• <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 ?

    基于帶squeeze-and-excitation模塊的ResNeXt的單目圖像深度估計方法

    2021-01-21 03:23:30李智宏
    計算機應用 2021年1期
    關(guān)鍵詞:深度特征信息

    溫 靜,李智宏

    (山西大學計算機與信息技術(shù)學院,太原 030006)

    0 引言

    深度估計對理解三維場景具有重要作用,在機器人、增強現(xiàn)實、三維重建、自動駕駛、即時定位與地圖構(gòu)建(Simultaneous Localization and Mapping,SLAM)[1]等領(lǐng)域有著重要的應用。傳統(tǒng)方法獲取目標深度信息主要通過深度傳感器實現(xiàn),包括激光雷達、基于結(jié)構(gòu)光的深度傳感器以及立體相機等。然而,這些方法獲取深度圖像成本較高,受環(huán)境影響較大,尚未大規(guī)模應用。相比較而言,基于圖像信息進行深度估計[2]可以有效克服上述傳感器的不足。但是由于計算機很難像人類的大腦一樣從單目圖像中自動構(gòu)建或感知到充足的三維結(jié)構(gòu)信息,同時,從單幅圖像映射到深度圖存在大量不確定性,因此單目圖像的深度估計面臨著信息的“無中生有”的挑戰(zhàn),它的研究具有很大的困難同時也具有重要意義。

    近些年來,隨著深度學習的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[3]在圖像處理等領(lǐng)域發(fā)揮著越來越重要的作用。CNN 在特征提取、結(jié)果分類等方面無須人工干預,大大提高了模型的通用性。因此,國內(nèi)外許多學者開始廣泛使用CNN 來研究單目圖像的深度估計問題。廖斌等[4]提出一種基于孔卷積神經(jīng)網(wǎng)絡(luò)的深度估計模型。隨著條件隨機場(Conditional Random Field,CRF)[5]在語義分割上表現(xiàn)優(yōu)異,Liu 等[6]提出將卷積神經(jīng)網(wǎng)絡(luò)與連續(xù)CRF 相結(jié)合;但是,文中提到的超像素分割仍然需要人工劃分。Eigen等[7]提出了一種基于多尺度網(wǎng)絡(luò)結(jié)構(gòu)的深度學習方法,通過兩個尺度對圖像分別進行全局與局部的特征采樣,獲得最終輸出,此方法無須提供任何人工分類特征,直接在原始圖片上進行訓練并獲得像素級別的深度信息結(jié)果。在此基礎(chǔ)上,Laina 等[8]提出一種使用殘差網(wǎng)絡(luò)(Residual Network,ResNet)[9]的模型,該模型利用ResNet 特征前向傳播高效的特性,結(jié)合更深、更復雜的網(wǎng)絡(luò),有效提高了深度預測圖的精度。最近,Yang 等[10]進一步推導法線表示,并提出了管道內(nèi)密集的深度-法線一致性,這不僅可以更好地規(guī)范預測深度,而且還可以學習產(chǎn)生法線估計;但是,正則化僅在局部應用,并且容易會受到圖像梯度的影響,從而在平滑表面內(nèi)產(chǎn)生錯誤的幾何不連續(xù)性。隨后,他們在文獻[11]中開始縮小單眼和基于立體信息的自我監(jiān)督之間的性能差距,并且通過強制邊緣一致性進一步提升性能。Godard等[12]提出一種利用左右眼視圖一致性的無監(jiān)督學習方法,通過最小化圖像重建損失和左右眼圖像一致性損失提高深度估計性能。但上述方法在特征提取過程中都只關(guān)注于特征的局部區(qū)域進行空間和通道維度的信息融合,缺乏對于特征通道之間相互關(guān)系的研究,且在精度上仍有提升空間。

    針對上述問題,本文根據(jù)深度估計的問題特性,對ResNeXt[13]的網(wǎng)絡(luò)結(jié)構(gòu)進行了改進,并且引入文獻[14]中提出的SE-Module(Squeeze-and-Excitation Module),提出了一種SE-ResNeXt(Squeeze-and-Excitation-ResNeXt)的編碼器解碼器網(wǎng)絡(luò)結(jié)構(gòu),并將其應用到單目圖像深度估計的研究中,從特征通道之間的全局信息關(guān)系方面提升性能。

