• <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 ?

    基于圖的人-物交互識(shí)別

    2021-02-04 14:16:10劉澤宇
    關(guān)鍵詞:特征方法模型

    吳 偉,劉澤宇

    中南大學(xué) 自動(dòng)化學(xué)院,長(zhǎng)沙410075

    目前,目標(biāo)檢測(cè)[1]、分割[2]以及動(dòng)作識(shí)別[3]等圖像視覺檢測(cè)與識(shí)別技術(shù)已經(jīng)取得了長(zhǎng)足的進(jìn)展。這些任務(wù)的發(fā)展為許多相關(guān)領(lǐng)域奠定了堅(jiān)實(shí)的基礎(chǔ),包括醫(yī)療、自助零售、安防等。然而,這些應(yīng)用的成功實(shí)現(xiàn)不僅需要實(shí)例級(jí)的檢測(cè)和識(shí)別,還需要對(duì)圖像內(nèi)容進(jìn)行有效的理解?,F(xiàn)有的圖像理解研究主要集中在視覺關(guān)系檢測(cè)[4]領(lǐng)域。人與物體交互作用(Human-Object Interactions,HOIs)的檢測(cè)與識(shí)別便是視覺關(guān)系檢測(cè)的一個(gè)重要分支。其目的是對(duì)給定一幅圖像,在檢測(cè)到一個(gè)人和一個(gè)物體的同時(shí),識(shí)別出二者之間的相互作用(interaction),可以定義為檢測(cè)圖像中人類、交互行為以及物體組成的三元組,形如[5-6]。對(duì)于HOIs檢測(cè)的方法可以分為兩類:基于傳統(tǒng)特征(SIFT、HOG[7]等)的聯(lián)合建模方法和基于深度學(xué)習(xí)的方法。

    早期對(duì)HOIs檢測(cè)與識(shí)別的研究多基于傳統(tǒng)圖像手工特征。受人類感知心理學(xué)研究的推動(dòng),Gupta等人[5]首先提出了一種貝葉斯方法,該方法整合了參與理解人與物體相互作用的各種感知任務(wù),可以同時(shí)對(duì)場(chǎng)景類型、場(chǎng)景對(duì)象、人類動(dòng)作和可操作對(duì)象的概率進(jìn)行估計(jì),在提高人-物體交互作用識(shí)別效果的同時(shí)也促進(jìn)了相關(guān)感知任務(wù)的性能。Yao等人[8]使用名為“grouplet”的全局圖像特征來識(shí)別HOIs,以捕獲HOIs的結(jié)構(gòu)化信息。通過應(yīng)用數(shù)據(jù)挖掘算法找尋出具有判別作用的grouplet 特征,并通過SVM 對(duì)其進(jìn)行識(shí)別。Desai 等人[9]提出了一種基于模擬人體和附近物體之間的上下文相互作用的識(shí)別方法。通過同時(shí)學(xué)習(xí)對(duì)象模板,基于姿勢(shì)的模板及其上下文關(guān)系,生成了一個(gè)簡(jiǎn)單而又準(zhǔn)確的HOIs 判別模型。由于上述方法需要對(duì)于訓(xùn)練圖像樣本進(jìn)行細(xì)粒度的標(biāo)注,工作量巨大。因此,Prest 等人[10]提出一個(gè)弱監(jiān)督學(xué)習(xí)方法,通過對(duì)圖像中人的檢測(cè)估計(jì)出人與物體空間關(guān)系的概率分布,大大縮小了交互對(duì)象的搜索范圍。受困于較小的數(shù)據(jù)集規(guī)模,以及手工構(gòu)建的低精度目標(biāo)檢測(cè)器,這些早期工作的識(shí)別效果非常有限。

    近年來,由于深度學(xué)習(xí)的成功和大規(guī)模HOIs 數(shù)據(jù)集的出現(xiàn),一些基于深度學(xué)習(xí)的HOIs 檢測(cè)與識(shí)別模型應(yīng)運(yùn)而生[6,11]。Chao等人[6]認(rèn)為人與物體的空間位置會(huì)對(duì)交互作用的識(shí)別提供線索。其使用卷積神經(jīng)網(wǎng)絡(luò)CNN 對(duì)由人與物體的邊框信息bounding boxes 組成的雙通道二值圖像進(jìn)行編碼,取得了不錯(cuò)的效果。受到Prest 等人工作的啟發(fā),Gkioxari 等人[12]基于人類的外觀特征使用混合密度網(wǎng)絡(luò)(Mixture Density Network)來預(yù)測(cè)潛在交互物體對(duì)象的空間位置分布。采用類似于Chao等人的多流網(wǎng)絡(luò)預(yù)測(cè)得分融合方式對(duì)HOI類別進(jìn)行打分。隨著注意力(Attention)機(jī)制在自然語言處理和計(jì)算機(jī)視覺領(lǐng)域的廣泛應(yīng)用,F(xiàn)ang等人[13]將注意機(jī)制引入HOIs 識(shí)別中,提出了一種新的成對(duì)身體注意模型(Pairwise Body-Part Attention),對(duì)與物體交互的身體部位給予更多的關(guān)注。Qi 等人[14]提出了一種完全不同的基于圖解析神經(jīng)網(wǎng)絡(luò)(GPNN)的端到端解析圖推理方法。圖像中的所有HOIs 都可以同時(shí)預(yù)測(cè),無需像以前的方法那樣成對(duì)預(yù)測(cè)。與Prest 等人的思路相似,為了解決樣本不均造成的長(zhǎng)尾(long tail)問題,Shen 等人[15]提出了一種弱監(jiān)督模型,將零樣本學(xué)習(xí)(zero-shot learning)擴(kuò)展到HOIs 識(shí)別中,實(shí)現(xiàn)對(duì)數(shù)據(jù)集中未出現(xiàn)過的HOIs類別的識(shí)別。

    本文提出了一種基于圖注意力網(wǎng)絡(luò)的HOIs識(shí)別方法。將輸入圖像以HOI 圖(graph)的形式進(jìn)行表示,圖的節(jié)點(diǎn)(nodes)表示圖像中的實(shí)例,圖的邊(edges)表示圖像中人類對(duì)象與物體對(duì)象的交互關(guān)系。圖的節(jié)點(diǎn)特征通過引入注意力機(jī)制的特征處理網(wǎng)絡(luò)(Feature Processing Network,F(xiàn)PNet)聯(lián)合Faster R-CNN[16]生成并嵌入。最后利用圖注意力網(wǎng)絡(luò)(GAT)對(duì)HOI 圖中所含的真實(shí)的人-物交互關(guān)系進(jìn)行推理。本文提出的方法框架如圖1所示。

