• <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 ?

    卷積神經(jīng)網(wǎng)絡(luò)在衛(wèi)星遙感海冰圖像分類中的應(yīng)用探究
    ——以渤海海冰為例

    2020-10-09 08:50:04崔艷榮鄒斌韓震石立堅(jiān)劉森
    海洋學(xué)報(bào) 2020年9期
    關(guān)鍵詞:海冰代價(jià)卷積

    崔艷榮,鄒斌,3*,韓震,石立堅(jiān),劉森

    ( 1. 上海海洋大學(xué) 海洋科學(xué)學(xué)院,上海 201306;2. 國家衛(wèi)星海洋應(yīng)用中心,北京 100081;3. 國家海洋局空間海洋遙感與應(yīng)用研究重點(diǎn)實(shí)驗(yàn)室,北京 100081)

    1 引言

    目前用于海冰分類識(shí)別和監(jiān)測(cè)的研究,無論是基于光學(xué)海冰圖像還是合成孔徑雷達(dá)(SAR)海冰圖像,多是通過傳統(tǒng)的監(jiān)督和非監(jiān)督算法,應(yīng)用最多的如灰度共生矩陣(GLCM)和支持向量機(jī)(SVM)。Wang 等[1]根據(jù)GLCM 和小波紋理特征將特征空間域和頻率域融合對(duì)海冰圖像進(jìn)行分類研究;Ressel 和Singha[2]首先進(jìn)行特征提取,再輸入到神經(jīng)網(wǎng)絡(luò)分類器中,并通過互信息分析了相關(guān)性和冗余度,進(jìn)行海冰分類;Liu 等[3]基于SVM 算法,將后向散射系數(shù)、GLCM 和海冰密集度三者結(jié)合對(duì)海冰圖像進(jìn)行分類;Zakhvatkina 等[4]使用紋理特征結(jié)合SVM 區(qū)分海冰和開闊水域;Tan 等[5]通過隨機(jī)森林特征選擇方法確定優(yōu)選特征進(jìn)行海冰圖像解譯研究;張明等[6]采用灰度共生矩陣提取特征值,優(yōu)選特征組合,結(jié)合支持向量機(jī)開展海冰類型的分類研究;任莎莎和郎文輝[7]通過高斯濾波后提取海冰圖像灰度值,提出K-GMM 算法進(jìn)行海冰分類;鄭敏薇等[8]利用灰度共生矩陣計(jì)算并獲取圖像紋理,結(jié)合SVM 算法達(dá)到冰水分離的目的;逯躍鋒等[9]運(yùn)用灰度共生矩陣提取紋理特征中能量、對(duì)比度、相關(guān)性和同質(zhì)性的特征值,結(jié)合最小距離分類算法進(jìn)行海冰分類;朱立先等[10]通過灰度共生矩陣獲得影像的紋理特征,利用LibSVM 分類方法對(duì)一年冰和多年冰進(jìn)行訓(xùn)練和分類。以上的研究工作雖然都在原有的工作基礎(chǔ)上做了改進(jìn)并達(dá)到了一定的分類效果,但都需要先對(duì)遙感海冰圖像進(jìn)行大量且復(fù)雜的特征提取工作。面對(duì)大數(shù)據(jù)時(shí)代的今天,處理海量冗雜的海冰數(shù)據(jù),并快速準(zhǔn)確的提供決策支持,以上的基于傳統(tǒng)算法的海冰識(shí)別檢測(cè)方法有些捉襟見肘。

    深度學(xué)習(xí)思想的本質(zhì)就是通過在多層神經(jīng)網(wǎng)絡(luò)上運(yùn)用各種算法來訓(xùn)練學(xué)習(xí)圖像特征,其框架下包含多種機(jī)器學(xué)習(xí)算法,其中卷積神經(jīng)網(wǎng)絡(luò)(CNN)是目前該框架研究最深入、應(yīng)用最廣泛的算法。CNN 作為一個(gè)深度學(xué)習(xí)架構(gòu)被提出的最初訴求,是降低對(duì)圖像數(shù)據(jù)預(yù)處理的要求,避免復(fù)雜的特征工程。它可以直接使用圖像的原始像素作為輸入,而不必先使用算法提取特征。它的特征提取和分類訓(xùn)練同時(shí)進(jìn)行,使得訓(xùn)練時(shí)就自動(dòng)提取了最有效的特征,這就減輕了使用傳統(tǒng)算法(如SVM)時(shí)必須要做的大量重復(fù)而煩瑣的數(shù)據(jù)預(yù)處理工作。

    目前,CNN 在圖像識(shí)別、語音交互、自然語言處理等領(lǐng)域取得的突破和進(jìn)展有目共睹。CNN 應(yīng)用到衛(wèi)星遙感海冰分類中的研究雖然較少,但也取得一定進(jìn)展。如Wang 等[11]首次將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于海冰密集度評(píng)測(cè)中,其精度與海冰分析員手繪圖相比,絕對(duì)平均誤差不超過10%;Chen 等[12]使用全卷積神經(jīng)網(wǎng)絡(luò)(A-ConvNets)對(duì)海冰圖像進(jìn)行分類,其平均準(zhǔn)確率高達(dá)99%,而所采用的全卷積神經(jīng)網(wǎng)絡(luò)只包含卷積層,圖像經(jīng)多次卷積之后尺寸越來越小,分辨率越來越低,需要通過反卷積的方式來恢復(fù)原圖,過程較為復(fù)雜且部分細(xì)節(jié)仍舊無法恢復(fù);Wang 等[13]進(jìn)一步的研究發(fā)現(xiàn),CNN 模型具有識(shí)別地物特征之間細(xì)微差別的能力,能夠更準(zhǔn)確地識(shí)別出新冰,然而該網(wǎng)絡(luò)的輸入要求數(shù)據(jù)經(jīng)標(biāo)準(zhǔn)化處理,其處理結(jié)果直接影響后期模型的表現(xiàn);黃冬梅等[14]將CNN 模型應(yīng)用于海冰密集度評(píng)估和海冰分類實(shí)驗(yàn)中,其模型的總體分類準(zhǔn)確率達(dá)到93%以上,Kappa 系數(shù)為0.8 以上,實(shí)驗(yàn)需要研究區(qū)域?qū)?yīng)的海冰解譯圖作為參考標(biāo)準(zhǔn),另外,需要先制作標(biāo)簽,再將樣本和標(biāo)簽構(gòu)建為one-hot 格式作為模型的輸入。

    本文以構(gòu)建更加簡潔有效的網(wǎng)絡(luò)、簡化數(shù)據(jù)集標(biāo)簽制作過程的原則,探索更具有適用性并可用于業(yè)務(wù)化研究的CNN 模型。以渤海海冰遙感監(jiān)測(cè)為例,采用HJ-1A/B 衛(wèi)星數(shù)據(jù)源,開展基于CNN 的渤海海冰遙感分類研究。渤海海冰災(zāi)害嚴(yán)重影響了海上運(yùn)輸,破壞了區(qū)域內(nèi)基礎(chǔ)設(shè)施,阻礙了油氣等資源的開發(fā)與利用,加強(qiáng)海冰災(zāi)害監(jiān)測(cè)非常必要。