    1 單目深度估計模型

    1.1 模型概述

    本文提出了一種基于SE-ResNeXt 的單目圖像深度估計方法。本文采用了無監(jiān)督的方法,通過訓練網(wǎng)絡(luò)生成視差圖像,然后從視差圖中恢復深度預測圖像。具體地,在訓練過程中,將左眼圖像輸入到網(wǎng)絡(luò)中,同時輸出兩張分別對應雙目左視圖和右視圖的視差圖,然后通過真實的右眼視圖和左眼視圖對應視差圖得到重建后的左眼視圖,類似地也可以得到重建后的右眼視圖,并且通過最小化圖像重建損失和左右眼圖像一致性損失提高深度估計性能。網(wǎng)絡(luò)結(jié)構(gòu)采用編碼器解碼器網(wǎng)絡(luò),編碼器網(wǎng)絡(luò)基于ResNet50 結(jié)構(gòu)來設(shè)計,首先本文算法引入ResNeXt 模塊來代替ResNet 模塊的使用,并且根據(jù)深度估計任務(wù)的特性和需求,對ResNeXt 結(jié)構(gòu)進行了改進,獲得恰當數(shù)量的網(wǎng)絡(luò)分支,以實現(xiàn)在不增加參數(shù)復雜度的前提下有效地提高模型的準確率。然后,在ResNeXt 塊后加入SEModule,通過壓縮操作、激勵操作以及權(quán)重的重新分配從特征通道之間的全局信息關(guān)系方面進一步提升網(wǎng)絡(luò)性能。在解碼器網(wǎng)絡(luò)部分,本文沿用了文獻[12]提出的網(wǎng)絡(luò)結(jié)構(gòu),通過一系列的上采樣操作得到最終的視差圖像,然后從視差圖像恢復深度圖。整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。其中,Upconv 表示雙線性插值上采樣操作,Disparity表示最終得到的視差圖像。

    圖1 整體網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Overall network structure

    1.2 ResNeXt模塊

    ResNeXt 結(jié)構(gòu)最早應用于圖像分類領(lǐng)域,其優(yōu)點是在不增加參數(shù)復雜度的前提下提高準確率?,F(xiàn)有大部分深度學習方法為了提高模型的準確率,通常的思路都是加深或加寬網(wǎng)絡(luò),但是隨著超參數(shù)數(shù)量的增加,網(wǎng)絡(luò)設(shè)計的難度和計算開銷也會增加。圖2 列出ResNet 和ResNeXt 的基本單元。其中,C表示分支數(shù),如1×1×64 的內(nèi)容分別表示卷積核大小為1×1,通道數(shù)為64。經(jīng)過消融實驗表明,與ResNet 圖2(a)所示相比,相同的參數(shù)個數(shù)條件下,ResNeXt 圖2(b)所示的結(jié)果更好。

    圖2 ResNet和ResNeXt的基本單元Fig.2 Basic units of ResNet and ResNeXt

    ResNeXt 結(jié)構(gòu)的具體計算公式如式(1)所示。x表示輸入特征,Ti可以是任意函數(shù),在此處為三個卷積層的堆疊,C表示網(wǎng)絡(luò)輸入寬度。

    考慮到ResNeXt 結(jié)構(gòu)中分支數(shù)的選擇對于單目深度估計模型訓練時間和實驗結(jié)果的影響,由于ResNeXt 結(jié)構(gòu)中分支數(shù)越多,會造成深度估計模型訓練時間越長,而性能不會獲得顯著的提升。本文通過尋找ResNeXt 的合適分支數(shù)量,以提高估計任務(wù)中的模型準確性。經(jīng)過實驗對比發(fā)現(xiàn),當分支數(shù)為8 時,可以在保證提高模型的準確率的同時不影響模型訓練時間,圖3 所示為選擇不同的分支數(shù)時模型的性能表現(xiàn)和訓練時間。具體地,本文采用2.1 節(jié)所述的均方根誤差(Root Mean Squared Error,RMSE)作為模型性能的評價標準,由于RMSE 越小,網(wǎng)絡(luò)性能越好,由圖3(a)可知,當分支數(shù)為8 時,模型性能達到最佳;且由圖3(b)可以看出,隨著分支數(shù)增加到訓練時長也逐漸變長,當分支數(shù)增加到8 時訓練時間變化不太明顯,此后分支數(shù)繼續(xù)擴大,模型性能不再提升,但是訓練時間明顯變長。

    圖3 模型不同分支數(shù)對比Fig.3 Comparison of the model with different branches

    1.3 SE-Module(Squeeze-and-Excitation Module)

    考慮到特征提取過程只是在局部區(qū)域進行信息融合,缺乏特征通道之間的全局信息關(guān)系,本文采用文獻[14]提出的SE-Module,通過建模特征通道間的動態(tài)、非線性關(guān)系來提高網(wǎng)絡(luò)的全局信息表示能力,然后采用特征重標定策略校準特征響應,以實現(xiàn)對原先卷積層不同通道的重新校準,改變不同通道的權(quán)重比值,從而使網(wǎng)絡(luò)能夠在通道信息中加入全局特征,進一步提升了深度圖像的質(zhì)量,并且場景中物體的邊緣結(jié)構(gòu)信息更加清晰、完整。

    首先對于輸入的特征圖在空間維度上通過全局平均池化(Global Average Pooling,GAP)對特征進行壓縮,然后通過兩個全連接層以及激活函數(shù)對通道重新加權(quán)校準。最后,在Scale 層將重新校準后的權(quán)重作為特征選擇后的每個特征通道的重要性,然后通過乘法將權(quán)重逐個加權(quán)到之前的特征上,完成在通道維度上對原始特征的重標定。

    SE-Module 結(jié)構(gòu)的示意圖如圖4 所示。GAP 表示全局平均池化,F(xiàn)C(Fully Connected Layer)表示全連接層,ReLU(Rectified Linear Unit)和Sigmoid 為激活函數(shù),Scale 為特征權(quán)重表示層,?表示逐元素相乘。

    Fig.4 SE-Module結(jié)構(gòu)示意圖Fig.4 Structure of SE-Module

    1.4 基于SE-ResNeXt的單目深度估計網(wǎng)絡(luò)

