看完整版| 欧美最新免费一区二区三区| 精品福利观看| 成年版毛片免费区| 黄色日韩在线| 九九在线视频观看精品| 亚洲国产高清在线一区二区三| 国产高清视频在线播放一区| 国产精品久久久久久亚洲av鲁大| 欧美日本亚洲视频在线播放| 国产av在哪里看| 99国产极品粉嫩在线观看| 精品久久久久久久久亚洲| 日本与韩国留学比较| avwww免费| 99热只有精品国产| 国产蜜桃级精品一区二区三区| 国产精品久久久久久精品电影| 国产高清激情床上av| 国产精品免费一区二区三区在线| 免费av毛片视频| 91麻豆精品激情在线观看国产| 美女免费视频网站| 91精品国产九色| 久久午夜福利片| 少妇裸体淫交视频免费看高清| 国产精品精品国产色婷婷| 床上黄色一级片| 乱人视频在线观看| 五月玫瑰六月丁香| 国产一区二区激情短视频| 黑人高潮一二区| 亚洲18禁久久av| 亚洲国产欧洲综合997久久,| 国产高清视频在线观看网站| 国产高清视频在线观看网站| 久久久精品94久久精品| 天美传媒精品一区二区| 一级毛片电影观看 | 波多野结衣高清作品| 高清日韩中文字幕在线| 免费高清视频大片| 国产一区二区激情短视频| 久久精品国产自在天天线| 国产三级在线视频| 婷婷色综合大香蕉| 热99在线观看视频| 少妇丰满av| 国产精品一及| 国产精品三级大全| 国产精品女同一区二区软件| 日日摸夜夜添夜夜爱| 午夜福利在线观看吧| 插阴视频在线观看视频| 人妻少妇偷人精品九色| 亚洲一区高清亚洲精品| 亚洲欧美精品综合久久99| 99久久成人亚洲精品观看| 啦啦啦观看免费观看视频高清| 午夜免费男女啪啪视频观看 | 黄片wwwwww| 国产高清激情床上av| 日本精品一区二区三区蜜桃| 精品久久久久久久久av| 国产精品爽爽va在线观看网站| 免费搜索国产男女视频| 精品久久久久久久末码| 久久午夜福利片| 免费观看的影片在线观看| 在线看三级毛片| 国产精品永久免费网站| 十八禁国产超污无遮挡网站| 淫妇啪啪啪对白视频| 国内精品一区二区在线观看| 插逼视频在线观看| 大型黄色视频在线免费观看| 九九久久精品国产亚洲av麻豆| 亚洲国产欧洲综合997久久,| 18禁在线播放成人免费| 一夜夜www| 亚洲高清免费不卡视频| 国产精华一区二区三区| 久久国产乱子免费精品| 男女做爰动态图高潮gif福利片| 美女黄网站色视频| 久久久久久大精品| 免费观看人在逋| 在线观看午夜福利视频| 乱系列少妇在线播放| 在线看三级毛片| 蜜桃久久精品国产亚洲av| 99热精品在线国产| 熟妇人妻久久中文字幕3abv| 成人亚洲欧美一区二区av| 日本免费一区二区三区高清不卡| 搡女人真爽免费视频火全软件 | 丝袜美腿在线中文| 免费人成视频x8x8入口观看| 国产人妻一区二区三区在| 最新在线观看一区二区三区| 中文字幕免费在线视频6| 亚洲精品乱码久久久v下载方式| 国产精品野战在线观看| 欧美激情国产日韩精品一区| 黄色日韩在线| 男人舔奶头视频| 一进一出好大好爽视频| 国产一区二区三区在线臀色熟女| 69av精品久久久久久| 欧美xxxx性猛交bbbb| 国产在视频线在精品| 18+在线观看网站| 国产熟女欧美一区二区| 22中文网久久字幕| 男女啪啪激烈高潮av片| 美女大奶头视频| 国产成人福利小说| 99久久无色码亚洲精品果冻| 午夜爱爱视频在线播放| av黄色大香蕉| 日日摸夜夜添夜夜添小说| 久久久久国产精品人妻aⅴ院| 午夜影院日韩av| 国产亚洲精品久久久久久毛片| 国产亚洲精品av在线| 国产精品一区二区三区四区免费观看 | 精品人妻一区二区三区麻豆 | 国产精品国产高清国产av| 色哟哟哟哟哟哟| 国产成人91sexporn| 日本爱情动作片www.