    2 卷積神經(jīng)網(wǎng)絡(luò)

    2.1 網(wǎng)絡(luò)結(jié)構(gòu)

    卷積神經(jīng)網(wǎng)絡(luò)[15]是一種前饋神經(jīng)網(wǎng)絡(luò),是由多個(gè)陣X(S x×Sy×Sz),經(jīng)K個(gè)大小為Cx×Cy×Sz的卷積核Ck,其中k=1, ···,K。每一個(gè)卷積核都會(huì)以步長P為間隔遍歷矩陣,最后會(huì)得到K幅特征圖,公式如下[13]:模塊組成的可訓(xùn)練結(jié)構(gòu)體,網(wǎng)絡(luò)結(jié)構(gòu)整體呈現(xiàn)出倒三角的形態(tài),緩解了反向傳播算法中容易出現(xiàn)的“梯度消失”現(xiàn)象。其每一個(gè)模塊由3 個(gè)連續(xù)操作單元組成:卷積核、非線性轉(zhuǎn)換層和池化層。一個(gè)CNN 模型通常包含多個(gè)用于提取圖像特征的學(xué)習(xí)模塊和若干全連接層。在卷積過程中,首先輸入一個(gè)樣本矩

    式中,hk表示經(jīng)第k個(gè)卷積核卷積后得到的輸出結(jié)果;Mx,My分別為卷積操作之后輸出的特征圖的維度。

    圖1 為本研究搭建的CNN 網(wǎng)絡(luò)主要結(jié)構(gòu),包含4 個(gè)卷積層(COV1?COV4),4 個(gè)池化層(POOL1?POOL4),3 個(gè)全連接層(FC1?FC3)。參數(shù)設(shè)置如圖1 所示,所用的輸入圖像為 100×100×3 (其中 100×100表示圖像橫向和縱向尺寸,3 表示圖像通道數(shù)),前兩個(gè)卷積層的過濾器(filter)尺寸為 5×5,后兩個(gè)卷積層的過濾器尺寸為 3×3,所有卷積層的滑動(dòng)橫向和豎向步長都為1,邊緣填充(padding)都設(shè)置為“SAME”。池化層采用最大值池化,池化層的過濾器尺寸全為 2×2,滑動(dòng)橫向和豎向步長為2,邊緣填充設(shè)置為“VALID”。卷積、池化后的圖像尺寸如圖1 所示,由下式得出:

    式中,N表示輸出圖像尺寸;W表示輸入圖像尺寸;F表示過濾器的尺寸;S表示步長;P表示邊緣填充的參數(shù)選擇,當(dāng)邊緣填充設(shè)置為“VALID”,輸出圖像尺寸用公式(4)計(jì)算,當(dāng)邊緣填充設(shè)置為“SAME”,輸出圖像尺寸用公式(5)計(jì)算。

    另外,在卷積層和池化層之間都加入了激勵(lì)層,通過激活函數(shù)對(duì)卷積層輸出的每一個(gè)特征單元進(jìn)行非線性處理,實(shí)現(xiàn)CNN 非線性目標(biāo)可分類;全連接層放在網(wǎng)絡(luò)的最后,與傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)很相似,接收神經(jīng)元要與輸入層的每一個(gè)神經(jīng)元連接,由此利用模型所提取到的所有特征去訓(xùn)練分類模型,其中第一層全連接層以卷積操作后的特征層(hk)作為輸入,將特征映射表示為一個(gè)向量,并通過權(quán)矩陣W和偏置b變換到輸出空間,計(jì)算公式為

    式中,f為激活函數(shù);h為網(wǎng)絡(luò)學(xué)習(xí)后的輸出結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和學(xué)習(xí)的本質(zhì)就是利用輸入數(shù)據(jù)的特征量調(diào)整、更新網(wǎng)絡(luò)參數(shù)。代價(jià)函數(shù)和激活函數(shù)的選擇是網(wǎng)絡(luò)學(xué)習(xí)、參數(shù)更新、模型優(yōu)化的重要環(huán)節(jié)。

    2.2 二次代價(jià)函數(shù)

    卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和學(xué)習(xí)的本質(zhì)就是利用輸入數(shù)據(jù)的特征量調(diào)整、更新網(wǎng)絡(luò)參數(shù)。代價(jià)函數(shù)和激活函數(shù)的選擇是網(wǎng)絡(luò)學(xué)習(xí)、參數(shù)更新、模型優(yōu)化的重要環(huán)節(jié)。

    神經(jīng)網(wǎng)絡(luò)為優(yōu)化模型,通常采用代價(jià)函數(shù),尋求神經(jīng)網(wǎng)絡(luò)代價(jià)函數(shù)全局最小值是一個(gè)重要而基本的問題。傳統(tǒng)的二次代價(jià)函數(shù)[16]工作原理如下式[17]所示:

    式中,C(W,b)表示網(wǎng)絡(luò)的代價(jià)函數(shù),也稱損失函數(shù);W、b分別表示神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置,網(wǎng)絡(luò)訓(xùn)練就是通過就是不斷更新權(quán)值和偏置參數(shù)來最終達(dá)到學(xué)習(xí)的目的;y(x)表示樣本x的真值;y′(x)表示樣本x的網(wǎng)絡(luò)預(yù)測(cè)結(jié)果;n表示樣本數(shù)量,神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化就是不斷降低預(yù)測(cè)結(jié)果和真值的誤差,使得誤差最小化。結(jié)合公式(6)可看出,網(wǎng)絡(luò)的預(yù)測(cè)值不僅和W、b有關(guān),還與激活函數(shù)f(z)有關(guān)。在網(wǎng)絡(luò)訓(xùn)練中,我們以常見的梯度下降法[18–19]來調(diào)整權(quán)值和偏置。假設(shè)有1 個(gè)樣本,則W、b的推導(dǎo)公式為

    可見W和b的梯度與激活函數(shù)的梯度f′(z)呈正比關(guān)系,當(dāng)使用梯度下降法對(duì)權(quán)值參數(shù)進(jìn)行調(diào)整時(shí),隨著在網(wǎng)絡(luò)中逐層傳播,殘差值會(huì)變得越來越小,f′(z)的變化不僅會(huì)影響網(wǎng)絡(luò)收斂速度,還可能引發(fā)“梯度消失”現(xiàn)象,致使底層網(wǎng)絡(luò)難以進(jìn)行有效訓(xùn)練。

    2.3 交叉熵代價(jià)函數(shù)

    為了消除激活函數(shù)梯度對(duì)網(wǎng)絡(luò)權(quán)值和偏置值更新的影響,引入改進(jìn)的交叉熵代價(jià)函數(shù)替換二次代價(jià)函數(shù)。交叉熵最早出自信息論中的信息熵,然后被用到很多地方,包括通信、糾錯(cuò)碼、博弈論、機(jī)器學(xué)習(xí)等。交叉熵代價(jià)函數(shù)為