    圖1 本文方法框架示意圖

    1 HOI圖的構(gòu)建與圖節(jié)點(diǎn)特征表示

    1.1 HOI圖的構(gòu)建

    當(dāng)前主流的方法通常采用獨(dú)立的人與物體對(duì)(human-object pairs)來檢測(cè)與識(shí)別圖像中的HOIs。然而,由于全局信息的缺乏,當(dāng)諸如遮擋等客觀因素存在時(shí),它們的性能常常受到干擾。為了解決這個(gè)問題,試圖找到一種能夠充分表達(dá)圖像中對(duì)象之間交互關(guān)系的數(shù)據(jù)結(jié)構(gòu)。在文獻(xiàn)[17]中,對(duì)于視覺問答(Visual Question Answer,VQA)任務(wù),提出了利用圖對(duì)圖像以及文本問題分別進(jìn)行描述的新思路,并通過實(shí)驗(yàn)證明了圖可以捕獲單詞之間以及圖像中對(duì)象之間的關(guān)系。文獻(xiàn)[18]利用時(shí)空?qǐng)D對(duì)視頻中的人與物體的交互關(guān)系進(jìn)行捕捉,借助循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)完成幀級(jí)的交互推理。在上述文獻(xiàn)的啟發(fā)下,本文最終采用了圖來對(duì)圖像中的對(duì)象之間的關(guān)系進(jìn)行描述。

    1.2 圖節(jié)點(diǎn)的特征表示

    在生成圖像的圖結(jié)構(gòu)表示后,還需要利用對(duì)圖中的每個(gè)節(jié)點(diǎn)嵌入一個(gè)特征向量。在本文中為了對(duì)每個(gè)節(jié)點(diǎn)構(gòu)造一個(gè)強(qiáng)有力的特征表示,采用了基于注意力機(jī)制的特征處理網(wǎng)絡(luò)FPNet(如圖3)對(duì)特征圖上的對(duì)象特征進(jìn)行了加工,將其與上下文(context)信息進(jìn)行融合,提高特征的表達(dá)能力。

    圖2 HOI圖構(gòu)建過程

    圖3 基于注意力機(jī)制的特征處理網(wǎng)絡(luò)

    在計(jì)算機(jī)視覺領(lǐng)域,上下文信息已被證實(shí)對(duì)于圖像理解、目標(biāo)檢測(cè)以及動(dòng)作識(shí)別等多個(gè)領(lǐng)域的發(fā)展有著非常明顯的促進(jìn)作用。因此本文在構(gòu)建節(jié)點(diǎn)特征時(shí)考慮將對(duì)象的上下文信息融入以提高其魯棒性。與直接將整個(gè)圖像區(qū)域作為對(duì)象的上下文不同,受到人類視覺系統(tǒng)注意力特性的啟發(fā),且應(yīng)該選擇性地獲取更有意義的上下文信息,盡可能地忽略一些無關(guān)信息。于是在本文FPNet網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)時(shí),以Hu等人[19]提出的輕量級(jí)注意力模塊SENet(如圖4)為基礎(chǔ),進(jìn)行了修改。SENet的設(shè)計(jì)思想是以輸入特征張量為條件,通過全局平均池化(Global Average Pooling,GAP)結(jié)合兩個(gè)全連接層(Fully Connected layer,F(xiàn)C)將其映射得到一組特定的通道注意力權(quán)重,將權(quán)重向量與輸入張量進(jìn)行通道乘法得到更有表達(dá)能力的特征。本文借鑒其設(shè)計(jì)思想,選擇以對(duì)象區(qū)域卷積特征為條件,通過與SENet計(jì)算注意力權(quán)重方法類似的結(jié)構(gòu)(如圖3 虛線框部分)計(jì)算得到特定的注意力權(quán)重,接著與經(jīng)過降維得到的特征圖進(jìn)行通道乘法得到以對(duì)象為條件的注意力特征圖,實(shí)現(xiàn)對(duì)對(duì)象所在上下文信息進(jìn)行有選擇地利用。

    圖4 注意力模塊SENet框圖

    對(duì)圖3 所示整個(gè)FPNet 的網(wǎng)絡(luò)結(jié)構(gòu)可進(jìn)行如下描述。輸入圖像在經(jīng)過Faster R-CNN后得到目標(biāo)對(duì)象的具體位置,接著在backbone 輸出的大小為H×W×512的特征圖上,提取對(duì)應(yīng)區(qū)域特征圖,通過感興趣區(qū)域池化(ROI pooling)操作得到大小為7×7×512 的特征圖。為了在不影響網(wǎng)絡(luò)性能的前提下減少參數(shù)量,降低訓(xùn)練過程中的內(nèi)存消耗,本文在此處采用與SENet 相同的GAP操作將該特征圖轉(zhuǎn)換為512維的特征向量。接著,通過兩個(gè)FC層配合得到一個(gè)128維的注意力權(quán)重向量,以此對(duì)原特征圖進(jìn)行通道加權(quán)(channel-wise attention)操作,這一過程可以有效地提取目標(biāo)對(duì)象的上下文信息。對(duì)得到的引入注意力的特征圖再次執(zhí)行GAP 操作,通過一個(gè)FC 層得到對(duì)象的上下文特征向量xcontext。最后,將目標(biāo)對(duì)象特征xinstance與其上下文的特征向量xcontext進(jìn)行拼接(concatenate),得到256 維的節(jié)點(diǎn)特征向量表示。

    2 基于圖注意力網(wǎng)絡(luò)的人-物交互識(shí)別

    圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network,GNN)的概念最早由Gori等人[20]提出,主要用于處理圖結(jié)構(gòu)數(shù)據(jù)。隨著越來越多的圖形結(jié)構(gòu)數(shù)據(jù)出現(xiàn)在社交網(wǎng)絡(luò)、三維網(wǎng)格、電信網(wǎng)絡(luò)等各個(gè)領(lǐng)域,應(yīng)用于這類不規(guī)則數(shù)據(jù)的GNN 變體層出不窮,在相應(yīng)的任務(wù)中表現(xiàn)出了優(yōu)異的性能。文獻(xiàn)[21]提出了一種多層圖卷積網(wǎng)絡(luò)(Graph Convolutional Network,GCN),將卷積思想引入到了GNN 中。然而,和大多數(shù)GNN 變體一樣,GCN 需要在卷積之前知道圖的結(jié)構(gòu)。這意味著它只能處理固定的圖結(jié)構(gòu)。在人-物交互識(shí)別中,不同訓(xùn)練樣本的圖結(jié)構(gòu)不同。因此需要固定圖結(jié)構(gòu)的網(wǎng)絡(luò)如GCN不適合本文的任務(wù)。Velickovic 等人[22]提出的圖注意力(GAT)網(wǎng)絡(luò)可以更好地解決上述問題,它放松了對(duì)圖結(jié)構(gòu)的要求,可以通過自注意機(jī)制從數(shù)據(jù)中完全學(xué)習(xí)或改進(jìn)。于是在本文中,采用GAT來挖掘圖中的人-物交互作用。