    本文提出并設(shè)計了一種基于SE-ResNeXt 的單目深度估計網(wǎng)絡(luò)。如圖1 所示,在編碼器網(wǎng)絡(luò)部分不再使用原始的ResNet 結(jié)構(gòu),而在第1、2 層采用ResNeXt 模塊,第3、4 層采用SE-ResNeXt 網(wǎng)絡(luò)結(jié)構(gòu)。其中,SE-ResNeXt 的結(jié)構(gòu)就是采用2.2 節(jié)以及2.3 節(jié)介紹的兩個結(jié)構(gòu)級聯(lián)構(gòu)成。本文提出的ResNeXt 模塊級聯(lián)SE-Module 的這種網(wǎng)絡(luò)結(jié)構(gòu),可以從特征通道之間的全局信息關(guān)系方面提升網(wǎng)絡(luò)性能。

    在第3、4 層采用SE-ResNeXt 網(wǎng)絡(luò)結(jié)構(gòu),是考慮到在單目深度估計網(wǎng)絡(luò)中淺層網(wǎng)絡(luò)提取的特征含有很多圖像局部細節(jié)信息,并且特征通道較少,而深層的網(wǎng)絡(luò)提取的特征包含更多表征圖像空間結(jié)構(gòu)的高級語義信息,因而所提取的特征重要性差別較大,且特征通道較多。因此,在編碼器網(wǎng)絡(luò)部分的第3、4 層采用SE-ResNeXt 網(wǎng)絡(luò)結(jié)構(gòu),最大限度地提升了特征的利用率。經(jīng)過實驗證明,SE-Module 在編碼器網(wǎng)絡(luò)部分的第3、4層ResNeXt模塊之后使用時效果最佳,具體實驗對比在消融實驗分析部分介紹。

    此外,本文還通過實驗選取了ResNeXt 結(jié)構(gòu)中合適的分支數(shù),確保在不增加參數(shù)復雜度的前提下有效地提高模型的準確率。

    1.5 損失函數(shù)

    在本文中,本文算法沿用了文獻[12]所提出的損失函數(shù)??偟膿p失Ssum由三部分組成:

    在訓練過程中,網(wǎng)絡(luò)通過從立體對圖像學習生成圖像。利用輸入左眼圖像和輸入圖像重建原圖像過程中的損失函數(shù)約束,提高視差圖的準確度。在本文中,采用L1 損失和結(jié)構(gòu)相似性(Structural SIMilarity,SSIM)的組合,它比較輸入圖像及其重建圖像來進行約束,其中N是像素值,SSIM使用3×3濾波器,α=0.85。

    為了產(chǎn)生更準確的視差圖像,訓練網(wǎng)絡(luò)只將左眼視圖作為網(wǎng)絡(luò)卷積部分的輸入,同時預測左右眼圖像的視差圖,為了確保左右眼視差的一致性,采用左右視差一致性損失函數(shù)

    同時,為了使網(wǎng)絡(luò)生成的視差圖像在局部上保持平滑,對視差梯度?d采用L1損失,圖像視差平滑損失函數(shù)表示為

    2 實驗結(jié)果與分析

    2.1 實驗設(shè)置

    為了驗證本文算法的有效性,實驗采用KITTI2015[15]數(shù)據(jù)集。KITTI2015 數(shù)據(jù)集包含來自61 個場景的42 382 個立體對圖像,圖像大小為1 242×375 像素。實驗中,本文采用KITTI Split 分割來呈現(xiàn)KITTI 數(shù)據(jù)集的結(jié)果,網(wǎng)絡(luò)基于TensorFlow實現(xiàn),使用ResNet50作為網(wǎng)絡(luò)基本架構(gòu)。

    本文將模型的實驗結(jié)果與同樣在KITTI 數(shù)據(jù)集上進行訓練的相關(guān)工作進行對比,采用了常用的衡量指標評估結(jié)果,其中Di表示預測的深度值,Di*表示真實的深度值,N表示測試集中所有圖像的總像素點的個數(shù)。指標表達式如下。

    1)絕對相對誤差(Absolute Relative error,AbsRel):

    2)平方相對誤差(Squared Relative error,SqRel):

    3)均方根誤差(Root Mean Squared Error,RMSE):

    4)準確率:

    2.2 網(wǎng)絡(luò)消融分析

    本文算法包含兩個消融因素,即SE-Module和ResNeXt模塊。為了驗證本文算法的有效性,采用如下方式進行消融分析:

    a)采用文獻[12]中的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)作為基準網(wǎng)絡(luò)(Baseline)。

    b)僅將Baseline中的ResNet替換為ResNeXt模塊。

    c)僅對Baseline添加SE-Module模塊,并且在編碼器網(wǎng)絡(luò)中不同位置添加以得到最佳效果。

    d)對b)中的網(wǎng)絡(luò)添加SE-Module 模塊即為本文最終算法。

    部分實驗結(jié)果如表1 所示,其中f表示模塊添加在編碼器網(wǎng)絡(luò)的第1、2 層;l 表示模塊添加在第3、4 層。從表1 中結(jié)果可以看出,本文模型中兩個消融因素都可以提高網(wǎng)絡(luò)的性能,在多種評價指標中都有明顯提升;并且,實驗結(jié)果表明SEModule在編碼器網(wǎng)絡(luò)部分的第3、4層使用時效果最佳。

