• <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>

    午夜久久久在线观看| 中文字幕精品免费在线观看视频| 亚洲成人手机| 亚洲欧洲日产国产| 高清欧美精品videossex| 日韩制服丝袜自拍偷拍| 男人舔女人的私密视频| 国产精品香港三级国产av潘金莲 | 看免费成人av毛片| 日韩伦理黄色片| 亚洲av成人精品一二三区| 校园人妻丝袜中文字幕| 日韩中文字幕欧美一区二区 | 久久99热这里只频精品6学生| 国产精品国产三级国产专区5o| 欧美黑人精品巨大| 久久99一区二区三区| 欧美日韩成人在线一区二区| 国产精品一区二区在线不卡| 日韩一区二区三区影片| 1024香蕉在线观看| 欧美精品一区二区免费开放| 免费在线观看黄色视频的| 黄色a级毛片大全视频| 少妇 在线观看| 欧美黑人精品巨大| 亚洲精品日韩在线中文字幕| 在线观看免费日韩欧美大片| 一级毛片女人18水好多 | 老司机午夜十八禁免费视频| 91九色精品人成在线观看| 好男人电影高清在线观看| 捣出白浆h1v1| 国产精品秋霞免费鲁丝片| 在线av久久热| 亚洲一区中文字幕在线| 在线观看一区二区三区激情| 男的添女的下面高潮视频| 成人三级做爰电影| 欧美精品啪啪一区二区三区 | 亚洲成人国产一区在线观看 | 中文字幕亚洲精品专区| 天天添夜夜摸| 啦啦啦在线观看免费高清www| 无限看片的www在线观看| 十八禁高潮呻吟视频| 久久精品人人爽人人爽视色| 亚洲成国产人片在线观看| 国产在视频线精品| 极品少妇高潮喷水抽搐| 黄频高清免费视频| 欧美少妇被猛烈插入视频| 国产精品久久久久久精品电影小说| 日韩 欧美 亚洲 中文字幕| 国产av精品麻豆| 亚洲黑人精品在线| 久久 成人 亚洲| 日韩大码丰满熟妇| 亚洲五月婷婷丁香| 成年人黄色毛片网站| 桃花免费在线播放| 美女扒开内裤让男人捅视频| 久久99热这里只频精品6学生| 热re99久久国产66热| 热99国产精品久久久久久7| 国产亚洲一区二区精品| 自线自在国产av| 成人午夜精彩视频在线观看| 视频区欧美日本亚洲| 少妇人妻 视频| 久久精品久久精品一区二区三区| 黑人巨大精品欧美一区二区蜜桃| 狠狠婷婷综合久久久久久88av| 日本vs欧美在线观看视频| 亚洲国产最新在线播放| 极品少妇高潮喷水抽搐| 高清黄色对白视频在线免费看| 少妇人妻久久综合中文| 黄色视频在线播放观看不卡| 在线精品无人区一区二区三| 99热网站在线观看| 精品福利观看| 中文字幕人妻丝袜一区二区| 日韩一卡2卡3卡4卡2021年| 丰满少妇做爰视频| 午夜福利乱码中文字幕| 亚洲色图 男人天堂 中文字幕| av国产精品久久久久影院| 美女视频免费永久观看网站| 丝袜美腿诱惑在线| 可以免费在线观看a视频的电影网站| 欧美人与性动交α欧美软件| 国产不卡av网站在线观看| 国产精品国产三级专区第一集| 91老司机精品| 男女午夜视频在线观看| 欧美xxⅹ黑人| 制服人妻中文乱码| 男人舔女人的私密视频| 99国产综合亚洲精品| 亚洲成国产人片在线观看| 亚洲一区中文字幕在线| 熟女av电影| 欧美成狂野欧美在线观看| 啦啦啦中文免费视频观看日本| 欧美日韩亚洲高清精品| 肉色欧美久久久久久久蜜桃| 精品久久蜜臀av无| 在线观看www视频免费| 亚洲国产日韩一区二区| 操美女的视频在线观看| 亚洲欧美日韩另类电影网站| 捣出白浆h1v1| 成人三级做爰电影| 啦啦啦啦在线视频资源| 色网站视频免费| av网站在线播放免费| 久久久久国产精品人妻一区二区| 