    式中,C(W,b) 表示網(wǎng)絡(luò)的代價(jià)函數(shù);W、b分別表示神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置;y表示樣本x的真值;h為公式(6)中樣本x的網(wǎng)絡(luò)輸出結(jié)果;n表示樣本數(shù)量。對(duì)公式(10)求偏導(dǎo)得到權(quán)值W和偏置b的計(jì)算公式為

    可見,交叉熵代價(jià)函數(shù)中,W、b的梯度與激活函數(shù)的梯度f′(z)沒 有關(guān)系,只與f(z)?y的差值,即網(wǎng)絡(luò)輸出值和真值的誤差成正比,誤差越大,梯度越大,參數(shù)W和b的調(diào)整就越快,網(wǎng)絡(luò)的收斂速度也就越快,有效避免了f′(z)參與參數(shù)更新、影響更新效率的問題。

    2.4 Sigmoid 激活函數(shù)和RELU 激活函數(shù)

    神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最終目的就是獲取代價(jià)函數(shù)最小時(shí)的權(quán)值和偏置參數(shù),而求取代價(jià)函數(shù)最小化過程中,激活函數(shù)的選擇也起著至關(guān)重要的作用。卷積神經(jīng)網(wǎng)絡(luò)中,假設(shè)不采用激活函數(shù),那么每一層的輸出與上層的輸入都是線性函數(shù)關(guān)系,不管搭建多少層神經(jīng)網(wǎng)絡(luò),輸出都是輸入的線性組合,這樣就局限了卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍。因此在CNN 每個(gè)卷積層和池化層之間通常加入激勵(lì)層,即通過非線性激活函數(shù)對(duì)卷積層輸出的特征進(jìn)行非線性映射處理,使得神經(jīng)網(wǎng)絡(luò)可以任意逼近任何非線性函數(shù),非線性因素的引入,拓展了CNN 模型應(yīng)用到更多非線性分類任務(wù)中的空間。目前常用的激活函數(shù)為Sigmoid 函數(shù),也就是我們常稱的“S”型函數(shù),其導(dǎo)函數(shù)為Deriv. Sigmoid,如圖2 所示。

    圖2 Sigmoid 原函數(shù)和導(dǎo)函數(shù)Deriv. Sigmoid[20]Fig. 2 Sigmoid function and Deriv. Sigmoid[20]

    由2.2 節(jié)和2.3 節(jié)可知,代價(jià)函數(shù)的收斂和網(wǎng)絡(luò)參數(shù)的調(diào)整與激活函數(shù)及其導(dǎo)數(shù)有關(guān),由圖2 可以看出,Sigmoid 函數(shù)取值區(qū)間為(0,1),收斂速度慢,且容易出現(xiàn)軟飽和,即當(dāng)輸入較大的正數(shù)和負(fù)數(shù)的時(shí)候,梯度都為0,致使神經(jīng)元參數(shù)無法更新;導(dǎo)函數(shù)取值從0 開始很快又趨近于0,所以網(wǎng)絡(luò)在訓(xùn)練過程中容易引發(fā)“梯度消失”問題,影響網(wǎng)絡(luò)的正常訓(xùn)練。

    為提高網(wǎng)絡(luò)訓(xùn)練效率和準(zhǔn)確率,文中引入改進(jìn)的激活函數(shù)ReLU 函數(shù),如圖3 所示,當(dāng)輸入為負(fù)數(shù)的時(shí)候,函數(shù)強(qiáng)行置0,為網(wǎng)絡(luò)加入稀疏因素,有效降低了參數(shù)的空間相關(guān)性和依存性;當(dāng)輸入為正數(shù)時(shí),函數(shù)不飽和,且梯度為1,避免了“梯度消失”現(xiàn)象的發(fā)生,同時(shí)網(wǎng)絡(luò)收斂速度快,計(jì)算簡單。

    圖3 ReLU 激活函數(shù)[18]Fig. 3 ReLU activation function[18]

    3 實(shí)驗(yàn)驗(yàn)證

    3.1 實(shí)驗(yàn)數(shù)據(jù)

    實(shí)驗(yàn)選取HJ-1A 和HJ-1B 衛(wèi)星搭載的CCD 相機(jī)獲取的渤海海域2018年1月下旬至2月上旬共8 幅影像為數(shù)據(jù)源。該傳感器共載荷4 個(gè)波段,具體參數(shù)如表1 所示。

    表1 CCD 載荷參數(shù)Table 1 CCD parameters

    本文選擇B03、B02、B013 個(gè)波段,經(jīng)預(yù)處理后,通過公式(13)將像元DN 值轉(zhuǎn)換為具有物理意義的輻射亮度值,然后組合成真彩色RGB 圖像。

    式中,Lλ表示像元輻射亮度值,它包括了物體反射的輻射能量、臨近地物的貢獻(xiàn)值,以及云層的影響;Offset和 Gain分別表示偏移和增益參數(shù)。

    通過目視解譯確定冰、水區(qū)域,借助MATLAB 和IDL 二次開發(fā)工具,裁剪、制作冰水樣本集并加上標(biāo)簽,數(shù)據(jù)集共1812 個(gè)樣本,分別包含812 個(gè)海冰,1000 個(gè)海水的影像樣本,以8∶2 的比例分為訓(xùn)練集和驗(yàn)證集用于網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證。模型測(cè)試部分包括覆蓋渤海區(qū)域的大規(guī)模識(shí)別和隨機(jī)截取一小塊區(qū)域的小范圍識(shí)別。大規(guī)模識(shí)別部分分別在HJ-1B 衛(wèi)星2018年1月29 日?qǐng)D像上選取了尺寸為7824×5205 的 樣 本(圖4),在HJ-1A 衛(wèi) 星2018年2月3 日的圖像上選取了尺寸為8020×5328 的樣本(圖5),并以10×10、20×20、40×40 和80×80 等不同的尺寸制作測(cè)試集進(jìn)行測(cè)試;小范圍測(cè)試則是在圖4 中隨機(jī)截取一塊400×400 的冰水區(qū)域作為數(shù)據(jù)源,也分別以10×10、8×8、5×5 和2×2 等4 種不同尺寸的窗口制作測(cè)試集test_10、test_8、test_5 和test_2,用于模型和參數(shù)測(cè)試。

    3.2 代價(jià)函數(shù)和激活函數(shù)組合分析

    本實(shí)驗(yàn)所用的神經(jīng)網(wǎng)絡(luò)搭建在TensorFlow 框架上,以Anaconda35.1 的Jupyter Notebook 為運(yùn)行環(huán)境。首先以CNN 模型應(yīng)用的經(jīng)典案例—手寫數(shù)字識(shí)別作為引入分析不同函數(shù)組合對(duì)識(shí)別結(jié)果的影響。試驗(yàn)分為二次代價(jià)函數(shù)與Sigmoid 激活函數(shù)、二次代價(jià)函數(shù)與ReLU 激活函數(shù)、交叉熵代價(jià)函數(shù)與Sigmoid 激活函數(shù)、交叉熵代價(jià)函數(shù)與ReLU 激活函數(shù)共4 個(gè)組合,每個(gè)組合分別進(jìn)行8000、10000、20000次迭代,其實(shí)驗(yàn)結(jié)果如表2 所示。