    表1 網(wǎng)絡(luò)消融分析Tab.1 Ablation analysis of networks

    2.3 對比實驗分析

    通過實驗,將本文方法與文獻[10]、文獻[11]、文獻[12]、本文Baseline 中添加文獻[14]中提出的嵌入結(jié)構(gòu)的SEResNeX 以及文獻[16]的評估結(jié)果進行對比,其結(jié)果如表2 所示。首先,可以看出,本文提出的基于SE-ResNeXt 方法的深度估計結(jié)果明顯優(yōu)于最近相關(guān)工作,這主要得益于在訓練過程中,通過建模特征通道間的動態(tài)、非線性關(guān)系來提高特征通道對全局信息的表示能力,然后通過特征重標定策略重新校準特征,進一步強調(diào)有用特征并抑制對任務(wù)用處不大的特征。相較于文獻[14]中提出的嵌入結(jié)構(gòu)SE-ResNeXt,本文所采用的結(jié)構(gòu)具有更良好的性能。

    表2 KITTI數(shù)據(jù)集上實驗結(jié)果對比Tab.2 Comparison of experimental results on KITTI dataset

    通過基于SE-ResNeXt 的深度估計模型中得到的深度圖明顯優(yōu)于目前常見方法,并且在細節(jié)處理方面,本文方法具有更強大的能力。

    為驗證深度圖像的質(zhì)量,對不同方法生成的圖像進行主觀效果比較,圖5為彩色圖像及其真實深度圖像以及4種方法生成的深度圖像,按照從左到右依次命名為image1、image2和image3;從上到下依次為原圖、真實深度圖、文獻[10]、文獻[11]、文獻[12]、文獻[14]、文獻[16]以及本文方法生成的深度圖。

    圖5 各模型深度預測結(jié)果Fig.5 Depth prediction results of different models

    可以看出,本文方法深度圖像的質(zhì)量更高,細節(jié)以及場景結(jié)構(gòu)的表現(xiàn)更為細致。如image1 方框所示,相較于其他方法,本文方法的深度分辨率更高,對于深度更深的物體信息識別更為完整;如image2 方框所示,在光照不均勻的場景下,本文方法對于圖像左側(cè)建筑物以及旁邊的樹木保留了更為豐富的紋理信息,并且細節(jié)處理更加平滑;如image3 方框所示,對于環(huán)境嘈雜,分辨率和尺寸微小且相對深度對比度不清晰的場景下,本文方法識別樹木的輪廓更清晰完整,且不同物體間的區(qū)分度更大。

    本文方法生成的深度圖像在細節(jié)處理方面更加清晰,并且邊緣結(jié)構(gòu)更加平滑,包含更豐富而完整的紋理信息,這主要得益于本文提出的深度估計網(wǎng)絡(luò)結(jié)構(gòu)可以有效聚合不同通道中包含的全局信息,進一步有效提高生成深度預測圖像的質(zhì)量,保證圖像中物體的完整性。然而,本文方法對于復雜環(huán)境下的深度估計效果仍有提升空間,對場景中距離較遠的物體識別效果不佳,這主要是由于深度大的目標受到光照的影響為網(wǎng)絡(luò)預測造成了不確定性。如圖6 深度圖白色方框所示,對于遠處的交通標志識別存在誤判,并且輪廓不夠清晰完整。

    圖6 復雜環(huán)境下的深度估計結(jié)果Fig.6 Depth estimation results in complex environment

    3 結(jié)語

    本文提出了一種基于SE-ResNeXt 的單目圖像深度估計方法,在特征提取階段采用殘差網(wǎng)絡(luò),從特征通道之間的全局信息關(guān)系方面考慮,提高網(wǎng)絡(luò)的全局信息表示能力;同時,引入ResNeXt 結(jié)構(gòu),在不增加參數(shù)復雜度的前提下有效地提高了模型的準確率。通過KITTI 數(shù)據(jù)集訓練,使該模型可以對圖像進行有效的深度估計。相較于原有忽略了特征通道之間的全局信息關(guān)系的方法,本文方法得到更好的實驗數(shù)據(jù),對物體細節(jié)有更好的處理。

    但目前此模型對于復雜環(huán)境的效果仍有提升空間,下一步的工作將在網(wǎng)絡(luò)深度和預測效率間尋求平衡,以及引入更多先驗信息和約束條件,提升深度估計的預測性能。