国产在线免费精品| 午夜久久久在线观看| 国产精品一二三区在线看| 在线精品无人区一区二区三| 各种免费的搞黄视频| 亚洲一区中文字幕在线| 19禁男女啪啪无遮挡网站| 国产成人一区二区三区免费视频网站 | 成人国产av品久久久| 欧美另类一区| 国产爽快片一区二区三区| 色网站视频免费| 亚洲综合色网址| 97精品久久久久久久久久精品| 十八禁网站网址无遮挡| 欧美日韩亚洲国产一区二区在线观看 | 国产精品香港三级国产av潘金莲 | 乱人伦中国视频| 欧美激情高清一区二区三区| 精品一区二区三区av网在线观看 | 日日摸夜夜添夜夜爱| 在线观看人妻少妇| 免费人妻精品一区二区三区视频| 美女福利国产在线| 国产精品香港三级国产av潘金莲 | 日本五十路高清| 日本a在线网址| 伦理电影免费视频| 在线观看人妻少妇| 国产精品一国产av| 人妻人人澡人人爽人人| 久久毛片免费看一区二区三区| 91国产中文字幕| 国产成人a∨麻豆精品| 国产精品麻豆人妻色哟哟久久| 美女大奶头黄色视频| 日本av手机在线免费观看| 自线自在国产av| 久久99一区二区三区| 丰满迷人的少妇在线观看| 国产深夜福利视频在线观看| 色精品久久人妻99蜜桃| 欧美日韩视频高清一区二区三区二| 999久久久国产精品视频| 精品国产乱码久久久久久男人| 午夜久久久在线观看| 国产成人欧美| 精品福利永久在线观看| 国产免费视频播放在线视频| 亚洲国产毛片av蜜桃av| 欧美成狂野欧美在线观看| 9191精品国产免费久久| 亚洲视频免费观看视频| 操美女的视频在线观看| 国产精品久久久久久精品古装| 精品国产一区二区三区久久久樱花| √禁漫天堂资源中文www| 天堂俺去俺来也www色官网| 视频区欧美日本亚洲| 日韩av免费高清视频| 亚洲精品在线美女| 99国产精品一区二区蜜桃av | 大陆偷拍与自拍| 欧美少妇被猛烈插入视频| 午夜精品国产一区二区电影| a级毛片在线看网站| 日日摸夜夜添夜夜爱| 男人添女人高潮全过程视频| 制服诱惑二区| 国产高清国产精品国产三级| 国产精品免费视频内射| 国产福利在线免费观看视频| 国产一区二区三区av在线| 一边亲一边摸免费视频| 国语对白做爰xxxⅹ性视频网站| 亚洲国产最新在线播放| 三上悠亚av全集在线观看| 人妻一区二区av| 免费高清在线观看视频在线观看| 国产激情久久老熟女| 国产老妇伦熟女老妇高清| 涩涩av久久男人的天堂| 19禁男女啪啪无遮挡网站| 久9热在线精品视频| 多毛熟女@视频| 手机成人av网站| 国产一区有黄有色的免费视频| 久久精品国产亚洲av高清一级| 成年女人毛片免费观看观看9 | 国精品久久久久久国模美| 国产视频首页在线观看| 欧美人与性动交α欧美软件| 巨乳人妻的诱惑在线观看| 精品人妻熟女毛片av久久网站| 操出白浆在线播放| 美女福利国产在线| 国产深夜福利视频在线观看| 欧美日韩亚洲综合一区二区三区_| 汤姆久久久久久久影院中文字幕| 搡老乐熟女国产| 一边摸一边做爽爽视频免费| 国产精品国产av在线观看| 国产精品 国内视频| 欧美中文综合在线视频| 一本综合久久免费| 日韩视频在线欧美| 国产男女超爽视频在线观看| 男人操女人黄网站| 久久精品久久精品一区二区三区| 黄频高清免费视频| 国产97色在线日韩免费| 亚洲国产最新在线播放| 97在线人人人人妻| 天堂中文最新版在线下载| 在线av久久热| 免费在线观看视频国产中文字幕亚洲 | 国产一区二区 视频在线| 亚洲精品成人av观看孕妇| 国产xxxxx性猛交| 性色av乱码一区二区三区2| 中文精品一卡2卡3卡4更新| 