    圖4 HJ-1B 衛(wèi)星圖像樣本Fig. 4 HJ-1B satellite image sample

    圖5 HJ-1A 衛(wèi)星圖像樣本Fig. 5 HJ-1A satellite image sample

    對(duì)比表2 至表5 可看出,相對(duì)于二次代價(jià)函數(shù),相同迭代次數(shù)和激活函數(shù)組合時(shí)交叉熵代價(jià)函數(shù)的訓(xùn)練精度和驗(yàn)證精度都更高,更準(zhǔn)確;相同迭代次數(shù)和代價(jià)函數(shù)組合時(shí)ReLU 激活函數(shù)比Sigmoid 激活函數(shù)的分類精度更高,網(wǎng)絡(luò)收斂速度更快;整體上看,對(duì)于CNN 模型在手寫數(shù)字識(shí)別案例中,交叉熵代價(jià)函數(shù)與ReLU 激活函數(shù)組合訓(xùn)練的模型性能最好,所取得的分類精度最高,網(wǎng)絡(luò)收斂最快。

    表2 交叉熵代價(jià)函數(shù)與ReLU 激活函數(shù)組合Table 2 Combination of cross-entropy cost function andReLU activation function

    表3 二次代價(jià)函數(shù)與ReLU 激活函數(shù)組合Table 3 Combination of quadratic cost function and ReLUactivation function

    表4 交叉熵代價(jià)函數(shù)與Sigmoid 激活函數(shù)組合Table 4 Combination of cross-entropy cost function andSigmoid activation function

    表5 二次代價(jià)函數(shù)與Sigmoid 激活函數(shù)組合Table 5 Combination of quadratic cost function andSigmoid activation function

    3.3 代價(jià)函數(shù)和激活函數(shù)組合驗(yàn)證

    由3.2 節(jié)手寫數(shù)字識(shí)別案例中的結(jié)果,可看出交叉熵代價(jià)函數(shù)優(yōu)于二次代價(jià)函數(shù),ReLU 激活函數(shù)優(yōu)于Sigmoid 激活函數(shù)。下面在衛(wèi)星遙感海冰影像的分類識(shí)別中,進(jìn)一步驗(yàn)證CNN 模型的最佳函數(shù)組合。首先把制作好的帶標(biāo)簽海冰數(shù)據(jù)集以8∶2 的比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集,每個(gè)訓(xùn)練批次設(shè)置為64 個(gè)樣本,迭代訓(xùn)練,每次迭代都會(huì)更新調(diào)整網(wǎng)絡(luò)參數(shù),迭代50 次后,網(wǎng)絡(luò)權(quán)值和偏置參數(shù)基本穩(wěn)定,故設(shè)置網(wǎng)絡(luò)迭代次數(shù)為50 次。同樣,將試驗(yàn)分為二次代價(jià)函數(shù)與Sigmoid 激活函數(shù)、二次代價(jià)函數(shù)與ReLU 激活函數(shù)、交叉熵代價(jià)函數(shù)與Sigmoid 激活函數(shù)、交叉熵代價(jià)函數(shù)與ReLU 激活函數(shù)共4 個(gè)組合。實(shí)驗(yàn)中發(fā)現(xiàn),由于二次代價(jià)函數(shù)的權(quán)值和偏置與激活函數(shù)的梯度成正比,網(wǎng)絡(luò)訓(xùn)練時(shí),隨著網(wǎng)絡(luò)加深,殘差值越來越小,導(dǎo)致網(wǎng)絡(luò)無法得到有效訓(xùn)練,無法有效進(jìn)行冰、水分離。故而,下文主要展示交叉熵代價(jià)函數(shù)與兩種激活函數(shù)的組合結(jié)果。

    由表6 可看出,在未對(duì)其他網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化的情況下,交叉熵代價(jià)函數(shù)與ReLU 激活函數(shù)組合,一次性輸入樣本1812 個(gè),網(wǎng)絡(luò)迭代50 次,訓(xùn)練精度就達(dá)到了99.6%,驗(yàn)證精度達(dá)到98.4%;而對(duì)比交叉熵代價(jià)函數(shù)與Sigmoid 激活函數(shù)組合的模型,其驗(yàn)證精度就高出17.6%??梢?,交叉熵代價(jià)函數(shù)與ReLU 激活函數(shù)組合在渤海海冰圖像分類任務(wù)中精度更高、效果更好、具有更好的適應(yīng)性。

    表6 不同代價(jià)函數(shù)和激活函數(shù)組合的海冰圖像分類結(jié)果Table 6 Sea ice image classification results with different cost function and activation function combinations

    圖6 和圖7 為通過TensorFlow 框架下的可視化工具TensorBoard 直觀地展示的交叉熵代價(jià)函數(shù)和ReLU 激活函數(shù)組合進(jìn)行渤海海冰圖像分類實(shí)驗(yàn)過程中網(wǎng)絡(luò)訓(xùn)練精度和誤差損失變化情況。由圖可以看出,隨著網(wǎng)絡(luò)訓(xùn)練次數(shù)增加,網(wǎng)絡(luò)訓(xùn)練誤差趨近于0,分類精度趨近于1,說明交叉熵代價(jià)函數(shù)和ReLU激活函數(shù)組合訓(xùn)練的CNN 網(wǎng)絡(luò)收斂速度快,分類效果好。將該訓(xùn)練好的網(wǎng)絡(luò)模型和參數(shù)保存,分別利用test_10、test_8、test_5 和test_2 樣本集進(jìn)行測(cè)試,調(diào)用模型和參數(shù)得到的識(shí)別結(jié)果中,鑒于 8×8窗口制作的樣本,其分類結(jié)果與 10×10窗口制作的樣本分類結(jié)果較為相似,區(qū)分度不高,故本文只展示了10×10、5×5、2×23 種尺寸窗口的分類結(jié)果,如圖8 所示。

    圖6 模型訓(xùn)練誤差曲線Fig. 6 Loss curve ofmodel training

    圖7 模型訓(xùn)練精度曲線Fig. 7 Accuracy curve ofmodel training

    圖8b至圖8d可看出在一定范圍內(nèi)隨著樣本窗口減小,模型識(shí)別結(jié)果更加準(zhǔn)確,且在細(xì)節(jié)上表現(xiàn)更加精準(zhǔn),所以2×2窗口制作的樣本分類測(cè)試結(jié)果最佳;對(duì)比圖8a 和圖8b,可以看出紅色框出區(qū)域肉眼較難察別的部分海冰,被該CNN 模型清晰準(zhǔn)確的區(qū)分出來,黃色框出區(qū)域表示在冰水混合的狀況下,模型較好的區(qū)分海冰和海水,并將冰間水分離出來??梢奀NN 模型具有識(shí)別地物特征之間細(xì)微差別的能力,在衛(wèi)星遙感圖像冰水解譯中也適用,且表現(xiàn)較好。