    猜你喜歡
    深度特征信息
    深度理解一元一次方程
    如何表達“特征”
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    深度觀察
    深度觀察
    深度觀察
    抓住特征巧觀察
    訂閱信息
    中華手工(2017年2期)2017-06-06 23:00:31
    展會信息
    中外會展(2014年4期)2014-11-27 07:46:46
    線性代數(shù)的應用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    国产精品不卡视频一区二区| 国内少妇人妻偷人精品xxx网站| 国产黄色免费在线视频| 街头女战士在线观看网站| 少妇人妻久久综合中文| 狂野欧美激情性xxxx在线观看| 欧美成人a在线观看| 人妻少妇偷人精品九色| 久久久久久久久久久丰满| 国产伦理片在线播放av一区| a级毛色黄片| 国产中年淑女户外野战色| 水蜜桃什么品种好| 久久久久国产精品人妻一区二区| 国产亚洲av片在线观看秒播厂| 久久av网站| 中文字幕av成人在线电影| 亚洲国产av新网站| 欧美成人a在线观看| 国产无遮挡羞羞视频在线观看| 亚洲三级黄色毛片| 欧美精品一区二区大全| 久久久久视频综合| 国产老妇伦熟女老妇高清| 久久久久久久大尺度免费视频| 久热这里只有精品99| 九草在线视频观看| 日韩伦理黄色片| 人人妻人人添人人爽欧美一区卜 | 精品99又大又爽又粗少妇毛片| 99久久精品一区二区三区| 亚洲欧美日韩东京热| 欧美激情极品国产一区二区三区 | 亚洲欧美日韩另类电影网站 | 男女下面进入的视频免费午夜| 国产亚洲最大av| 亚洲四区av| 久久久a久久爽久久v久久| 黄色一级大片看看| 国产精品av视频在线免费观看| 男女边吃奶边做爰视频| 麻豆成人午夜福利视频| 夜夜爽夜夜爽视频| 国产乱人视频| 激情五月婷婷亚洲| 日本黄色片子视频| 亚洲国产日韩一区二区| 成人黄色视频免费在线看| 欧美国产精品一级二级三级 | 少妇精品久久久久久久| 黄色一级大片看看| 日韩大片免费观看网站| 国语对白做爰xxxⅹ性视频网站| 女的被弄到高潮叫床怎么办| 女人久久www免费人成看片| 深夜a级毛片| 国产国拍精品亚洲av在线观看| 亚洲综合精品二区| 久久婷婷青草| 蜜臀久久99精品久久宅男| 国产男女内射视频| 国产美女午夜福利| 日韩成人伦理影院| 最黄视频免费看| 国产高清有码在线观看视频| 中文字幕亚洲精品专区| 网址你懂的国产日韩在线| 欧美日韩在线观看h| 国产亚洲最大av| 国产精品国产三级国产专区5o| 成人美女网站在线观看视频| 国产成人精品久久久久久| 亚洲伊人久久精品综合| 能在线免费看毛片的网站| 久久久久久久国产电影| 亚洲经典国产精华液单| 一区二区av电影网| 高清欧美精品videossex| 久久精品国产a三级三级三级| 日韩国内少妇激情av| 男人舔奶头视频| 激情五月婷婷亚洲| 热re99久久精品国产66热6| 赤兔流量卡办理| 亚洲一区二区三区欧美精品| 啦啦啦在线观看免费高清www| 日本黄色片子视频| 久久久久久久久久成人| 亚洲成人中文字幕在线播放| 免费观看性生交大片5| 国产乱来视频区| 久久亚洲国产成人精品v| 这个男人来自地球电影免费观看 | 日日撸夜夜添| 在线 av 中文字幕| 中国美白少妇内射xxxbb| 91午夜精品亚洲一区二区三区| 高清av免费在线| 亚洲人与动物交配视频| 久久久欧美国产精品| av网站免费在线观看视频| 久久久国产一区二区| 热99国产精品久久久久久7| 国产 一区 欧美 日韩| 老司机影院毛片| 国产精品一及| 18禁在线无遮挡免费观看视频| 亚洲欧美中文字幕日韩二区| 国产淫语在线视频| 国产一区二区三区综合在线观看 | 又爽又黄a免费视频| 看十八女毛片水多多多| 十分钟在线观看高清视频www | 简卡轻食公司| 99国产精品免费福利视频| 国产黄频视频在线观看| 午夜免费鲁丝| 精品亚洲成国产av| 在线观看av片永久免费下载| 一级二级三级毛片免费看| 麻豆精品久久久久久蜜桃| kizo精华| 亚洲伊人久久精品综合| 亚洲国产精品成人久久小说| 免费看不卡的av| 国产午夜精品久久久久久一区二区三区| 观看美女的网站| 熟妇人妻不卡中文字幕| 天天躁日日操中文字幕| 五月天丁香电影| a级毛色黄片| 老师上课跳d突然被开到最大视频| 国产日韩欧美亚洲二区| 国产伦理片在线播放av一区| 亚洲国产高清在线一区二区三| 