    2.1 圖注意力網(wǎng)絡(luò)

    圖注意力網(wǎng)絡(luò)作為圖神經(jīng)網(wǎng)絡(luò)的一個(gè)重要變體,其核心是將注意機(jī)制融入節(jié)點(diǎn)信息的傳播過程中。通過一種自注意力(self-attention)策略對(duì)每個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)施以不同的注意力權(quán)重來計(jì)算每個(gè)節(jié)點(diǎn)的隱藏狀態(tài)。圖注意力網(wǎng)絡(luò)基本構(gòu)成單元為圖注意層(GAT Layer),可以通過堆疊注意力層來搭建任意的圖注意力網(wǎng)絡(luò)。

    圖注意力層是圖注意力網(wǎng)絡(luò)的基石,其輸入是一組節(jié)點(diǎn)特征向量其中N表示節(jié)點(diǎn)的數(shù)量,F(xiàn)是節(jié)點(diǎn)特征的維數(shù)。輸出是一組的新的節(jié)點(diǎn)特征向量為節(jié)點(diǎn)特征的維數(shù)。的映射過程是整個(gè)圖注意力層的核心所在,其工作原理主要由注意力系數(shù)的計(jì)算以及節(jié)點(diǎn)信息的加權(quán)聚合兩部分構(gòu)成。

    (1)注意力系數(shù)的計(jì)算。首先,為了獲取更有力的特征表達(dá),需要對(duì)輸入的節(jié)點(diǎn)特征采取至少一次線性變換[22]。本文在此處參考文獻(xiàn)[22]采取一次線性變換,權(quán)重矩陣為接著對(duì)每個(gè)節(jié)點(diǎn)使用一個(gè)共享的注意力機(jī)制計(jì)算其對(duì)鄰居節(jié)點(diǎn)的注意力系數(shù)。a(·)采用的是一個(gè)權(quán)重向量為的單層前饋神經(jīng)網(wǎng)絡(luò),其以經(jīng)過線性變換的節(jié)點(diǎn)特征向量為輸入,輸出每個(gè)節(jié)點(diǎn)對(duì)其鄰居節(jié)點(diǎn)的初始注意力系數(shù)。并對(duì)其結(jié)果利用LeakyReLU 激活函數(shù)進(jìn)行了非線性化。具體公式如下:

    為了更好地觀察比較對(duì)鄰居節(jié)點(diǎn)的注意力,利用softmax函數(shù)對(duì)計(jì)算出的注意系數(shù)進(jìn)行標(biāo)準(zhǔn)化處理:

    其中,Ni是節(jié)點(diǎn)i的所有鄰居節(jié)點(diǎn)。

    (2)節(jié)點(diǎn)信息的加權(quán)聚合。在完成節(jié)點(diǎn)i對(duì)其鄰居節(jié)點(diǎn)Ni的注意力系數(shù)αij的計(jì)算后,對(duì)節(jié)點(diǎn)i的輸出特征可由參數(shù)W與注意力系數(shù)αij根據(jù)式(3)計(jì)算得到:

    其中,K表示head的個(gè)數(shù),即獨(dú)立的注意力機(jī)制的個(gè)數(shù);表示第k個(gè)注意力機(jī)制計(jì)算出來的相應(yīng)的注意力系數(shù);Wk表示第k個(gè)注意力機(jī)制中相應(yīng)的線性變換矩陣。

    2.2 基于圖注意力網(wǎng)絡(luò)的人-物交互識(shí)別

    當(dāng)前許多方法主要是對(duì)由目標(biāo)檢測(cè)器得到的所有對(duì)象按照<人,物體>這樣的二元組進(jìn)行組合后,再進(jìn)行交互作用的一一識(shí)別。這樣的做法引入了過多的人為因素,缺乏模型對(duì)<人,物體>匹配的推理能力。而本文以使模型自行推理出真實(shí)交互的人、物雙方并實(shí)現(xiàn)交互作用的識(shí)別為目的,采取以圖的形式對(duì)圖像中的所有對(duì)象進(jìn)行表示,并借助GAT 進(jìn)行圖中人與物體交互關(guān)系的推理。在2.1 節(jié)圖注意力網(wǎng)絡(luò)的介紹中可以發(fā)現(xiàn),GAT的輸出考慮了圖中不同節(jié)點(diǎn)的信息,通過加權(quán)聚合的形式得到表現(xiàn)力更強(qiáng)的節(jié)點(diǎn)特征表示。在本文中,節(jié)點(diǎn)特征來自于通過FPNet 得到的包含有對(duì)象的外觀與相應(yīng)上下文信息的特征向量,其本身已具有很強(qiáng)的表達(dá)能力,再經(jīng)過GAT后會(huì)得到魯棒性更強(qiáng)的特征表示,這對(duì)于最終的分類任務(wù)十分重要。除此而外,GAT的核心是引入了注意力機(jī)制,實(shí)現(xiàn)了圖中某一節(jié)點(diǎn)對(duì)其鄰居節(jié)點(diǎn)信息的選擇性利用。本文借助其這一特質(zhì),利用在模型輸出層得到的人類節(jié)點(diǎn)對(duì)其鄰居節(jié)點(diǎn)的注意力系數(shù)來自動(dòng)推理出交互的雙方。實(shí)驗(yàn)結(jié)果也證明了GAT具備挖掘人-物交互作用的能力。

    2.2.1 損失函數(shù)

    本文采用兩層GAT模型來對(duì)HOI圖中的人-物交互作用進(jìn)行識(shí)別。在最后的輸出層,利用sigmoid 函數(shù)對(duì)所有更新后節(jié)點(diǎn)特征進(jìn)行處理,得到n維概率向量,其中n是交互動(dòng)作類別的數(shù)量??紤]到一些節(jié)點(diǎn)可能同時(shí)有多個(gè)標(biāo)簽。例如發(fā)生如圖1中的情況,一個(gè)人同時(shí)與兩個(gè)物體都發(fā)生了真實(shí)的交互,則對(duì)應(yīng)人類的圖節(jié)點(diǎn)標(biāo)簽將同時(shí)被標(biāo)記為“carry”和“hold”,鑒于此,本文選擇了多標(biāo)簽軟間隔損失函數(shù),基本公式如下:

    其中,C表示交互動(dòng)作的類別數(shù),如HICO-DET 數(shù)據(jù)集中交互動(dòng)作的類別數(shù)為117。為損失函數(shù)的輸入向量的元素。為標(biāo)簽向量的元素。在損失函數(shù)的優(yōu)化上,本文選擇了Adam 算法[23]來最小化模型的損失函數(shù)。

    2.2.2 算法流程

    本文方法的識(shí)別流程可概述為:

    (1)輸入RGB圖像,通過2.1節(jié)進(jìn)行HOI圖的構(gòu)建。

    (2)利用FPNet對(duì)HOI圖進(jìn)行節(jié)點(diǎn)特征嵌入。

    (3)通過GAT 對(duì)HOI 圖上真實(shí)的人與物體的交互關(guān)系進(jìn)行推理。

    (4)通過GAT 輸出層得到節(jié)點(diǎn)分類結(jié)果標(biāo)(actionlabel),同時(shí)通過保留GAT 模型輸出層的高注意力系數(shù)(即公式(2)中的α)來確定發(fā)生交互動(dòng)作的雙方(human,object),即得到對(duì)應(yīng)的HOI 三元組。

    (5)最終的人-物交互得分是通過human 節(jié)點(diǎn)和交互object節(jié)點(diǎn)的動(dòng)作概率(action label probability)相乘得到。

    3 實(shí)驗(yàn)與結(jié)果

    3.1 實(shí)驗(yàn)數(shù)據(jù)集與評(píng)價(jià)指標(biāo)

    為了評(píng)估本文方法的有效性,本文在“Human and Common Object Interaction Detection”(HICO-DET)數(shù)據(jù)集[6]和“Verb in COCO”(V-COCO)數(shù)據(jù)集[11]上進(jìn)行了實(shí)驗(yàn)。

    3.1.1 實(shí)驗(yàn)數(shù)據(jù)集

    HICO-DET 數(shù)據(jù)集是用于HOI 研究的一個(gè)大型基準(zhǔn)數(shù)據(jù)集,它對(duì)圖像中每對(duì)發(fā)生交互的人、物體雙方的空間位置都進(jìn)行了詳細(xì)的標(biāo)注。HICO-DET 數(shù)據(jù)集中有47 776 幅圖像,標(biāo)注了600 種人-物交互類別(如“喂貓”“清洗小刀”),117個(gè)動(dòng)作類別(如“喂”“清洗”)和80個(gè)對(duì)象類別(如“貓”“小刀”)。共有151 276個(gè)實(shí)例注釋(annotation)。整個(gè)數(shù)據(jù)集中有38 118 幅圖像(80%)用于訓(xùn)練,9 558幅圖像(20%)用于測(cè)試。

    V-COCO數(shù)據(jù)集是微軟目標(biāo)檢測(cè)數(shù)據(jù)集MS COCO(Microsoft COCO:Common Objects in Context)的一個(gè)子集,共有10 346幅圖像,其中5 400幅圖像用于訓(xùn)練和驗(yàn)證,4 946 幅圖像用于測(cè)試。數(shù)據(jù)集共注釋了26 個(gè)常用的動(dòng)作類,以及人和交互對(duì)象的邊界框。在該數(shù)據(jù)集中,一個(gè)人不僅可以在同一個(gè)物體上執(zhí)行多個(gè)動(dòng)作(例如,邊滑雪邊握滑雪板),還可以在不同類型的物體上執(zhí)行相同的動(dòng)作。數(shù)據(jù)集示例如圖5所示。

    3.1.2 評(píng)價(jià)指標(biāo)

    本文針對(duì)人-物交互檢測(cè)問題采用了平均精度(mean Average Precision,mAP)作為衡量方法的標(biāo)準(zhǔn),并對(duì)判斷準(zhǔn)則進(jìn)行了適當(dāng)?shù)男薷?,以適應(yīng)本文的研究?jī)?nèi)容。在目標(biāo)檢測(cè)領(lǐng)域,如果算法預(yù)測(cè)的目標(biāo)邊框與真實(shí)邊框(ground truth)的重疊的交并比(Intersection over Union,IoU)大于0.5,就會(huì)被認(rèn)為是真陽性(True Positive,TP)。在具體實(shí)驗(yàn)中,本文對(duì)TP的判斷做了一定的修改,規(guī)定只有滿足以下三個(gè)條件,對(duì)于人-物交互的檢測(cè)才能被認(rèn)為是真陽性:(1)預(yù)測(cè)到人類邊框和其真實(shí)邊框(ground truth)之間的IoU大于或等于0.5;(2)預(yù)測(cè)到的物體邊框與真實(shí)的物體邊框之間的IoU 大于或等于0.5;(3)對(duì)人與交互物體之間交互動(dòng)作的預(yù)測(cè)與真實(shí)發(fā)生的交互動(dòng)作應(yīng)一致。在本文所使用的兩個(gè)數(shù)據(jù)集上對(duì)模型的性能評(píng)估均采用此評(píng)價(jià)標(biāo)準(zhǔn)。

    3.2 實(shí)驗(yàn)細(xì)節(jié)

    在本文的實(shí)驗(yàn)中,對(duì)于Faster R-CNN 的特征提取網(wǎng)絡(luò)采用牛津大學(xué)提出的VGG16[24]網(wǎng)絡(luò)。因?yàn)镸S COCO 與HICO-DET 和V-COCO 數(shù)據(jù)集具有相同的對(duì)象類別,為了簡(jiǎn)化整個(gè)模型的訓(xùn)練過程,縮短訓(xùn)練時(shí)間,直接使用了在MS COCO 數(shù)據(jù)集上訓(xùn)練好的模型。實(shí)驗(yàn)中根據(jù)特定任務(wù),本文對(duì)文獻(xiàn)[22]中提出的GAT模型進(jìn)行了調(diào)整。主要有兩處調(diào)整:(1)與文獻(xiàn)[22]中的模型設(shè)置不同,本文使用的隱藏層神經(jīng)元數(shù)量是1 024。在選用此參數(shù)前,分別將其設(shè)置為256、512 以及2 048進(jìn)行了測(cè)試,發(fā)現(xiàn)隨著數(shù)量的上升,雖然模型效果有一定的提升,但相應(yīng)的內(nèi)存占用巨大,訓(xùn)練十分緩慢。在確保一定的模型效果下,折中選擇了1 024,本文還在圖注意網(wǎng)絡(luò)層的線性變換運(yùn)算之后加入了批處理規(guī)范化(Batch Normalization,BN)層,在提高模型收斂速度的同時(shí)也降低了過擬合的風(fēng)險(xiǎn)。(2)由于本文的目標(biāo)是進(jìn)行人-物交互識(shí)別,在此過程中會(huì)出現(xiàn)一人同時(shí)與多個(gè)物體交互的情況,這時(shí)對(duì)交互動(dòng)作的識(shí)別就是一個(gè)多分類問題,對(duì)應(yīng)到本文的圖模型就是對(duì)圖節(jié)點(diǎn)進(jìn)行多標(biāo)簽分類,所以在圖注意力網(wǎng)絡(luò)輸出時(shí),用Sigmoid函數(shù)來代替原始的Softmax函數(shù)。并將原文獻(xiàn)的交叉熵?fù)p失函數(shù)改為了如式(5)的多標(biāo)簽軟間隔損失函數(shù)。