    3.4 CNN 模型對(duì)整個(gè)渤海海域的海冰識(shí)別結(jié)果分析

    3.3節(jié)通過對(duì)較小區(qū)域冰水識(shí)別結(jié)果的展示和分析,證明了CNN 網(wǎng)絡(luò)模型在衛(wèi)星遙感海冰圖像分類中具有較好的適用性和可操作性。為了能夠?qū)NN 模型更廣泛、切實(shí)地應(yīng)用到衛(wèi)星遙感海冰影像分類任務(wù)中,本文嘗試將整個(gè)渤海海域作為輸入數(shù)據(jù)集,希望實(shí)現(xiàn)大范圍海域的海冰識(shí)別,能夠?yàn)楹S虮O(jiān)測(cè)、航道監(jiān)測(cè)和航線設(shè)計(jì)提供一些幫助。

    對(duì)圖4 數(shù)據(jù)源以 10×10窗口制作樣本406640 個(gè),20×20窗 口制作樣本101660 個(gè),40×40窗口制作樣本25350 個(gè),80×80窗口制作樣本6305 個(gè)。分析發(fā)現(xiàn)窗口 10×10和 20×20所得結(jié)果沒有明顯差異,而數(shù)據(jù)量相差巨大,工作量巨大,故舍棄。本文主要展示其他3 個(gè)窗口尺寸的結(jié)果(圖9)。為了進(jìn)一步驗(yàn)證模型的有效性和適用性,將圖5 作為數(shù)據(jù)源做同樣的操作,其中以 20×20窗 口尺寸獲得106666 個(gè)樣本,40×40窗口獲得26600 個(gè)樣本,80×80窗口獲得6600 個(gè)樣本,模型識(shí)別的結(jié)果如圖10。由圖可見,隨著窗口尺寸的增大,圖像分辨率越來越低,識(shí)別結(jié)果越來越粗糙,但整體上3 種窗口的識(shí)別分離效果都較好,與目視結(jié)果基本一致。并且在圖9a 和圖10a 中黃色框所示的小范圍區(qū)域,模型可較為準(zhǔn)確地區(qū)分冰間水和水間冰,再次驗(yàn)證了CNN 模型在識(shí)別地物特征細(xì)微差別的能力。

    在實(shí)際的應(yīng)用中,可根據(jù)不同的任務(wù)需求和研究區(qū)域規(guī)模,調(diào)整樣本采集的窗口尺寸。如研究海冰分布特征,需要研究日尺度海冰面積和覆蓋度變化,則需要較高準(zhǔn)確率的海冰識(shí)別結(jié)果,再如進(jìn)行關(guān)于航道規(guī)劃的研究,需要把握冰情和航線安全狀況,希望得到分辨率較高的信息,這些情景下都可根據(jù)需要選擇20×20及以下的窗口;如果研究長時(shí)間序列海冰演變和海冰外緣線變化,選擇 40×40大小的窗口就可以很好的擬合海冰分界線,提供較為準(zhǔn)確的信息;然而,當(dāng)只需要把握整體海域的結(jié)冰狀況時(shí),可考慮選擇80×80左右的窗口,工作量小,操作簡單,可快速提供大范圍冰情信息。

    圖8 模型測(cè)試樣本400×400 數(shù)據(jù)源(a)和2×2(b)、5×5(c)、10×10(d)窗口大小模型識(shí)別結(jié)果Fig. 8 Test sample 400×400 (a), and 2×2 (b)、5×5 (c)、10×10 (d)model recognition resultsa 中亮色為海冰,暗色為海水;b?d 中紫色代表海冰,黃色代表海水The bright represents sea ice, and the dark represents sea water in a;the purple represents sea ice, and the yellow represents sea water in b-d

    4 結(jié)論

    本文將CNN 模型應(yīng)用于海冰圖像進(jìn)行冰、水分類的初步探索,驗(yàn)證了該網(wǎng)絡(luò)模型在處理衛(wèi)星遙感海冰圖像的可行性,可作為之后將深度學(xué)習(xí)網(wǎng)絡(luò)模型應(yīng)用于海冰研究、海域監(jiān)測(cè)、航道監(jiān)測(cè)等的理論參考。

    本文首先通過CNN 模型進(jìn)行手寫數(shù)字識(shí)別實(shí)驗(yàn)討論了代價(jià)函數(shù)與激活函數(shù)組合對(duì)分類結(jié)果的影響。基于遷移學(xué)習(xí)的思想,甄選交叉熵代價(jià)函數(shù)作為目標(biāo)函數(shù)通過分別與Sigmoid 激活函數(shù)和ReLU 激活函數(shù)組合對(duì)渤海海冰圖像進(jìn)行分類識(shí)別,對(duì)比得出交叉熵代價(jià)函數(shù)和ReLU 激活函數(shù)組合分類效果更好,精度更高,對(duì)遙感海冰圖像分類具有更高的適應(yīng)性。從測(cè)試樣本集的識(shí)別結(jié)果發(fā)現(xiàn),當(dāng)分類模型確定時(shí),樣本采集窗口的尺寸也是影響模型識(shí)別結(jié)果的重要因素,在 400×400小范圍識(shí)別實(shí)驗(yàn)中最佳窗口尺寸為2×2,冰水分離效果較好;在整個(gè)渤海海域的識(shí)別實(shí)驗(yàn)中,展示了3 種不同窗口尺寸的識(shí)別結(jié)果,整體上都較好,與目視解譯基本一致。最后又對(duì)不同尺寸在實(shí)際操作中的應(yīng)用進(jìn)行了討論,可根據(jù)任務(wù)需要,研究區(qū)域尺度、遙感圖像分辨率等,相應(yīng)調(diào)整樣本采集的窗口尺寸,以達(dá)到預(yù)期目的。

    CNN 網(wǎng)絡(luò)模型特征學(xué)習(xí)能力較強(qiáng),學(xué)習(xí)速度快,且具有較好的可移植性,其無需提前進(jìn)行特征提取,直接進(jìn)行圖像輸入的特性,避免了大量且復(fù)雜的特征提取工作,為之后大規(guī)模進(jìn)行多種冰型分類和不同冰型混合的復(fù)雜分類任務(wù),以及海冰要素反演等研究工作提供一個(gè)新思路。

    圖9 HJ-1B 衛(wèi)星圖像20×20(a)、40×40(b)和80×80(c)窗口大小模型識(shí)別結(jié)果Fig. 9 20×20 (a)、40×40 (b)、80×80(c)model recognition results of HJ-1B satellite image紅色曲線表示冰、水分界線The red curve represents the ice-water boundary

    圖10 HJ-1A 衛(wèi)星圖像20×20(a)、40×40(b)和80×80(c)窗口大小模型識(shí)別結(jié)果Fig. 10 20×20 (a)、40×40 (b)、80×80(c)model recognition results of HJ-1A satellite image紅色曲線表示冰、水分界線The red curve represents the ice-water boundary