插逼视频在线观看| 亚洲熟女精品中文字幕| 国产女主播在线喷水免费视频网站| 亚洲精品乱码久久久久久按摩| 夫妻午夜视频| 亚洲图色成人| 成人毛片60女人毛片免费| 午夜激情久久久久久久| 亚洲人与动物交配视频| 伦精品一区二区三区| 国产精品无大码| 国产免费视频播放在线视频| 亚洲第一av免费看| av国产免费在线观看| 女人十人毛片免费观看3o分钟| 亚洲av不卡在线观看| 久久久久国产网址| 一本—道久久a久久精品蜜桃钙片| 国产精品嫩草影院av在线观看| 成人综合一区亚洲| 日本午夜av视频| 97热精品久久久久久| 国产 一区 欧美 日韩| 男女免费视频国产| 亚洲,一卡二卡三卡| 欧美高清性xxxxhd video| 欧美日韩综合久久久久久| av免费在线看不卡| 国产亚洲一区二区精品| 一个人看的www免费观看视频| 亚洲伊人久久精品综合| 亚洲人与动物交配视频| 欧美人与善性xxx| 国产精品秋霞免费鲁丝片| 欧美成人一区二区免费高清观看| 国产一区有黄有色的免费视频| 三级国产精品欧美在线观看| 偷拍熟女少妇极品色| 在线亚洲精品国产二区图片欧美 | 麻豆成人av视频| 少妇人妻 视频| 老司机影院成人| 熟女av电影| 国内揄拍国产精品人妻在线| 国产精品一区www在线观看| 小蜜桃在线观看免费完整版高清| 日韩中字成人| 水蜜桃什么品种好| 老司机影院毛片| 一级毛片电影观看| 一个人免费看片子| 婷婷色综合大香蕉| 高清欧美精品videossex| 人妻 亚洲 视频| av国产免费在线观看| 亚洲国产最新在线播放| 男人添女人高潮全过程视频| 久久国产乱子免费精品| 热99国产精品久久久久久7| 国产午夜精品一二区理论片| 国产精品无大码| 亚洲欧美清纯卡通| 不卡视频在线观看欧美| 亚洲av福利一区| 啦啦啦啦在线视频资源| 国产白丝娇喘喷水9色精品| av免费在线看不卡| 欧美 日韩 精品 国产| 大香蕉久久网| 五月玫瑰六月丁香| 蜜桃亚洲精品一区二区三区| 亚洲欧美一区二区三区黑人 | 性色av一级| 欧美最新免费一区二区三区| a级毛片免费高清观看在线播放| 久久久久性生活片| 插逼视频在线观看| 国产免费视频播放在线视频| 国产午夜精品一二区理论片| 草草在线视频免费看| 免费观看的影片在线观看| 国产在线男女| 日韩中文字幕视频在线看片 | 少妇丰满av| 在线 av 中文字幕| 欧美区成人在线视频| 麻豆国产97在线/欧美| 啦啦啦啦在线视频资源| 国产免费一级a男人的天堂| 中国国产av一级| 老女人水多毛片| 免费人妻精品一区二区三区视频| 亚洲va在线va天堂va国产| 99久久精品一区二区三区| 哪个播放器可以免费观看大片| 能在线免费看毛片的网站| 成人午夜精彩视频在线观看| 99久久精品热视频| 蜜桃亚洲精品一区二区三区| 午夜福利高清视频| 最后的刺客免费高清国语| 另类亚洲欧美激情| 国产精品国产三级国产av玫瑰| 一本一本综合久久| 人体艺术视频欧美日本| 久久99热这里只频精品6学生| av在线老鸭窝| 精品久久久久久电影网| 麻豆成人午夜福利视频| 国产精品一区二区在线观看99| 我的女老师完整版在线观看| 丰满少妇做爰视频| 18+在线观看网站| 精品人妻视频免费看| 狂野欧美激情性xxxx在线观看| 久久久久久久大尺度免费视频| 国产免费福利视频在线观看| 国产免费视频播放在线视频| 久久亚洲国产成人精品v| 精品一区二区免费观看| 国产精品一二三区在线看| 国产男女超爽视频在线观看| 亚洲av电影在线观看一区二区三区| 精品亚洲乱码少妇综合久久| 亚洲精品乱码久久久久久按摩| 国产免费视频播放在线视频| 人妻 亚洲 视频| 一级毛片 在线播放| 国产中年淑女户外野战色| 亚洲成色77777| 欧美性感艳星| 亚洲精华国产精华液的使用体验| 日韩三级伦理在线观看| 国产69精品久久久久777片| 99精国产麻豆久久婷婷| 成人18禁高潮啪啪吃奶动态图 | 亚洲综合精品二区| 在线观看一区二区三区激情| 婷婷色综合大香蕉| 成人二区视频| 国产极品天堂在线| 最近2019中文字幕mv第一页| 欧美日韩一区二区视频在线观看视频在线| 国产成人免费无遮挡视频| a级一级毛片免费在线观看| 少妇人妻 视频| 美女高潮的动态| 国产精品一区二区性色av| 高清不卡的av网站| 伦精品一区二区三区| 亚洲自偷自拍三级| av在线老鸭窝| 日韩大片免费观看网站| 一级av片app| 永久免费av网站大全| 视频中文字幕在线观看| 亚洲丝袜综合中文字幕| 日日撸夜夜添| 又爽又黄a免费视频| 中文欧美无线码| 精品人妻熟女av久视频| 国产有黄有色有爽视频| 欧美日韩视频高清一区二区三区二| 亚洲人成网站高清观看| 日韩伦理黄色片| 国产亚洲一区二区精品| 男女啪啪激烈高潮av片| 97热精品久久久久久| 久久av网站| 国国产精品蜜臀av免费| 国产色爽女视频免费观看| 一区在线观看完整版| 黄色视频在线播放观看不卡| 国产熟女欧美一区二区| 欧美成人a在线观看| 中国美白少妇内射xxxbb| 亚洲国产欧美在线一区| av在线app专区| 久久精品国产自在天天线| 午夜激情福利司机影院| 大话2 男鬼变身卡| 2021少妇久久久久久久久久久| 成人高潮视频无遮挡免费网站| 少妇的逼好多水| 又黄又爽又刺激的免费视频.