    整個(gè)實(shí)驗(yàn)使用PyTorch 框架實(shí)現(xiàn),并部署在一臺(tái)帶有Nvidia TITAN GPU 的機(jī)器上。設(shè)定的初始學(xué)習(xí)率為1E-3,每6 個(gè)階段學(xué)習(xí)率下降0.7,批處理大小batch size為10,整個(gè)訓(xùn)練過程持續(xù)30 h逐漸收斂。

    3.3 實(shí)驗(yàn)結(jié)果

    3.3.1 與其他方法的比較

    為了驗(yàn)證所提出的方法的有效性,本文與近年來在HICO-DET 和V-COCO 數(shù)據(jù)集上有較好效果的方法進(jìn)行了比較。對(duì)于HICO-DET 數(shù)據(jù)集,遵循文獻(xiàn)[6]的設(shè)置,將數(shù)據(jù)集劃分為三個(gè)子集:完整(Full)、稀有(Rare)和非稀有(Non-Rare)。Full 表示使用整個(gè)數(shù)據(jù)集樣本,Rare表示包含138類較少出現(xiàn)的人-物交互類別的集合,Non-Rare表示包含462類較常出現(xiàn)的人-物交互類別的集合。對(duì)于HICO-DET與V-COCO數(shù)據(jù)集,都以平均精度mAP為評(píng)價(jià)指標(biāo)。本文方法在兩個(gè)數(shù)據(jù)集的測(cè)試集上的結(jié)果分別呈現(xiàn)在表1與表2中,部分可視化結(jié)果如圖6。

    圖5 數(shù)據(jù)集樣本示例

    圖6 數(shù)據(jù)集測(cè)試樣本可視化結(jié)果示例

    表1 與其他方法在HICO-DET數(shù)據(jù)集上的平均精度均值mAP比較 %

    表2 與其他方法在V-COCO數(shù)據(jù)集上的平均精度均值mAP比較%

    表1 與表2 的結(jié)果表明,本文方法利用圖結(jié)構(gòu)對(duì)圖像中對(duì)象進(jìn)行表示,在捕捉到人與物體之間關(guān)系的同時(shí)也能很好地利用圖像上下文信息,相對(duì)其他單一地使用對(duì)象外觀信息性能更好。除此而外,本文還對(duì)主要算法在數(shù)據(jù)集上的平均測(cè)試時(shí)間進(jìn)行了比較,如表3。從表3可以看出本文基于圖的方法的平均測(cè)試時(shí)間較低,主要是其他方法采用成對(duì)的人-物組合去預(yù)測(cè),當(dāng)圖像中人、物體數(shù)量較多時(shí),推理時(shí)間會(huì)劇增,且這些方法采用的網(wǎng)絡(luò)較深,參數(shù)量很大,計(jì)算耗時(shí)。

    表3 主要方法的計(jì)算復(fù)雜度

    3.3.2 模型相關(guān)因素考察

    為了進(jìn)一步探究本文方法的有效性,通過實(shí)驗(yàn)對(duì)整個(gè)模型的重要影響因素進(jìn)行了分析。主要考慮四個(gè)方面:(1)本文提出的利用HOI 圖代替全連接圖的觀點(diǎn)的必要性;(2)本文提出的FPNet 中注意力機(jī)制的必要性;(3)FPNet 的必要性;(4)GAT 層數(shù)對(duì)模型性能的影響。實(shí)驗(yàn)結(jié)果如表4,表中“W/o FPNet”表示去除FPNet網(wǎng)絡(luò)后的模型,“W/o Attention”表示模型中FPNet不引入注意力機(jī)制,“FC Graph”表示采用全連接圖的模型,“Single layer”表示使用單層注意力網(wǎng)絡(luò)的模型,“Three layer”表示使用三層注意力網(wǎng)絡(luò)的模型。所用評(píng)價(jià)指標(biāo)同上。

    表4 模塊有效性測(cè)試%

    從表4 中可看出,(1)使用全連接圖的模型總體性能由于受到過多無關(guān)信息的干擾,性能反而較原模型有所下降。(2)未在FPNet 中引入注意力的模型由于其節(jié)點(diǎn)特征構(gòu)造過程中直接將對(duì)象外觀及背景的特征直接通過拼接,缺少對(duì)重點(diǎn)信息的提取,引入了噪聲,導(dǎo)致節(jié)點(diǎn)特征的魯棒性不好。(3)去除了FPNet 模塊,將對(duì)象ROI pooling 后的特征調(diào)整到256 維后直接送入圖注意力網(wǎng)絡(luò)中。相比于完整模型其性能有了明顯的下降,由此可以看出特征處理網(wǎng)絡(luò)提供的上下文信息對(duì)模型的性能提升有很大的促進(jìn)作用,能夠幫本文的模型提取到更為健壯的特征表示。(4)除此以外還探索了圖注意力層(GAT Layer)對(duì)整個(gè)框架性能的影響。從實(shí)驗(yàn)結(jié)果可以看出,無論層數(shù)是低于兩層還是高于兩層,模型的性能都產(chǎn)生了不同幅度的下降。

    4 結(jié)語

    本文針對(duì)靜態(tài)圖像中人與物體的交互識(shí)別問題,提出了一種具有雙重注意力的檢測(cè)與識(shí)別框架,利用圖結(jié)構(gòu)對(duì)圖像中潛在的HOIs 進(jìn)行建模,并通過引入注意力機(jī)制的FPNet 將圖像上下文信息融入到圖節(jié)點(diǎn)的特征表示中去,最后聯(lián)合GAT 對(duì)真實(shí)的HOIs 加以推斷。為了驗(yàn)證該方法的性能,本文在HICO-DET與V-COCO數(shù)據(jù)集上與其他方法進(jìn)行了實(shí)驗(yàn)比較,結(jié)果證明了該方法的有效性。在下一步工作中,會(huì)嘗試將知識(shí)圖譜與本文方法進(jìn)行結(jié)合,改進(jìn)模型效果。