    猜你喜歡
    海冰代價(jià)卷積
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    末次盛冰期以來巴倫支海-喀拉海古海洋環(huán)境及海冰研究進(jìn)展
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    愛的代價(jià)
    海峽姐妹(2017年12期)2018-01-31 02:12:22
    代價(jià)
    基于SIFT-SVM的北冰洋海冰識(shí)別研究
    成熟的代價(jià)
    應(yīng)用MODIS數(shù)據(jù)監(jiān)測(cè)河北省近海海域海冰
    河北遙感(2014年4期)2014-07-10 13:54:59
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    校园春色视频在线观看| 午夜日韩欧美国产| 夜夜躁狠狠躁天天躁| 日本一本二区三区精品| 久久精品国产99精品国产亚洲性色| 亚洲精品456在线播放app | 国产av在哪里看| 久久国产乱子伦精品免费另类| 我的老师免费观看完整版| 在线天堂最新版资源| 男人舔奶头视频| 一级a爱片免费观看的视频| 亚洲自拍偷在线| 女人高潮潮喷娇喘18禁视频| 亚洲精品成人久久久久久| 久久婷婷人人爽人人干人人爱| 啦啦啦免费观看视频1| 久久99热这里只有精品18| 亚洲精品成人久久久久久| 3wmmmm亚洲av在线观看| 村上凉子中文字幕在线| 欧美日韩黄片免| 欧美激情久久久久久爽电影| 伊人久久精品亚洲午夜| 国产午夜福利久久久久久| 精品国产超薄肉色丝袜足j| 在线观看66精品国产| 日本熟妇午夜| 国产毛片a区久久久久| 老汉色∧v一级毛片| 97碰自拍视频| 国产三级在线视频| 国产真人三级小视频在线观看| 99热只有精品国产| 久久精品综合一区二区三区| 天天添夜夜摸| 1024手机看黄色片| 亚洲人与动物交配视频| 免费看日本二区| 法律面前人人平等表现在哪些方面| 看免费av毛片| 伊人久久精品亚洲午夜| 每晚都被弄得嗷嗷叫到高潮| 国产三级在线视频| 欧美在线黄色| 久久精品国产清高在天天线| 亚洲av成人av| 国产一区二区激情短视频| 国产一区二区亚洲精品在线观看| 最新在线观看一区二区三区| 国产成人av教育| 男人和女人高潮做爰伦理| 国产亚洲av嫩草精品影院| 免费大片18禁| 久久久久国产精品人妻aⅴ院| 午夜两性在线视频| 亚洲精品一区av在线观看| 热99在线观看视频| 俄罗斯特黄特色一大片| 中国美女看黄片| 成人av在线播放网站| av片东京热男人的天堂| 狂野欧美白嫩少妇大欣赏| 日韩免费av在线播放| 国产男靠女视频免费网站| 亚洲熟妇中文字幕五十中出| 噜噜噜噜噜久久久久久91| 噜噜噜噜噜久久久久久91| 搡老妇女老女人老熟妇| 丝袜美腿在线中文| 欧美黑人巨大hd| 国产欧美日韩一区二区精品| 精品无人区乱码1区二区| av片东京热男人的天堂| 尤物成人国产欧美一区二区三区| 久久精品国产亚洲av涩爱 | av片东京热男人的天堂| 精品人妻一区二区三区麻豆 | 中文字幕人妻熟人妻熟丝袜美 | 午夜免费观看网址| 观看美女的网站| 国产成人影院久久av| x7x7x7水蜜桃| 99久久精品一区二区三区| 国产精品亚洲美女久久久| 国产精品亚洲一级av第二区| 日本黄大片高清| 99久国产av精品| 精品无人区乱码1区二区| 美女cb高潮喷水在线观看| 精品熟女少妇八av免费久了| 俺也久久电影网| 综合色av麻豆| 久久久久久久久大av| 2021天堂中文幕一二区在线观| 午夜福利高清视频| 亚洲成人精品中文字幕电影| 黄片小视频在线播放| 久久久久久久精品吃奶| 99热6这里只有精品| 首页视频小说图片口味搜索| svipshipincom国产片| 国产av麻豆久久久久久久| 少妇熟女aⅴ在线视频| 亚洲电影在线观看av| av天堂在线播放| 久久这里只有精品中国| 色综合站精品国产| 久久精品91无色码中文字幕| tocl精华| svipshipincom国产片| 精品久久久久久久久久免费视频| 欧美绝顶高潮抽搐喷水| 亚洲专区中文字幕在线| 99热只有精品国产| 我要搜黄色片| 真人一进一出gif抽搐免费| 中文字幕精品亚洲无线码一区| 欧美极品一区二区三区四区| 丁香六月欧美| 一区二区三区激情视频| 亚洲真实伦在线观看| 国产一区在线观看成人免费| 丰满乱子伦码专区| 亚洲精品影视一区二区三区av| 午夜激情福利司机影院| 日本三级黄在线观看| 国产精品99久久久久久久久| 人妻夜夜爽99麻豆av| 男人舔女人下体高潮全视频| 亚洲国产欧美人成| 日本a在线网址| 欧美激情在线99| 熟女人妻精品中文字幕| 亚洲久久久久久中文字幕| 免费av观看视频| 欧美日韩黄片免| 88av欧美| 欧美成狂野欧美在线观看| 国产97色在线日韩免费| 脱女人内裤的视频| 日韩国内少妇激情av| 色哟哟哟哟哟哟| av国产免费在线观看| 99在线人妻在线中文字幕| 啪啪无遮挡十八禁网站| 狂野欧美白嫩少妇大欣赏| 人妻丰满熟妇av一区二区三区| 国产精品亚洲美女久久久| 老熟妇仑乱视频hdxx| 欧美成人免费av一区二区三区| 精品午夜福利视频在线观看一区| 日日夜夜操网爽| 午夜福利在线观看免费完整高清在 | 好男人电影高清在线观看| 久久久久久久久大av| 亚洲欧美一区二区三区黑人| 在线观看免费午夜福利视频| 日韩欧美在线二视频| 女同久久另类99精品国产91| 欧美一区二区国产精品久久精品| 欧美极品一区二区三区四区| 成人国产一区最新在线观看| 日本a在线网址| 国产又黄又爽又无遮挡在线| 人人妻,人人澡人人爽秒播| 一夜夜www| 久久人妻av系列| 伊人久久大香线蕉亚洲五| 欧美成人性av电影在线观看| 国产伦精品一区二区三区四那| 2021天堂中文幕一二区在线观| 99国产精品一区二区蜜桃av| xxx96com| 亚洲真实伦在线观看| 嫩草影院入口| a级一级毛片免费在线观看| 亚洲美女黄片视频| 亚洲最大成人手机在线| 激情在线观看视频在线高清| a级毛片a级免费在线| 亚洲av电影不卡..