老司机在亚洲福利影院| 一区福利在线观看| 最黄视频免费看| 亚洲欧美中文字幕日韩二区| 亚洲九九香蕉| 丝袜美足系列| 19禁男女啪啪无遮挡网站| 国产精品 欧美亚洲| 亚洲伊人色综图| 免费人妻精品一区二区三区视频| 欧美精品亚洲一区二区| 精品免费久久久久久久清纯 | 狠狠婷婷综合久久久久久88av| 亚洲av电影在线观看一区二区三区| 天天躁狠狠躁夜夜躁狠狠躁| 日本wwww免费看| 丰满饥渴人妻一区二区三| 免费观看av网站的网址| 中文字幕高清在线视频| 久久久久精品人妻al黑| 久久久久精品国产欧美久久久 | 国产av一区二区精品久久| 人人妻人人澡人人看| 日韩一区二区三区影片| 国产精品久久久久久人妻精品电影 | 国产成人影院久久av| 一区二区三区乱码不卡18| 精品少妇黑人巨大在线播放| 欧美少妇被猛烈插入视频| 无遮挡黄片免费观看| 操出白浆在线播放| 少妇粗大呻吟视频| 久久九九热精品免费| 成年人午夜在线观看视频| 看十八女毛片水多多多| 校园人妻丝袜中文字幕| 熟女av电影| 国产男女内射视频| 国产xxxxx性猛交| 视频区图区小说| 日韩一区二区三区影片| 又大又爽又粗| 777久久人妻少妇嫩草av网站| 成在线人永久免费视频| 久久青草综合色| 午夜福利乱码中文字幕| 一边亲一边摸免费视频| 男人添女人高潮全过程视频| 各种免费的搞黄视频| 好男人电影高清在线观看| 最新的欧美精品一区二区| 欧美国产精品va在线观看不卡| 性高湖久久久久久久久免费观看| 久久精品久久精品一区二区三区| 99国产精品免费福利视频| 黑人猛操日本美女一级片| 搡老岳熟女国产| 老司机午夜十八禁免费视频| 国产在线一区二区三区精| 欧美亚洲 丝袜 人妻 在线| 老司机影院成人| 国产高清不卡午夜福利| 好男人视频免费观看在线| 啦啦啦 在线观看视频| 久久热在线av| 免费在线观看完整版高清| 国产精品欧美亚洲77777| 巨乳人妻的诱惑在线观看| av片东京热男人的天堂| 极品少妇高潮喷水抽搐| av片东京热男人的天堂| 极品少妇高潮喷水抽搐| 两人在一起打扑克的视频| 成年av动漫网址| 波多野结衣一区麻豆| 99热全是精品| 汤姆久久久久久久影院中文字幕| 一边摸一边做爽爽视频免费| 嫁个100分男人电影在线观看 | 亚洲五月婷婷丁香| 一边摸一边做爽爽视频免费| 十八禁人妻一区二区| 狂野欧美激情性bbbbbb| 一级,二级,三级黄色视频| 手机成人av网站| 国产成人精品久久久久久| 国语对白做爰xxxⅹ性视频网站| 久久精品人人爽人人爽视色| 欧美国产精品一级二级三级| 精品福利观看| 天天添夜夜摸| 69精品国产乱码久久久| 咕卡用的链子| 日韩视频在线欧美| 91国产中文字幕| 免费一级毛片在线播放高清视频 | 欧美xxⅹ黑人| 熟女少妇亚洲综合色aaa.| 亚洲精品成人av观看孕妇| 18禁国产床啪视频网站| 国产成人一区二区三区免费视频网站 | 国产成人精品久久二区二区免费| 日韩电影二区| 国产精品国产三级专区第一集| 热re99久久国产66热| 日韩视频在线欧美| 超色免费av| 咕卡用的链子| 国产欧美亚洲国产| 91精品国产国语对白视频| 19禁男女啪啪无遮挡网站| 欧美久久黑人一区二区| 男女床上黄色一级片免费看| 久久99热这里只频精品6学生| 国产精品二区激情视频| 亚洲色图综合在线观看| 国产一区二区激情短视频 | 亚洲国产成人一精品久久久| 国产欧美日韩综合在线一区二区| 乱人伦中国视频| 国产一区二区在线观看av| 欧美+亚洲+日韩+国产| 欧美日韩一级在线毛片| 男人舔女人的私密视频| 