    猜你喜歡
    特征方法模型
    一半模型
    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(jì)的漸近分布
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    可能是方法不對(duì)
    3D打印中的模型分割與打包
    用對(duì)方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    人人妻人人添人人爽欧美一区卜| 麻豆乱淫一区二区| 精品99又大又爽又粗少妇毛片| 一区二区日韩欧美中文字幕 | 一级片'在线观看视频| 啦啦啦视频在线资源免费观看| 三级国产精品片| 成年女人在线观看亚洲视频| 男女下面插进去视频免费观看 | 日韩精品免费视频一区二区三区 | 日日爽夜夜爽网站| 女人被躁到高潮嗷嗷叫费观| 久久鲁丝午夜福利片| 久久99精品国语久久久| 亚洲情色 制服丝袜| 久久精品夜色国产| 日韩在线高清观看一区二区三区| 1024视频免费在线观看| av一本久久久久| 亚洲精品日本国产第一区| av在线app专区| av有码第一页| 亚洲av男天堂| 亚洲欧美清纯卡通| 久久精品国产鲁丝片午夜精品| 伦精品一区二区三区| 欧美精品人与动牲交sv欧美| 日韩三级伦理在线观看| 中文字幕av电影在线播放| 99热这里只有是精品在线观看| 成人午夜精彩视频在线观看| 日产精品乱码卡一卡2卡三| √禁漫天堂资源中文www| 老司机亚洲免费影院| 又黄又爽又刺激的免费视频.| 波野结衣二区三区在线| 成人国产av品久久久| 免费在线观看完整版高清| 热99久久久久精品小说推荐| 日本91视频免费播放| 国产午夜精品一二区理论片| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 亚洲精品国产av蜜桃| 国产一区有黄有色的免费视频| 午夜免费男女啪啪视频观看| 久久精品人人爽人人爽视色| 交换朋友夫妻互换小说| 一区在线观看完整版| av又黄又爽大尺度在线免费看| 黄片播放在线免费| 午夜老司机福利剧场| 秋霞在线观看毛片| 熟女av电影| 最新的欧美精品一区二区| 欧美另类一区| 婷婷色av中文字幕| 国产白丝娇喘喷水9色精品| 婷婷色综合大香蕉| 精品久久久精品久久久| 秋霞伦理黄片| 母亲3免费完整高清在线观看 | 欧美性感艳星| 在线亚洲精品国产二区图片欧美| 老司机影院毛片| 精品一区二区三区四区五区乱码 | 国产免费视频播放在线视频| 91午夜精品亚洲一区二区三区| 亚洲美女黄色视频免费看| 国产福利在线免费观看视频| 亚洲国产精品一区二区三区在线| 亚洲精品aⅴ在线观看| 欧美bdsm另类| 成人漫画全彩无遮挡| 日本猛色少妇xxxxx猛交久久| 久久青草综合色| 国产黄色视频一区二区在线观看| av不卡在线播放| 99九九在线精品视频| 纯流量卡能插随身wifi吗| 国产淫语在线视频| 日本欧美视频一区| kizo精华| 国产av精品麻豆| 如日韩欧美国产精品一区二区三区| 国产精品欧美亚洲77777| 中文字幕最新亚洲高清| 大香蕉97超碰在线| 久久精品国产鲁丝片午夜精品| 18禁国产床啪视频网站| 美女脱内裤让男人舔精品视频| 国产极品天堂在线| 亚洲成国产人片在线观看| 男女边吃奶边做爰视频| 看免费av毛片| 亚洲美女搞黄在线观看| 国产福利在线免费观看视频| 亚洲精品国产色婷婷电影| 国产日韩欧美视频二区| 国产欧美亚洲国产| 亚洲精品色激情综合| videossex国产| 婷婷色av中文字幕| 精品亚洲成a人片在线观看| 人妻 亚洲 视频| 99国产精品免费福利视频| 看免费成人av毛片| 亚洲一码二码三码区别大吗| 日韩中字成人| 国产亚洲欧美精品永久| 高清不卡的av网站| 亚洲欧美日韩另类电影网站| 欧美成人午夜免费资源| 最黄视频免费看| 亚洲av电影在线观看一区二区三区| 亚洲精品国产av成人精品| 亚洲精品成人av观看孕妇| 两个人免费观看高清视频| 国产女主播在线喷水免费视频网站| 男的添女的下面高潮视频| 少妇被粗大猛烈的视频| 日韩av免费高清视频| 亚洲婷婷狠狠爱综合网| 国产精品久久久久久久久免| 欧美激情 高清一区二区三区| 亚洲国产日韩一区二区| 欧美xxⅹ黑人| 欧美人与性动交α欧美精品济南到 | 日韩制服骚丝袜av| 亚洲美女视频黄频| 日韩制服骚丝袜av| 久久ye,这里只有精品| 亚洲精品国产av成人精品| 欧美成人精品欧美一级黄| 一区二区日韩欧美中文字幕 | 亚洲伊人久久精品综合| 久久久久久久精品精品| 国产成人aa在线观看| 亚洲精品一区蜜桃| 国产探花极品一区二区| 男女啪啪激烈高潮av片| 自拍欧美九色日韩亚洲蝌蚪91| 嫩草影院入口| 欧美 日韩 精品 国产| 看十八女毛片水多多多| 日韩av免费高清视频| 建设人人有责人人尽责人人享有的| 亚洲精品美女久久久久99蜜臀 | 亚洲丝袜综合中文字幕| 久久精品国产自在天天线| 午夜91福利影院| 亚洲三级黄色毛片| 国产欧美日韩综合在线一区二区| 老司机影院成人| 国产不卡av网站在线观看| 观看av在线不卡| 亚洲综合精品二区| a级片在线免费高清观看视频| 久久精品国产自在天天线| 最近手机中文字幕大全| 日本黄色日本黄色录像| av免费在线看不卡| 免费看av在线观看网站| 香蕉丝袜av| 夫妻午夜视频| 自线自在国产av| 成年美女黄网站色视频大全免费| 精品一区在线观看国产| 精品人妻一区二区三区麻豆| 黄片无遮挡物在线观看| 亚洲精品日本国产第一区| 国产伦理片在线播放av一区| 日本色播在线视频| 亚洲国产色片| 亚洲经典国产精华液单| 中文字幕最新亚洲高清| 黑人巨大精品欧美一区二区蜜桃 | 热re99久久精品国产66热6| 色94色欧美一区二区| 少妇的逼好多水| 美女视频免费永久观看网站| 男女下面插进去视频免费观看 | 国产精品久久久久久久电影| 精品第一国产精品| 亚洲欧美色中文字幕在线| 一区二区三区精品91| 制服人妻中文乱码| 黑人猛操日本美女一级片| 中文天堂在线官网| 国产精品国产av在线观看| 国产成人一区二区在线| 大话2 男鬼变身卡| 亚洲美女黄色视频免费看| 啦啦啦在线观看免费高清www| 久久午夜福利片| 亚洲国产成人一精品久久久| 亚洲中文av在线| 91aial.com中文字幕在线观看| 男女高潮啪啪啪动态图| 女性被躁到高潮视频| 国产乱人偷精品视频| 天天操日日干夜夜撸| 色哟哟·www| 黄色视频在线播放观看不卡| 亚洲丝袜综合中文字幕| 制服诱惑二区| 91精品国产国语对白视频| 晚上一个人看的免费电影| 18+在线观看网站| 亚洲激情五月婷婷啪啪| www.