在线观看| 在线观看av片永久免费下载| 一边摸一边抽搐一进一小说| 人人妻人人看人人澡| 国产一区二区在线观看日韩 | 天天一区二区日本电影三级| 99在线人妻在线中文字幕| 蜜桃亚洲精品一区二区三区| 两个人的视频大全免费| 叶爱在线成人免费视频播放| 免费在线观看日本一区| 99久久精品热视频| 久久精品国产99精品国产亚洲性色| 欧美区成人在线视频| 国产精品三级大全| 国产高清videossex| 男人舔奶头视频| 亚洲精华国产精华精| 小蜜桃在线观看免费完整版高清| 国产高清激情床上av| 在线观看免费午夜福利视频| 亚洲人成网站在线播放欧美日韩| 一个人免费在线观看电影| 观看免费一级毛片| 一区福利在线观看| 麻豆国产av国片精品| 伊人久久精品亚洲午夜| 久久久久久大精品| 中文字幕人妻熟人妻熟丝袜美 | 十八禁网站免费在线| 久久久国产成人精品二区| 国产精品久久久久久久电影 | 精品不卡国产一区二区三区| 俄罗斯特黄特色一大片| 国产激情欧美一区二区| 久久久成人免费电影| 熟女人妻精品中文字幕| 成人特级黄色片久久久久久久| 国产精品精品国产色婷婷| 国产综合懂色| 啦啦啦免费观看视频1| 黄片大片在线免费观看| 757午夜福利合集在线观看| 亚洲熟妇熟女久久| 国产av一区在线观看免费| av天堂在线播放| 午夜福利在线观看吧| 成人精品一区二区免费| 五月玫瑰六月丁香| 精品99又大又爽又粗少妇毛片 | 不卡一级毛片| 中亚洲国语对白在线视频| 在线国产一区二区在线| 天堂√8在线中文| 亚洲人成网站在线播| 中文字幕av成人在线电影| 色精品久久人妻99蜜桃| 国内精品一区二区在线观看| 精品久久久久久久毛片微露脸| 成人18禁在线播放| eeuss影院久久| 黄色片一级片一级黄色片| av天堂中文字幕网| 一夜夜www| 成人欧美大片| 黄片小视频在线播放| 少妇的丰满在线观看| 国产一区二区三区视频了| 成人午夜高清在线视频| 亚洲国产日韩欧美精品在线观看 | 日韩大尺度精品在线看网址| 18禁国产床啪视频网站| 成人亚洲精品av一区二区| 精品电影一区二区在线| 精品久久久久久久末码| 天天一区二区日本电影三级| 深爱激情五月婷婷| 国产伦精品一区二区三区四那| 他把我摸到了高潮在线观看| 欧美极品一区二区三区四区| 少妇人妻一区二区三区视频| 国产淫片久久久久久久久 | 久久国产精品影院| 两个人视频免费观看高清| 99热精品在线国产| 岛国视频午夜一区免费看| 欧美3d第一页| 女人高潮潮喷娇喘18禁视频| 日韩有码中文字幕| 国产一级毛片七仙女欲春2| 亚洲aⅴ乱码一区二区在线播放| 啦啦啦观看免费观看视频高清| 午夜福利欧美成人| 精品无人区乱码1区二区| 日韩中文字幕欧美一区二区| 中亚洲国语对白在线视频| 亚洲无线观看免费| 久久久久久国产a免费观看| 国产 一区 欧美 日韩| 亚洲成av人片在线播放无| 夜夜看夜夜爽夜夜摸| 国内毛片毛片毛片毛片毛片| 国产精品野战在线观看| 少妇的逼好多水| 91麻豆av在线| 人人妻,人人澡人人爽秒播| 麻豆国产av国片精品| 国产伦在线观看视频一区| 国产黄a三级三级三级人| www.熟女人妻精品国产| 久久人人精品亚洲av| 一区二区三区免费毛片| 欧美激情久久久久久爽电影| 亚洲av第一区精品v没综合| 天堂av国产一区二区熟女人妻| 午夜福利欧美成人| 欧美丝袜亚洲另类 | 在线十欧美十亚洲十日本专区| 19禁男女啪啪无遮挡网站| 精品人妻一区二区三区麻豆 | 免费在线观看亚洲国产| 国产爱豆传媒在线观看| 亚洲五月天丁香| 少妇熟女aⅴ在线视频| 国产一区二区激情短视频| 制服人妻中文乱码| 久久这里只有精品中国| 欧洲精品卡2卡3卡4卡5卡区| 亚洲国产精品sss在线观看| 成人性生交大片免费视频hd| 亚洲精品在线美女| 啪啪无遮挡十八禁网站| 国产探花极品一区二区| 久久久久久久午夜电影| 精品一区二区三区av网在线观看| 亚洲av免费在线观看| 99久久综合精品五月天人人| 免费看a级黄色片| 成人性生交大片免费视频hd| 国产午夜福利久久久久久| 欧美zozozo另类| 国产成人av激情在线播放| av在线蜜桃| 色在线成人网| 不卡一级毛片| 99精品欧美一区二区三区四区| 日本一二三区视频观看| 99精品在免费线老司机午夜| 精品人妻偷拍中文字幕| 丰满人妻一区二区三区视频av | 亚洲精品影视一区二区三区av| 婷婷丁香在线五月| 内射极品少妇av片p| 久久精品国产自在天天线| 深爱激情五月婷婷| 特大巨黑吊av在线直播| 国产精品亚洲美女久久久| 美女免费视频网站| 亚洲国产精品成人综合色| 美女高潮的动态| 天天一区二区日本电影三级| 免费av毛片视频| 国产成人影院久久av| 看片在线看免费视频| 国产免费一级a男人的天堂| 国产91精品成人一区二区三区| 少妇的丰满在线观看| 中文字幕av成人在线电影| 午夜精品久久久久久毛片777| av天堂中文字幕网| 嫩草影院入口| 欧美激情久久久久久爽电影| 欧美zozozo另类| 久久精品亚洲精品国产色婷小说| 听说在线观看完整版免费高清| 99热精品在线国产| 有码 亚洲区| 人妻丰满熟妇av一区二区三区| 男女那种视频在线观看| 国产av在哪里看| 欧美成人a在线观看| 老司机深夜福利视频在线观看| 丰满的人妻完整版| 欧美中文综合在线视频| 午夜a级毛片| 欧美成人免费av一区二区三区| 国产精品久久久久久久电影 | 国产三级中文精品| 在线看三级毛片| 日韩人妻高清精品专区| 可以在线观看的亚洲视频| 亚洲成人久久性| 久久久色成人| 我的老师免费观看完整版| 日本一二三区视频观看| 国产一级毛片七仙女欲春2| 一本久久中文字幕| 夜夜看夜夜爽夜夜摸| 午夜福利在线观看吧| 无限看片的www在线观看| 一个人免费在线观看电影| 欧美+日韩+精品| 综合色av麻豆| 91在线观看av| 最近最新中文字幕大全免费视频| 免费看光身美女| 国产精品自产拍在线观看55亚洲| 国产成+人综合+亚洲专区| 精品久久久久久久毛片微露脸| a级一级毛片免费在线观看| 长腿黑丝高跟| 少妇的逼水好多| 久久久国产精品麻豆| 丁香六月欧美| 久久久久久大精品| 国产探花极品一区二区| 午夜亚洲福利在线播放| 熟妇人妻久久中文字幕3abv| 欧美激情在线99| 老熟妇乱子伦视频在线观看| 