操美女的视频在线观看| 亚洲欧美色中文字幕在线| 狂野欧美激情性xxxx| 精品亚洲成国产av| 亚洲精品乱久久久久久| 亚洲国产看品久久| svipshipincom国产片| 一区福利在线观看| 久久午夜综合久久蜜桃| 99re6热这里在线精品视频| 中国国产av一级| 91麻豆精品激情在线观看国产 | 一级黄色大片毛片| 中文欧美无线码| 婷婷色av中文字幕| 精品国产乱码久久久久久小说| 狠狠精品人妻久久久久久综合| 女警被强在线播放| av天堂在线播放| 国产97色在线日韩免费| 男女无遮挡免费网站观看| 欧美中文综合在线视频| 亚洲第一青青草原| 国产av国产精品国产| 国产亚洲欧美在线一区二区| 一区二区三区乱码不卡18| 久久人妻福利社区极品人妻图片 | 国产黄色免费在线视频| 热re99久久精品国产66热6| 国产精品成人在线| 国产爽快片一区二区三区| 国产麻豆69| 涩涩av久久男人的天堂| 国产男人的电影天堂91| 热99久久久久精品小说推荐| 精品少妇久久久久久888优播| 久久精品国产亚洲av涩爱| 国产av国产精品国产| 日韩熟女老妇一区二区性免费视频| 精品卡一卡二卡四卡免费| 国产有黄有色有爽视频| 亚洲欧美中文字幕日韩二区| 久久99精品国语久久久| 欧美日韩亚洲高清精品| 两人在一起打扑克的视频| 亚洲欧美色中文字幕在线| 一级片'在线观看视频| 人妻 亚洲 视频| 国产视频首页在线观看| 日韩,欧美,国产一区二区三区| 日日爽夜夜爽网站| 美女脱内裤让男人舔精品视频| 不卡av一区二区三区| 国产福利在线免费观看视频| 日韩一区二区三区影片| 欧美日韩一级在线毛片| 精品亚洲成国产av| 夫妻午夜视频| 中文字幕人妻丝袜一区二区| 国产成人精品久久二区二区免费| 51午夜福利影视在线观看| 黄色视频在线播放观看不卡| 日本av免费视频播放| 好男人电影高清在线观看| 国产成人免费观看mmmm| 久久亚洲精品不卡| 91老司机精品| 夫妻性生交免费视频一级片| 女性被躁到高潮视频| 视频在线观看一区二区三区| 女人被躁到高潮嗷嗷叫费观| 少妇人妻久久综合中文| 久久精品熟女亚洲av麻豆精品| 一级毛片电影观看| 十八禁网站网址无遮挡| 丰满少妇做爰视频| 亚洲国产欧美一区二区综合| 免费看av在线观看网站| 日韩一卡2卡3卡4卡2021年| 国产又爽黄色视频| 丰满迷人的少妇在线观看| 欧美激情极品国产一区二区三区| 又黄又粗又硬又大视频| 丝袜人妻中文字幕| 国产成人免费无遮挡视频| 少妇被粗大的猛进出69影院| 啦啦啦中文免费视频观看日本| 天天添夜夜摸| 精品福利观看| 观看av在线不卡| 国产日韩欧美亚洲二区| 夫妻午夜视频| 黄色视频不卡| 老司机深夜福利视频在线观看 | 欧美精品av麻豆av| 国产一区二区激情短视频 | 国产日韩欧美在线精品| 久久久久精品国产欧美久久久 | 丝袜美腿诱惑在线| 亚洲专区国产一区二区| 日韩伦理黄色片| 欧美av亚洲av综合av国产av| 男女国产视频网站| 国产三级黄色录像| 老司机亚洲免费影院| 美女大奶头黄色视频| 建设人人有责人人尽责人人享有的| 99热国产这里只有精品6| 精品亚洲乱码少妇综合久久| 777米奇影视久久| 亚洲精品一二三| 黄色毛片三级朝国网站| 男女免费视频国产| 日韩中文字幕欧美一区二区 | 日韩电影二区| 免费在线观看日本一区| 性色av乱码一区二区三区2| 精品久久久精品久久久| 精品国产一区二区三区久久久樱花| 国产色视频综合| 成人三级做爰电影| 纯流量卡能插随身wifi吗| 亚洲人成电影观看| 男人爽女人下面视频在线观看| 