在线观看 | av天堂中文字幕网| 久久热精品热| 亚洲美女视频黄频| 久久精品综合一区二区三区| 精品久久久久久久久av| 女人十人毛片免费观看3o分钟| 床上黄色一级片| 岛国在线免费视频观看| 免费在线观看成人毛片| 成人一区二区视频在线观看| 久久久久免费精品人妻一区二区| 精品福利观看| 国产一区二区三区av在线 | 日本色播在线视频| av免费在线看不卡| 亚洲七黄色美女视频| 亚洲国产精品成人久久小说 | 国产精品一二三区在线看| 国产大屁股一区二区在线视频| 日韩,欧美,国产一区二区三区 | 最近在线观看免费完整版| 国产精品永久免费网站| 亚洲av五月六月丁香网| 亚洲成人中文字幕在线播放| 久久精品国产清高在天天线| 欧美日韩乱码在线| 午夜精品在线福利| 国产精品永久免费网站| 久久久久久久久久成人| 男人舔奶头视频| 亚洲内射少妇av| 日韩欧美精品免费久久| 久久久久久久久久久丰满| 特级一级黄色大片| 亚洲精品一区av在线观看| 天堂动漫精品| 最后的刺客免费高清国语| 精品99又大又爽又粗少妇毛片| 搡老熟女国产l中国老女人| 国产午夜福利久久久久久| 久久久成人免费电影| 成人午夜高清在线视频| 麻豆精品久久久久久蜜桃| 国产欧美日韩精品一区二区| 亚洲第一区二区三区不卡| 亚洲av.av天堂| 丝袜美腿在线中文| 在线看三级毛片| 成人美女网站在线观看视频| 亚洲人成网站高清观看| 欧美一区二区国产精品久久精品| 免费人成在线观看视频色| 亚洲乱码一区二区免费版| 在线免费观看的www视频| a级一级毛片免费在线观看| 国产精品一区二区三区四区免费观看 | 免费无遮挡裸体视频| 99国产极品粉嫩在线观看| 97超视频在线观看视频| 中国美女看黄片| 中文字幕免费在线视频6| 色5月婷婷丁香| 日韩欧美 国产精品| 国产精品免费一区二区三区在线| 六月丁香七月| 亚洲久久久久久中文字幕| 国产白丝娇喘喷水9色精品| 日韩中字成人| 综合色av麻豆| 别揉我奶头~嗯~啊~动态视频| 国产色爽女视频免费观看| 国产极品精品免费视频能看的| 国产精品免费一区二区三区在线| 国模一区二区三区四区视频| 天堂影院成人在线观看| 国产黄片美女视频| 日韩欧美精品v在线| 日韩强制内射视频| 亚洲人与动物交配视频| 国产av麻豆久久久久久久| 身体一侧抽搐| 国产男人的电影天堂91| 日本欧美国产在线视频| 亚洲av成人精品一区久久| 亚洲电影在线观看av| 亚洲熟妇中文字幕五十中出| 18禁裸乳无遮挡免费网站照片| 中文字幕人妻熟人妻熟丝袜美| 少妇高潮的动态图| 少妇被粗大猛烈的视频| 性插视频无遮挡在线免费观看| 久久久国产成人精品二区| 欧美日本视频| 亚洲精品日韩av片在线观看| 免费看美女性在线毛片视频| 成人鲁丝片一二三区免费| 国产精品乱码一区二三区的特点| 无遮挡黄片免费观看| 在线观看美女被高潮喷水网站| 国产真实乱freesex| 中文字幕av在线有码专区| 国产精品爽爽va在线观看网站| 久久精品夜色国产| 少妇的逼水好多| 久久欧美精品欧美久久欧美| 听说在线观看完整版免费高清| 在线看三级毛片| 国产精品亚洲美女久久久| 国产精品无大码| 狠狠狠狠99中文字幕| 日本三级黄在线观看| av天堂中文字幕网| 亚洲熟妇中文字幕五十中出| 在现免费观看毛片| 国产精品电影一区二区三区| 永久网站在线| 97超视频在线观看视频| 男人和女人高潮做爰伦理| 国产欧美日韩精品一区二区| 中文字幕av成人在线电影| 久久精品综合一区二区三区| 干丝袜人妻中文字幕| 三级经典国产精品| 久久精品国产自在天天线| 六月丁香七月| 日本一本二区三区精品| 国产免费一级a男人的天堂| 色综合站精品国产| 免费在线观看成人毛片| 日本熟妇午夜| 日本五十路高清| 一夜夜www| 亚洲av不卡在线观看| 99久久九九国产精品国产免费| 国产精品av视频在线免费观看| 卡戴珊不雅视频在线播放| 欧美成人精品欧美一级黄| 黄色配什么色好看| 国产高清激情床上av| 国产精品嫩草影院av在线观看| 午夜视频国产福利| 亚洲自拍偷在线| 国产高清有码在线观看视频| 99热这里只有精品一区| 亚洲成人av在线免费| 国产一区二区在线av高清观看| 欧美色欧美亚洲另类二区| 