• <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 ?

    改進(jìn)RetinaNet的偽裝人員檢測(cè)方法研究

    2021-03-09 16:41:32鄧小桐曹鐵勇鄭云飛
    關(guān)鍵詞:注意力卷積預(yù)測(cè)

    鄧小桐,曹鐵勇,方 正,鄭云飛,2

    1.陸軍工程大學(xué) 指揮控制工程學(xué)院,南京210000

    2.中國(guó)人民解放軍炮兵防空兵學(xué)院南京校區(qū),南京210000

    迷彩偽裝是軍事裝備、工事、作戰(zhàn)人員常用的隱藏手段,其通過(guò)迷彩紋理[1]降低目標(biāo)與背景的區(qū)分度,破壞目標(biāo)輪廓信息,以達(dá)到欺騙敵方軍事偵察手段的目的。

    迷彩目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)中的難點(diǎn)問(wèn)題,目前成熟的研究較少。傳統(tǒng)的檢測(cè)方法主要將迷彩偽裝看成特殊的紋理結(jié)構(gòu),設(shè)計(jì)特定的算法提取迷彩紋理,從而檢測(cè)目標(biāo)。Tankus等人[2]對(duì)旋轉(zhuǎn)多個(gè)角度得到的凸算子響應(yīng)進(jìn)行融合,以獲得迷彩目標(biāo)檢測(cè)結(jié)果。武國(guó)晶等人[3]提出利用目標(biāo)具有的三維凸面的灰度差異來(lái)檢測(cè)目標(biāo)。Bhajantri等人[4]提出用強(qiáng)化的紋理分析方法檢測(cè)迷彩目標(biāo)。Sengottuvelan等人[5]利用圖位置關(guān)系和特征構(gòu)建圖像塊的樹(shù)狀圖,聚類后選擇最大的圖像塊作為包含迷彩目標(biāo)的區(qū)域。以上的傳統(tǒng)方法只利用了圖像的淺層特征信息,檢測(cè)效果不太理想。

    近年來(lái)的研究成果大多將該問(wèn)題視做基于深度學(xué)習(xí)的迷彩目標(biāo)分割任務(wù)?;诖?,文獻(xiàn)[6]構(gòu)建了密集反卷積網(wǎng)絡(luò)提取目標(biāo)的語(yǔ)義信息,與傳統(tǒng)的方法相比檢測(cè)效果得到了較大的提升;文獻(xiàn)[7]構(gòu)建了基于強(qiáng)語(yǔ)義膨脹網(wǎng)絡(luò)的卷積神經(jīng)檢測(cè)架構(gòu),利用網(wǎng)絡(luò)深層輸出的特征圖強(qiáng)化淺層特征圖的語(yǔ)義信息,相比文獻(xiàn)[6]的檢測(cè)效果有進(jìn)一步提升。但許多實(shí)際應(yīng)用只需要得到迷彩目標(biāo)的區(qū)域級(jí)定位,因此本文將迷彩目標(biāo)檢測(cè)問(wèn)題看做一類較特殊的基于矩形框的目標(biāo)檢測(cè)問(wèn)題來(lái)進(jìn)行研究。

    根據(jù)預(yù)測(cè)流程,可將目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法分為兩大類:一類是以Faster R-CNN[8]為代表的基于候選區(qū)域的目標(biāo)檢測(cè)算法,如SPP-Net[9]、Fast R-CNN[10]等。這類算法首先通過(guò)區(qū)域建議算法生成可能包含目標(biāo)的候選區(qū)域,然后通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)候選區(qū)域進(jìn)行分類和位置回歸得到最終的檢測(cè)框。另一類是以YOLOv3[11]為代表的基于回歸的目標(biāo)檢測(cè)算法,如SSD[12]、RetinaNet[13]等。這類算法基于回歸直接從圖片中回歸出窗口的類別和位置偏移量,得到目標(biāo)的檢測(cè)框。