99国产精品一区二区蜜桃av | 咕卡用的链子| 亚洲欧美一区二区三区国产| 肉色欧美久久久久久久蜜桃| 亚洲欧美一区二区三区久久| 日韩,欧美,国产一区二区三区| 欧美久久黑人一区二区| 91麻豆精品激情在线观看国产 | 久9热在线精品视频| 激情视频va一区二区三区| 一级片免费观看大全| 手机成人av网站| 高清黄色对白视频在线免费看| 免费在线观看视频国产中文字幕亚洲 | 国产免费又黄又爽又色| 欧美黄色淫秽网站| av在线app专区| 久久这里只有精品19| 亚洲伊人色综图| 精品欧美一区二区三区在线| 欧美变态另类bdsm刘玥| 亚洲情色 制服丝袜| 中文字幕人妻丝袜一区二区| 国产精品一区二区免费欧美 | 天堂中文最新版在线下载| 国产日韩欧美视频二区| 两人在一起打扑克的视频| 国产欧美日韩一区二区三 | 国产精品一区二区精品视频观看| 日本午夜av视频| 久久国产精品男人的天堂亚洲| 久久久久久久久免费视频了| 免费观看人在逋| 性色av一级| 一级毛片 在线播放| 国产91精品成人一区二区三区 | 欧美久久黑人一区二区| 色网站视频免费| 一级黄片播放器| 少妇人妻久久综合中文| 宅男免费午夜| 91九色精品人成在线观看| 日韩大码丰满熟妇| 丁香六月天网| 久久综合国产亚洲精品| 亚洲欧美精品自产自拍| 老司机靠b影院| 中文字幕色久视频| 欧美黄色片欧美黄色片| 国产精品久久久久成人av| 久久九九热精品免费| 国产一区有黄有色的免费视频| 我的亚洲天堂| 国产成人精品无人区| 中文字幕亚洲精品专区| 多毛熟女@视频| 波野结衣二区三区在线| 亚洲熟女毛片儿| 一级毛片 在线播放| 亚洲av美国av| 国产精品熟女久久久久浪| 久9热在线精品视频| 精品国产一区二区三区四区第35| 国精品久久久久久国模美| 欧美精品人与动牲交sv欧美| 韩国精品一区二区三区| 成人影院久久| 丝袜美腿诱惑在线| 亚洲精品中文字幕在线视频| 欧美日韩亚洲国产一区二区在线观看 | 久9热在线精品视频| 亚洲国产看品久久| 真人做人爱边吃奶动态| 婷婷色麻豆天堂久久| 在线观看人妻少妇| 久久久久久久精品精品| 满18在线观看网站| 中文字幕制服av| svipshipincom国产片| 老司机影院毛片| 亚洲欧美激情在线| 在线av久久热| 亚洲国产日韩一区二区| 国产黄色视频一区二区在线观看| 国产一区二区在线观看av| 黄片小视频在线播放| 婷婷色综合www| 日本午夜av视频| 国产av一区二区精品久久| 天天躁日日躁夜夜躁夜夜| 国产黄频视频在线观看| 男人添女人高潮全过程视频| 国产成人a∨麻豆精品| 国产精品国产三级专区第一集| 欧美精品高潮呻吟av久久| av在线播放精品| 日韩av在线免费看完整版不卡| 丁香六月天网| 亚洲 欧美一区二区三区| 国产精品 国内视频| videos熟女内射| 久久99热这里只频精品6学生| 伊人亚洲综合成人网| 极品少妇高潮喷水抽搐| 久久久久久久精品精品| 天天躁夜夜躁狠狠久久av| 精品亚洲成a人片在线观看| 久久久久久久精品精品| a级毛片在线看网站| 午夜福利视频在线观看免费| 看免费av毛片| 亚洲精品自拍成人| tube8黄色片| 少妇猛男粗大的猛烈进出视频| 只有这里有精品99| 久久狼人影院| 咕卡用的链子| 69精品国产乱码久久久| 久久毛片免费看一区二区三区| 美国免费a级毛片| 别揉我奶头~嗯~啊~动态视频 | 亚洲人成电影观看| 日韩视频在线欧美| av国产久精品久网站免费入址| 亚洲美女黄色视频免费看| 日韩欧美一区视频在线观看| 一级毛片我不卡| 亚洲人成电影免费在线|