| 3wmmmm亚洲av在线观看| 亚洲精品成人av观看孕妇| 欧美三级亚洲精品| 2021少妇久久久久久久久久久| 黄色一级大片看看| 91久久精品国产一区二区成人| 蜜桃在线观看..| 国产精品免费大片| 又黄又爽又刺激的免费视频.| 日韩伦理黄色片| 人妻系列 视频| 老司机影院毛片| 卡戴珊不雅视频在线播放| 中国美白少妇内射xxxbb| 久久人人爽人人爽人人片va| 中文在线观看免费www的网站| 深夜a级毛片| 国产亚洲一区二区精品| 婷婷色麻豆天堂久久| 一本一本综合久久| 交换朋友夫妻互换小说| 日韩亚洲欧美综合| 交换朋友夫妻互换小说| 在线 av 中文字幕| 久久久久久九九精品二区国产| videossex国产| www.av在线官网国产| 亚洲精品国产色婷婷电影| 又黄又爽又刺激的免费视频.| 亚洲美女视频黄频| 欧美成人午夜免费资源| 久久久久精品久久久久真实原创| 久热久热在线精品观看| 亚洲欧美日韩无卡精品| 韩国av在线不卡| 亚洲精品乱码久久久久久按摩| 久久久色成人| 欧美精品一区二区大全| 色婷婷久久久亚洲欧美| 亚洲欧美精品自产自拍| 99久久精品国产国产毛片| 大香蕉久久网| 王馨瑶露胸无遮挡在线观看| 亚洲经典国产精华液单| 午夜福利视频精品| 色网站视频免费| 一级毛片我不卡| 国产精品一区二区在线观看99| 最近中文字幕高清免费大全6| 日韩在线高清观看一区二区三区| 亚洲精品国产成人久久av| 男女无遮挡免费网站观看| 一区二区av电影网| 少妇 在线观看| 人体艺术视频欧美日本| 久久热精品热| 人体艺术视频欧美日本| 超碰av人人做人人爽久久| 熟妇人妻不卡中文字幕| 国产有黄有色有爽视频| 国产精品一区二区在线不卡| 一级爰片在线观看| 亚洲精品日韩av片在线观看| 高清欧美精品videossex| 欧美日本视频| 我的女老师完整版在线观看| a级毛色黄片| 日韩欧美 国产精品| 啦啦啦中文免费视频观看日本| 亚洲av中文字字幕乱码综合| 少妇被粗大猛烈的视频| 国产亚洲精品久久久com| 人人妻人人爽人人添夜夜欢视频 | 国产女主播在线喷水免费视频网站| 最近中文字幕高清免费大全6| 高清在线视频一区二区三区| 国产爱豆传媒在线观看| 天堂8中文在线网| 国产色爽女视频免费观看| 国产真实伦视频高清在线观看| 亚洲综合精品二区| 日韩,欧美,国产一区二区三区| 99热网站在线观看| 韩国av在线不卡| 亚洲欧美一区二区三区黑人 | 免费播放大片免费观看视频在线观看| 亚洲人与动物交配视频| 性高湖久久久久久久久免费观看| 亚洲自偷自拍三级| 欧美成人午夜免费资源| 国产乱人视频| 午夜福利影视在线免费观看| 91精品一卡2卡3卡4卡| 久久99热这里只有精品18| 亚洲人与动物交配视频| 性高湖久久久久久久久免费观看| 欧美少妇被猛烈插入视频| 精品人妻一区二区三区麻豆| 免费高清在线观看视频在线观看| 在线 av 中文字幕| 国产熟女欧美一区二区| 久久精品久久精品一区二区三区| 国产色婷婷99| 国产一区二区在线观看日韩| 在现免费观看毛片| 亚洲成色77777| 久久久久久久精品精品| 国产免费又黄又爽又色| 少妇被粗大猛烈的视频| 精品人妻熟女av久视频| 成人亚洲精品一区在线观看 | 精品一区二区三区视频在线| 伦理电影大哥的女人| 亚洲精品国产成人久久av| 新久久久久国产一级毛片| av在线观看视频网站免费| 日本一二三区视频观看| 色5月婷婷丁香| 亚洲欧洲日产国产| 黄色视频在线播放观看不卡| 三级国产精品欧美在线观看| 精品人妻熟女av久视频| 日产精品乱码卡一卡2卡三| a级毛色黄片| 国产一区二区在线观看日韩| 亚洲精品一区蜜桃| 亚洲av福利一区| 尤物成人国产欧美一区二区三区| 日本午夜av视频| 久久精品国产鲁丝片午夜精品| 色婷婷av一区二区三区视频| 精品亚洲成a人片在线观看 | 日韩欧美一区视频在线观看 | 97精品久久久久久久久久精品| 