熟女人妻精品国产 | 精品人妻在线不人妻| 欧美亚洲 丝袜 人妻 在线| 搡老乐熟女国产| 国产欧美日韩一区二区三区在线| 国产成人精品在线电影| 一本—道久久a久久精品蜜桃钙片| 夜夜骑夜夜射夜夜干| 日韩欧美一区视频在线观看| 超色免费av| 国产精品一区二区在线不卡| 亚洲av综合色区一区| 捣出白浆h1v1| 91aial.com中文字幕在线观看| 久久人人爽av亚洲精品天堂| 男人爽女人下面视频在线观看| 亚洲国产毛片av蜜桃av| 男女免费视频国产| 午夜激情久久久久久久| 亚洲人与动物交配视频| 国产色婷婷99| 午夜日本视频在线| 午夜免费鲁丝| 精品亚洲乱码少妇综合久久| 纵有疾风起免费观看全集完整版| 一级毛片电影观看| 国产精品久久久久久精品古装| 国产欧美亚洲国产| 亚洲欧美成人综合另类久久久| videossex国产| 精品人妻在线不人妻| 免费观看a级毛片全部| xxxhd国产人妻xxx| 国产日韩欧美亚洲二区| 永久网站在线| 搡老乐熟女国产| 高清毛片免费看| 免费观看av网站的网址| 99热网站在线观看| 免费大片18禁| 水蜜桃什么品种好| 国产欧美日韩一区二区三区在线| 老司机影院毛片| 精品国产一区二区久久| 亚洲高清免费不卡视频| 亚洲精品成人av观看孕妇| 午夜福利,免费看| 亚洲精品日韩在线中文字幕| 精品一区在线观看国产| 99热全是精品| 男人添女人高潮全过程视频| 欧美精品一区二区大全| 国产视频首页在线观看| 在线免费观看不下载黄p国产| 精品一区二区三卡| 中文字幕人妻丝袜制服| 最新中文字幕久久久久| 国产1区2区3区精品| 久久av网站| 男女下面插进去视频免费观看 | 黄网站色视频无遮挡免费观看| av视频免费观看在线观看| 尾随美女入室| 美女主播在线视频| 校园人妻丝袜中文字幕| 高清毛片免费看| 日本-黄色视频高清免费观看| 一本—道久久a久久精品蜜桃钙片| 欧美人与性动交α欧美软件 | 亚洲欧美成人综合另类久久久| 日日摸夜夜添夜夜爱| 久久久久国产精品人妻一区二区| 少妇精品久久久久久久| 精品国产一区二区三区久久久樱花| 日日撸夜夜添| 成人无遮挡网站| av线在线观看网站| 亚洲成av片中文字幕在线观看 | 五月开心婷婷网| 日韩制服骚丝袜av| 久久精品国产综合久久久 | av免费在线看不卡| 在现免费观看毛片| 精品人妻在线不人妻| 国产精品秋霞免费鲁丝片| 韩国高清视频一区二区三区| 国产福利在线免费观看视频| 一区二区三区乱码不卡18| 国产探花极品一区二区| 制服人妻中文乱码| 少妇的逼水好多| 七月丁香在线播放| 日韩制服丝袜自拍偷拍| 久久精品国产自在天天线| 久久人人爽人人片av| 免费女性裸体啪啪无遮挡网站| 啦啦啦中文免费视频观看日本| 秋霞伦理黄片| 夫妻午夜视频| 夜夜爽夜夜爽视频| 最近最新中文字幕免费大全7| 丝袜在线中文字幕| 国产一区二区三区av在线| 亚洲欧美一区二区三区国产| 欧美精品人与动牲交sv欧美| 免费日韩欧美在线观看| 日本-黄色视频高清免费观看| 午夜福利视频精品| 亚洲成色77777| 国产成人av激情在线播放| 久热这里只有精品99| 日韩三级伦理在线观看| 国产色爽女视频免费观看| 人人妻人人澡人人看| 99热这里只有是精品在线观看| 视频区图区小说| 人妻少妇偷人精品九色| 欧美精品一区二区大全| 一本大道久久a久久精品| 久久久久久久久久人人人人人人| 99久久综合免费| 热99久久久久精品小说推荐| www.熟女人妻精品国产 | 中国国产av一级| 精品视频人人做人人爽| 男女边吃奶边做爰视频| 日本欧美视频一区| xxx大片免费视频| 乱码一卡2卡4卡精品| 久久99精品国语久久久| 欧美丝袜亚洲另类| 国产精品无大码| 国产老妇伦熟女老妇高清| 午夜福利在线观看免费完整高清在| 91精品伊人久久大香线蕉| 欧美人与善性xxx| 黑人欧美特级aaaaaa片| 国产伦理片在线播放av一区| 黑人欧美特级aaaaaa片| 捣出白浆h1v1| 免费大片18禁| 欧美日本中文国产一区发布| av在线播放精品| 不卡视频在线观看欧美| 视频中文字幕在线观看| 99国产精品免费福利视频| 国产日韩一区二区三区精品不卡| 97超碰精品成人国产| 黑人猛操日本美女一级片| 男女无遮挡免费网站观看| av又黄又爽大尺度在线免费看| 国产亚洲精品第一综合不卡 | 日韩欧美一区视频在线观看| 欧美国产精品一级二级三级| 欧美老熟妇乱子伦牲交| 中国三级夫妇交换| 亚洲精品中文字幕在线视频| 永久网站在线| 久久ye,这里只有精品| 国产乱人偷精品视频| 纵有疾风起免费观看全集完整版| 亚洲欧洲精品一区二区精品久久久 | 五月天丁香电影| 久久精品人人爽人人爽视色| 大码成人一级视频| 中文字幕制服av| 一级,二级,三级黄色视频| 精品卡一卡二卡四卡免费| 亚洲,欧美精品.