国产高清有码在线观看视频| 国产毛片a区久久久久| 老鸭窝网址在线观看| h日本视频在线播放| 成人无遮挡网站| 欧美日韩综合久久久久久 | 久久婷婷人人爽人人干人人爱| 日本三级黄在线观看| 色综合亚洲欧美另类图片| 中文在线观看免费www的网站| 高清日韩中文字幕在线| 啦啦啦观看免费观看视频高清| 老汉色av国产亚洲站长工具| 成人精品一区二区免费| 久久久精品欧美日韩精品| 特级一级黄色大片| 成人午夜高清在线视频| 99视频精品全部免费 在线| 午夜老司机福利剧场| 亚洲国产高清在线一区二区三| 国产精品女同一区二区软件 | 搞女人的毛片| 丰满人妻一区二区三区视频av | 91在线观看av| 岛国视频午夜一区免费看| 国产精品 欧美亚洲| 搡老岳熟女国产| 中出人妻视频一区二区| 91久久精品电影网| 久久久国产成人免费| 国语自产精品视频在线第100页| 九九在线视频观看精品| 日韩欧美免费精品| 看黄色毛片网站| 亚洲国产欧美人成| 国产综合懂色| 一进一出好大好爽视频| 成人18禁在线播放| 国产成人系列免费观看| 很黄的视频免费| ponron亚洲| 美女cb高潮喷水在线观看| 757午夜福利合集在线观看| 日韩欧美三级三区| 亚洲第一欧美日韩一区二区三区| 日韩人妻高清精品专区| 麻豆国产av国片精品| 99久久99久久久精品蜜桃| 亚洲精品粉嫩美女一区| 欧美大码av| 男女下面进入的视频免费午夜| 午夜激情福利司机影院| 日韩人妻高清精品专区| 欧美成人a在线观看| 欧美乱码精品一区二区三区| 99在线人妻在线中文字幕| 亚洲av二区三区四区| 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 | 国产视频内射| 亚洲精品一区av在线观看| 色播亚洲综合网| 一边摸一边抽搐一进一小说| 国产精品98久久久久久宅男小说| 国产精品 国内视频| 99久久99久久久精品蜜桃| 麻豆国产97在线/欧美| 脱女人内裤的视频| 亚洲18禁久久av| www.熟女人妻精品国产| 久久99热这里只有精品18| 亚洲久久久久久中文字幕| 亚洲成人精品中文字幕电影| 久久午夜亚洲精品久久| 老熟妇乱子伦视频在线观看| 亚洲国产精品成人综合色| 在线国产一区二区在线| 国产av不卡久久| 欧美最黄视频在线播放免费| 国产黄a三级三级三级人| 中文字幕高清在线视频| 久久香蕉国产精品| 欧美一级a爱片免费观看看| 色吧在线观看| 精品久久久久久久久久久久久| 国产主播在线观看一区二区| 蜜桃久久精品国产亚洲av| 少妇丰满av| 亚洲欧美精品综合久久99| 97人妻精品一区二区三区麻豆| xxxwww97欧美| 久久久久久九九精品二区国产| 偷拍熟女少妇极品色| e午夜精品久久久久久久| 欧美日韩亚洲国产一区二区在线观看| 男人舔女人下体高潮全视频| 亚洲国产精品久久男人天堂| 18禁黄网站禁片免费观看直播| 十八禁人妻一区二区| 午夜福利在线观看免费完整高清在 | avwww免费| 亚洲avbb在线观看| 国内揄拍国产精品人妻在线| 熟女少妇亚洲综合色aaa.| 搡女人真爽免费视频火全软件 | 午夜日韩欧美国产| 日本免费a在线| 欧美乱码精品一区二区三区| 香蕉av资源在线| 久久人妻av系列| 午夜福利欧美成人| 亚洲第一欧美日韩一区二区三区| 亚洲成人精品中文字幕电影| 欧美中文日本在线观看视频| 精品久久久久久,| www国产在线视频色| 亚洲欧美日韩无卡精品| 两人在一起打扑克的视频| 两个人的视频大全免费| 日韩有码中文字幕| 久久精品人妻少妇| 在线观看免费午夜福利视频| 亚洲av成人不卡在线观看播放网| 在线观看日韩欧美| 国产爱豆传媒在线观看| 日韩有码中文字幕| 成人av一区二区三区在线看| 可以在线观看的亚洲视频| 国产乱人视频| 首页视频小说图片口味搜索| 大型黄色视频在线免费观看| 三级毛片av免费| 1000部很黄的大片| 狂野欧美白嫩少妇大欣赏| 好男人电影高清在线观看| 一进一出抽搐动态| 午夜福利在线在线| 国产日本99.免费观看| 国产三级在线视频| e午夜精品久久久久久久| eeuss影院久久| 内地一区二区视频在线| 国产精品久久久久久精品电影| 亚洲天堂国产精品一区在线| 91麻豆精品激情在线观看国产| 黄色丝袜av网址大全| 国产私拍福利视频在线观看| 亚洲欧美日韩高清在线视频| 哪里可以看免费的av片| 国产欧美日韩精品一区二区| 国产三级黄色录像| 国产亚洲精品综合一区在线观看| 90打野战视频偷拍视频| 国产午夜精品论理片| 国产伦人伦偷精品视频| 亚洲av二区三区四区| 在线观看午夜福利视频| 久久精品91蜜桃| 在线观看日韩欧美| 国产男靠女视频免费网站| 香蕉av资源在线| 校园春色视频在线观看| 99久久精品热视频| 日日夜夜操网爽| 亚洲国产欧美人成| 国产熟女xx| av视频在线观看入口| 国产毛片a区久久久久| 嫩草影院入口| 999久久久精品免费观看国产| 成年人黄色毛片网站| 又紧又爽又黄一区二区| 美女cb高潮喷水在线观看| 亚洲成人久久性| 国产真实乱freesex| 亚洲专区中文字幕在线| 一本一本综合久久| 91麻豆av在线| 国产精品av视频在线免费观看| 丰满人妻熟妇乱又伦精品不卡| 97超视频在线观看视频| 在线国产一区二区在线| 天堂√8在线中文| 一级毛片高清免费大全| 久久精品综合一区二区三区| 真实男女啪啪啪动态图| 午夜福利18| 99精品久久久久人妻精品| 我的老师免费观看完整版| 成人无遮挡网站| 熟妇人妻久久中文字幕3abv| 岛国在线免费视频观看| 亚洲色图av天堂| www.www免费av| 国产一级毛片七仙女欲春2| bbb黄色大片| 波多野结衣高清无吗| 亚洲精品456在线播放app | 欧美极品一区二区三区四区| 日韩欧美一区二区三区在线观看| 中文字幕人妻熟人妻熟丝袜美 | 九色国产91popny在线| 亚洲精品粉嫩美女一区| 欧美高清成人免费视频www| 男女之事视频高清在线观看| 色老头精品视频在线观看| 日韩欧美精品免费久久 | 日韩人妻高清精品专区| 最新在线观看一区二区三区| 日本与韩国留学比较| 校园春色视频在线观看| 男女做爰动态图高潮gif福利片| 国产成人a区在线观看| 国产黄a三级三级三级人| 9191精品国产免费久久|