国产免费男女视频| 日韩欧美一区二区三区在线观看| 一本一本综合久久| 亚洲欧美成人精品一区二区| 2021天堂中文幕一二区在线观| 一夜夜www| 久久精品国产亚洲av天美| 91久久精品电影网| 日本a在线网址| 国产精品永久免费网站| 在线天堂最新版资源| 亚洲无线在线观看| 午夜精品国产一区二区电影 | 国产精品三级大全| 一进一出抽搐动态| 又黄又爽又免费观看的视频| 亚洲一级一片aⅴ在线观看| 最近的中文字幕免费完整| 大香蕉久久网| 日韩三级伦理在线观看| 麻豆av噜噜一区二区三区| 老熟妇乱子伦视频在线观看| 亚洲av.av天堂| 一级黄片播放器| 欧美绝顶高潮抽搐喷水| 久久久久久伊人网av| 99在线视频只有这里精品首页| 免费观看精品视频网站| 人人妻,人人澡人人爽秒播| 性插视频无遮挡在线免费观看| 亚洲人成网站高清观看| 欧美又色又爽又黄视频| 一夜夜www| 午夜久久久久精精品| 九九在线视频观看精品| 狂野欧美激情性xxxx在线观看| 特大巨黑吊av在线直播| 老熟妇仑乱视频hdxx| 中国国产av一级| 欧洲精品卡2卡3卡4卡5卡区| 我的老师免费观看完整版| 一级毛片久久久久久久久女| 亚洲久久久久久中文字幕| 插逼视频在线观看| 哪里可以看免费的av片| 桃色一区二区三区在线观看| 欧美最新免费一区二区三区| 深夜精品福利| 亚洲成a人片在线一区二区| 九九在线视频观看精品| АⅤ资源中文在线天堂| 干丝袜人妻中文字幕| 国产极品精品免费视频能看的| 在线观看美女被高潮喷水网站| 久久久a久久爽久久v久久| 亚洲美女黄片视频| 国模一区二区三区四区视频| 18+在线观看网站| 久久精品国产自在天天线| 精品人妻熟女av久视频| 少妇高潮的动态图| 床上黄色一级片| 又爽又黄无遮挡网站| av.在线天堂| av在线天堂中文字幕| 欧美国产日韩亚洲一区| 国产视频一区二区在线看| 久久久久久国产a免费观看| 中文字幕免费在线视频6| 一区二区三区高清视频在线| 69人妻影院| 人妻丰满熟妇av一区二区三区| 黄片wwwwww| 51国产日韩欧美| 国产黄片美女视频| 亚洲国产欧美人成| 欧美另类亚洲清纯唯美| 日韩欧美 国产精品| videossex国产| 91狼人影院| 亚洲一级一片aⅴ在线观看| 成年免费大片在线观看| 国产老妇女一区| 成人漫画全彩无遮挡| 成人美女网站在线观看视频| 久久久午夜欧美精品| 欧美成人一区二区免费高清观看| 天堂av国产一区二区熟女人妻| 美女免费视频网站| 可以在线观看的亚洲视频| 伦精品一区二区三区| 在线免费观看的www视频| 99热全是精品| 日本黄大片高清| 免费搜索国产男女视频| av在线亚洲专区| 国产国拍精品亚洲av在线观看| 精品99又大又爽又粗少妇毛片| 美女 人体艺术 gogo| 网址你懂的国产日韩在线| 国产精品女同一区二区软件| 又黄又爽又刺激的免费视频.| 亚洲美女黄片视频| 麻豆国产av国片精品| 国产精品国产高清国产av| 99久久精品热视频| 国产精品一区www在线观看| 夜夜看夜夜爽夜夜摸| 女人十人毛片免费观看3o分钟| 人人妻人人看人人澡| 国产蜜桃级精品一区二区三区| 老司机福利观看| av福利片在线观看| 国产精品爽爽va在线观看网站| 国产高清三级在线| 一区福利在线观看| 韩国av在线不卡| 高清午夜精品一区二区三区 | 成年女人永久免费观看视频| 久久精品国产亚洲av天美| 国产三级在线视频| 禁无遮挡网站| 成年版毛片免费区| 深爱激情五月婷婷| 精品国内亚洲2022精品成人| 自拍偷自拍亚洲精品老妇| 国产高清激情床上av| 啦啦啦啦在线视频资源| 在线观看av片永久免费下载| 18禁在线无遮挡免费观看视频 | 日韩三级伦理在线观看| 色尼玛亚洲综合影院| 色在线成人网| 男人和女人高潮做爰伦理| 一级黄色大片毛片| 国产高清有码在线观看视频| 久久亚洲国产成人精品v| 精品午夜福利在线看| 久久久久精品国产欧美久久久| 黄片wwwwww| 