| 日日撸夜夜添| 久久久久久久大尺度免费视频| 男女免费视频国产| 一二三四中文在线观看免费高清| 夜夜爽夜夜爽视频| 国产极品粉嫩免费观看在线| 9191精品国产免费久久| 日韩视频在线欧美| 人人妻人人澡人人看| 侵犯人妻中文字幕一二三四区| 国产白丝娇喘喷水9色精品| 一级毛片电影观看| 男女午夜视频在线观看 | 日韩一区二区三区影片| 国产有黄有色有爽视频| 亚洲国产精品一区三区| 91成人精品电影| 一区在线观看完整版| 人妻少妇偷人精品九色| 久久久国产精品麻豆| 国产片内射在线| 女的被弄到高潮叫床怎么办| 在线天堂最新版资源| 亚洲情色 制服丝袜| 成人午夜精彩视频在线观看| 精品国产一区二区久久| 国产精品国产三级国产专区5o| 国产高清不卡午夜福利| 丰满迷人的少妇在线观看| 国产爽快片一区二区三区| 中文天堂在线官网| 热re99久久国产66热| 国产亚洲精品第一综合不卡 | 最近的中文字幕免费完整| 成人免费观看视频高清| 大码成人一级视频| 免费看av在线观看网站| 永久网站在线| 黄色毛片三级朝国网站| 丝瓜视频免费看黄片| 22中文网久久字幕| 亚洲 欧美一区二区三区| 一个人免费看片子| 一区二区三区精品91| 在线 av 中文字幕| 日韩熟女老妇一区二区性免费视频| 大码成人一级视频| 亚洲精品中文字幕在线视频| 国产精品.久久久| 日韩中文字幕视频在线看片| 51国产日韩欧美| 狠狠婷婷综合久久久久久88av| 一级片'在线观看视频| 人妻系列 视频| 色网站视频免费| 高清av免费在线| 亚洲国产欧美日韩在线播放| 九九在线视频观看精品| 又粗又硬又长又爽又黄的视频| 亚洲av综合色区一区| 色网站视频免费| 黄片播放在线免费| 巨乳人妻的诱惑在线观看| 欧美日韩精品成人综合77777| 老司机影院成人| 亚洲人成77777在线视频| 久久影院123| 日本欧美视频一区| 国产极品粉嫩免费观看在线| 美女主播在线视频| 午夜91福利影院| 午夜免费男女啪啪视频观看| 极品人妻少妇av视频| 国产成人aa在线观看| 国产熟女欧美一区二区| 国产精品三级大全| 一个人免费看片子| 久久精品久久久久久噜噜老黄| 美女视频免费永久观看网站| 女人精品久久久久毛片| 赤兔流量卡办理| 最近中文字幕高清免费大全6| 成人亚洲精品一区在线观看| 成年人午夜在线观看视频| 精品人妻偷拍中文字幕| 日韩一区二区三区影片| 99热国产这里只有精品6| 日本91视频免费播放| 自拍欧美九色日韩亚洲蝌蚪91| 午夜免费观看性视频| 9色porny在线观看| 色网站视频免费| 2021少妇久久久久久久久久久| 精品人妻偷拍中文字幕| 亚洲国产成人一精品久久久| 久久久久久伊人网av| 久久狼人影院| 亚洲精品久久午夜乱码| 熟女电影av网| 国产 精品1| 中文欧美无线码| kizo精华| 91精品国产国语对白视频| 欧美日韩一区二区视频在线观看视频在线| 久久久久精品性色| 男人操女人黄网站| 亚洲国产欧美日韩在线播放| 久久这里只有精品19| 久久国产精品男人的天堂亚洲 | 成人午夜精彩视频在线观看| 观看美女的网站| 熟女电影av网| 国产精品一区www在线观看| 午夜日本视频在线| 亚洲成人一二三区av| 国产一区二区在线观看日韩| 在线观看人妻少妇| 伦理电影免费视频| www.av在线官网国产| 国产免费一区二区三区四区乱码| 中文天堂在线官网| 在线亚洲精品国产二区图片欧美| 色吧在线观看| 蜜桃在线观看..| 久久国产亚洲av麻豆专区| 在线天堂最新版资源| 国产片特级美女逼逼视频| 久久99蜜桃精品久久| av线在线观看网站| 又粗又硬又长又爽又黄的视频| 欧美+日韩+精品| 咕卡用的链子| a级毛片在线看网站| 香蕉精品网在线| 五月玫瑰六月丁香| 高清视频免费观看一区二区| 中文字幕精品免费在线观看视频 | 亚洲精品国产av蜜桃| 成人国语在线视频| 欧美激情 高清一区二区三区| 精品卡一卡二卡四卡免费| 国产成人精品无人区| 国产亚洲一区二区精品| 成人国语在线视频| 午夜免费男女啪啪视频观看| 美女福利国产在线| 男女啪啪激烈高潮av片| 欧美 日韩 精品 国产| 亚洲精品色激情综合| 欧美激情国产日韩精品一区| 午夜老司机福利剧场| 亚洲精品视频女| 老熟女久久久| 久久久国产一区二区| 捣出白浆h1v1| 曰老女人黄片| 亚洲天堂av无毛| 老女人水多毛片| 黄片播放在线免费| 人体艺术视频欧美日本| 欧美成人午夜精品| 日本vs欧美在线观看视频| 午夜福利乱码中文字幕| 国产精品久久久久久av不卡| 成人毛片a级毛片在线播放| 成人二区视频| 国产国拍精品亚洲av在线观看| 亚洲国产精品999| 久久午夜福利片| 国产极品天堂在线| 乱人伦中国视频| 精品一区在线观看国产| 人体艺术视频欧美日本| 亚洲欧美日韩另类电影网站| 七月丁香在线播放| 国产伦理片在线播放av一区| 一本久久精品| 两性夫妻黄色片 | 亚洲熟女精品中文字幕| 天天影视国产精品| 免费观看无遮挡的男女| 成人毛片60女人毛片免费| 欧美成人精品欧美一级黄| 国产欧美另类精品又又久久亚洲欧美| 欧美人与善性xxx| 女性被躁到高潮视频| 两性夫妻黄色片 | 精品一区二区三区四区五区乱码 | av免费在线看不卡| 97超碰精品成人国产| 最近手机中文字幕大全| 久久99精品国语久久久| 亚洲精品一区蜜桃| 久久人人爽av亚洲精品天堂| 插逼视频在线观看| 妹子高潮喷水视频| 国产男女内射视频| 日韩,欧美,国产一区二区三区| 国产精品久久久久久精品电影小说| av免费观看日本| 亚洲欧美色中文字幕在线| 高清不卡的av网站| 久久久亚洲精品成人影院| 久久人人97超碰香蕉20202| 久久ye,这里只有精品| 亚洲性久久影院| 久久99热这里只频精品6学生| 咕卡用的链子| 亚洲精品美女久久av网站| 欧美日韩视频高清一区二区三区二| 久久av网站| 看免费av毛片| 99精国产麻豆久久婷婷| 日本欧美国产在线视频| 日本与韩国留学比较| 国产欧美日韩一区二区三区在线| av片东京热男人的天堂| 国产淫语在线视频| 久久午夜综合久久蜜桃| 日韩,欧美,国产一区二区三区| 春色校园在线视频观看| 寂寞人妻少妇视频99o| 日本欧美国产在线视频| 国产女主播在线喷水免费视频网站| 国产精品国产三级国产专区5o| 亚洲欧洲国产日韩| 成年动漫av网址| 啦啦啦在线观看免费高清www| 久久久欧美国产精品| 看免费av毛片| 99精国产麻豆久久婷婷| 亚洲欧美中文字幕日韩二区| 制服诱惑二区| 久久精品国产a三级三级三级| 色吧在线观看| 国产成人午夜福利电影在线观看| 国产av国产精品国产|