亚洲av国产av综合av卡| 亚洲人与动物交配视频| 亚洲真实伦在线观看| 国产中年淑女户外野战色| 在线观看免费日韩欧美大片 | 国产成人aa在线观看| 国产黄色免费在线视频| 男人狂女人下面高潮的视频| 久久久久精品久久久久真实原创| 极品少妇高潮喷水抽搐| 日韩三级伦理在线观看| av专区在线播放| 超碰av人人做人人爽久久| 亚洲欧美日韩东京热| 91精品伊人久久大香线蕉| 人体艺术视频欧美日本| 男人爽女人下面视频在线观看| 久久久久久九九精品二区国产| 少妇 在线观看| 3wmmmm亚洲av在线观看| av黄色大香蕉| av一本久久久久| 亚洲最大成人中文| 99久久精品国产国产毛片| 日韩欧美 国产精品| 午夜激情福利司机影院| 成人黄色视频免费在线看| 精品99又大又爽又粗少妇毛片| 日本vs欧美在线观看视频 | av网站免费在线观看视频| 亚洲精品成人av观看孕妇| 国产精品无大码| av在线app专区| 一级毛片电影观看| 三级经典国产精品| 国产 精品1| 欧美日韩视频精品一区| 国产乱人偷精品视频| 777米奇影视久久| 国产毛片在线视频| 亚洲国产最新在线播放| 男的添女的下面高潮视频| 国产精品国产三级国产专区5o| 精华霜和精华液先用哪个| 亚洲av在线观看美女高潮| 大码成人一级视频| 色5月婷婷丁香| 日韩欧美精品免费久久| 成人毛片60女人毛片免费| 韩国av在线不卡| 久久精品久久久久久噜噜老黄| 精品亚洲乱码少妇综合久久| 一级片'在线观看视频| 97超碰精品成人国产| 校园人妻丝袜中文字幕| 欧美日韩综合久久久久久| 国产淫片久久久久久久久| 蜜臀久久99精品久久宅男| 国产欧美日韩一区二区三区在线 | 99热国产这里只有精品6| 99久久人妻综合| 九色成人免费人妻av| 日韩在线高清观看一区二区三区| 免费观看无遮挡的男女| 国产熟女欧美一区二区| 国产成人aa在线观看| 少妇人妻一区二区三区视频| 欧美成人午夜免费资源| 大片电影免费在线观看免费| 国产伦在线观看视频一区| 美女福利国产在线 | 最近手机中文字幕大全| av在线蜜桃| 香蕉精品网在线| 各种免费的搞黄视频| 午夜视频国产福利| 天天躁日日操中文字幕| 亚洲精品aⅴ在线观看| 热re99久久精品国产66热6| 久久久成人免费电影| 久久婷婷青草| 91精品伊人久久大香线蕉| 三级国产精品欧美在线观看| 美女高潮的动态| 亚洲精品乱久久久久久| 久久亚洲国产成人精品v| 天天躁日日操中文字幕| 欧美精品一区二区大全| 久热久热在线精品观看| 一本色道久久久久久精品综合| 国产精品国产av在线观看| 日日摸夜夜添夜夜爱| 亚洲欧美精品自产自拍| 久久精品久久久久久久性| 少妇人妻 视频| 另类亚洲欧美激情| 一区二区三区乱码不卡18| 亚洲一区二区三区欧美精品| 午夜精品国产一区二区电影| 午夜激情久久久久久久| 18+在线观看网站| 一区二区三区乱码不卡18| 亚洲精品自拍成人| videos熟女内射| 欧美日韩视频高清一区二区三区二| 亚洲av二区三区四区| 人妻少妇偷人精品九色| 国产一区二区在线观看日韩| 成人综合一区亚洲| 少妇猛男粗大的猛烈进出视频| 亚洲av日韩在线播放| 男人狂女人下面高潮的视频| 各种免费的搞黄视频| 人妻一区二区av| 一本一本综合久久| 精华霜和精华液先用哪个| 精品亚洲成国产av| 嫩草影院新地址| 1000部很黄的大片| 国产深夜福利视频在线观看| 97在线视频观看| 夫妻性生交免费视频一级片| 最近的中文字幕免费完整| 日韩中字成人| 国产又色又爽无遮挡免| 好男人视频免费观看在线| 男女边摸边吃奶| 观看免费一级毛片| 超碰av人人做人人爽久久| 精品国产一区二区三区久久久樱花 | 国产69精品久久久久777片| 七月丁香在线播放| 伊人久久精品亚洲午夜| 亚洲av免费高清在线观看| 成人黄色视频免费在线看| 黄色欧美视频在线观看| 综合色丁香网| 天天躁夜夜躁狠狠久久av| 丝瓜视频免费看黄片| 精品一区在线观看国产| 成人亚洲精品一区在线观看 | 日本-黄色视频高清免费观看| 国产乱来视频区| 欧美精品国产亚洲| 波野结衣二区三区在线| 韩国av在线不卡| 中文精品一卡2卡3卡4更新| 欧美人与善性xxx| 国产精品99久久99久久久不卡 | 亚洲熟女精品中文字幕| 免费少妇av软件| 天天躁日日操中文字幕| 亚洲av国产av综合av卡| 精品亚洲成a人片在线观看 | 欧美区成人在线视频| 国产亚洲一区二区精品| 黑人高潮一二区| 亚洲经典国产精华液单| 中文乱码字字幕精品一区二区三区| 婷婷色综合大香蕉| 国产精品人妻久久久久久|