免费看av在线观看网站| 天天躁夜夜躁狠狠久久av| 国产亚洲精品久久久com| 一个人看的www免费观看视频| 我要搜黄色片| 国产亚洲精品综合一区在线观看| 变态另类丝袜制服| 国产 一区 欧美 日韩| 热99在线观看视频| 晚上一个人看的免费电影| 国产真实伦视频高清在线观看| 国产美女午夜福利| 99久久久亚洲精品蜜臀av| 99久国产av精品国产电影| 国产精品亚洲一级av第二区| 美女内射精品一级片tv| 又黄又爽又免费观看的视频| 黄色视频,在线免费观看| 麻豆一二三区av精品| 亚洲熟妇中文字幕五十中出| 天堂影院成人在线观看| 欧美bdsm另类| 91精品国产九色| 午夜福利18| 非洲黑人性xxxx精品又粗又长| 我的老师免费观看完整版| 亚洲va在线va天堂va国产| 日韩精品中文字幕看吧| 观看美女的网站| 伦精品一区二区三区| 黄色视频,在线免费观看| 18+在线观看网站| 一级毛片电影观看 | 国产三级在线视频| 午夜激情福利司机影院| 国产精品综合久久久久久久免费| 久久久久九九精品影院| 三级男女做爰猛烈吃奶摸视频| 卡戴珊不雅视频在线播放| 亚洲欧美日韩东京热| 日日干狠狠操夜夜爽| 国产探花极品一区二区| 深爱激情五月婷婷| 亚洲国产日韩欧美精品在线观看| 久久久久久大精品| 小蜜桃在线观看免费完整版高清| 天堂√8在线中文| av专区在线播放| 亚洲内射少妇av| 成人一区二区视频在线观看| 久久人人爽人人爽人人片va| 久久人妻av系列| 国产一区亚洲一区在线观看| 亚洲人成网站高清观看| 久久久久久久久久黄片| 亚洲国产精品国产精品| 草草在线视频免费看| 亚洲图色成人| 搡女人真爽免费视频火全软件 | 婷婷亚洲欧美| 成人午夜高清在线视频| 亚洲av五月六月丁香网| 夜夜爽天天搞| 亚洲精品一卡2卡三卡4卡5卡| 少妇猛男粗大的猛烈进出视频 | 成人亚洲精品av一区二区| 97人妻精品一区二区三区麻豆| 免费看日本二区| 国产一区二区三区av在线 | 国产v大片淫在线免费观看| 亚洲精品日韩av片在线观看| 性欧美人与动物交配| 亚洲成人中文字幕在线播放| 亚洲av电影不卡..在线观看| 精品国产三级普通话版| 亚洲精品乱码久久久v下载方式| 国内揄拍国产精品人妻在线| 内地一区二区视频在线| 国产蜜桃级精品一区二区三区| 乱码一卡2卡4卡精品| 黑人高潮一二区| 99热精品在线国产| 男女边吃奶边做爰视频| 久久久久久久久中文| 成人漫画全彩无遮挡| 久久精品国产亚洲av涩爱 | 91久久精品国产一区二区成人| 三级经典国产精品| 18禁裸乳无遮挡免费网站照片| 亚洲国产高清在线一区二区三| 国产精华一区二区三区| 国内精品美女久久久久久| 精品人妻熟女av久视频| 波多野结衣高清无吗| 桃色一区二区三区在线观看| 97人妻精品一区二区三区麻豆| 晚上一个人看的免费电影| 久久婷婷人人爽人人干人人爱| 亚洲三级黄色毛片| 国产精品人妻久久久影院| 联通29元200g的流量卡| 变态另类丝袜制服| 免费av观看视频| 午夜亚洲福利在线播放| 欧美不卡视频在线免费观看| 午夜免费激情av| 老熟妇仑乱视频hdxx| 少妇熟女欧美另类| 欧美日本亚洲视频在线播放| 特大巨黑吊av在线直播| 99久久精品热视频| 天堂网av新在线| 成人特级av手机在线观看| 亚洲性久久影院| 国产成人a∨麻豆精品| av.在线天堂| 熟女人妻精品中文字幕| 人人妻人人澡欧美一区二区| 午夜福利成人在线免费观看| 免费av毛片视频| 99热精品在线国产| 偷拍熟女少妇极品色| 人人妻人人澡人人爽人人夜夜 | 两个人视频免费观看高清| av天堂中文字幕网| 麻豆国产av国片精品| 人人妻,人人澡人人爽秒播| 蜜桃亚洲精品一区二区三区| 婷婷六月久久综合丁香| 亚洲在线观看片| 嫩草影院精品99| 婷婷亚洲欧美| 国产亚洲av嫩草精品影院| 91午夜精品亚洲一区二区三区| 老司机午夜福利在线观看视频| 国产精品久久久久久精品电影| 成人美女网站在线观看视频|