    本文以回歸模型RetinaNet為基礎(chǔ),針對(duì)迷彩目標(biāo)檢測(cè)特點(diǎn),對(duì)原模型特征提取網(wǎng)絡(luò)和后處理方式進(jìn)行了改進(jìn),構(gòu)建了一種基于回歸的迷彩偽裝人員檢測(cè)算法。其中在骨干網(wǎng)絡(luò)Resnet50[14]的各個(gè)殘差塊之間嵌入視覺(jué)注意力機(jī)制模塊,在通道和空間兩個(gè)維度對(duì)特征進(jìn)行加權(quán);在篩選候選目標(biāo)框時(shí),用定位的置信分?jǐn)?shù)作為非極大值抑制算法[15](Non-Maximum Suppression,NMS)中的排序標(biāo)準(zhǔn),有效提高了算法取舍預(yù)測(cè)框的準(zhǔn)確度。本文的工作是基于文獻(xiàn)[7]中的迷彩偽裝人員數(shù)據(jù)集進(jìn)行的。為了增加數(shù)據(jù)和迷彩圖案樣式的多樣性,還對(duì)其進(jìn)行了擴(kuò)展。

    1 迷彩偽裝人員數(shù)據(jù)集擴(kuò)展

    本文沿用了文獻(xiàn)[7]中用到的數(shù)據(jù)集,以完全包括目標(biāo)且最小化背景區(qū)域?yàn)槟繕?biāo),對(duì)原數(shù)據(jù)集中的分割標(biāo)注結(jié)果用最小外接矩形框進(jìn)行了重新標(biāo)注,即根據(jù)圖片中目標(biāo)上下左右的坐標(biāo)最值,將目標(biāo)范圍連接成平行于圖片邊緣的矩形框,以用于本文的研究。

    原數(shù)據(jù)集中一共包含26種迷彩樣式的2 600張圖片。本文通過(guò)新搜集到的迷彩測(cè)試視頻,新增加7種迷彩樣式,共計(jì)33種迷彩樣式(https://github.com/Dttong/camouflage-dataset),如表1所示。每種迷彩對(duì)應(yīng)視頻截取100張,共計(jì)700張圖像。在截取圖像時(shí),為最大可能地反應(yīng)真實(shí)需求,遵循了如下規(guī)則:

    表1 迷彩樣式名稱

    (1)選取的圖像包含大、中、小的各種尺度目標(biāo);

    (2)圖像目標(biāo)包含站立、臥倒、跪下、背身、側(cè)身、正面等多種姿態(tài);

    (3)圖像背景包括不同氣候、不同地理環(huán)境、不同光照、以及遮擋情況等。

    最終,本文將數(shù)據(jù)集擴(kuò)展到3 300張圖像,每張圖像大小為500×282,對(duì)圖像進(jìn)行矩形框標(biāo)注。部分?jǐn)U充的圖像及標(biāo)注結(jié)果如圖1所示,標(biāo)注圖中用黃色框標(biāo)注目標(biāo),下方是對(duì)應(yīng)迷彩名稱。

    圖1 數(shù)據(jù)集標(biāo)注示例

    2 基于RetinaNet架構(gòu)的檢測(cè)模型

    迷彩偽裝是通過(guò)各種迷彩圖案掩護(hù)目標(biāo),以降低其顯著性的一種手段。經(jīng)過(guò)迷彩偽裝的目標(biāo)大都與背景對(duì)比度低、遮擋情況嚴(yán)重并且輪廓特征被破壞,因此檢測(cè)難度遠(yuǎn)大于常規(guī)目標(biāo)。

    基于迷彩的以上特性,本文在設(shè)計(jì)模型時(shí)關(guān)注如何有效提取圖片中的迷彩特征。本文將注意力機(jī)制引入RetinaNet模型,把通道注意力和空間注意力串聯(lián)嵌入特征提取網(wǎng)絡(luò)Resnet50(https://github.com/Dttong/camouflagedataset)的每?jī)蓚€(gè)殘差塊之間,模仿人類視覺(jué)注意力轉(zhuǎn)移機(jī)制,以期更好地抑制背景區(qū)域,提升模型對(duì)偽裝目標(biāo)的特征表示能力;模型通過(guò)特征金字塔網(wǎng)絡(luò)[16]中的上采樣和按元素相加操作將圖像深層語(yǔ)義信息融合到各特征層中,得到具有各種尺度的特征集合,最后,使用全卷積神經(jīng)網(wǎng)絡(luò)[17]并行分類和位置回歸,實(shí)現(xiàn)對(duì)目標(biāo)的預(yù)測(cè)。此外,模型還通過(guò)Focalloss損失函數(shù)來(lái)解決訓(xùn)練中正負(fù)樣本失衡的問(wèn)題。本文網(wǎng)絡(luò)結(jié)構(gòu)和主要網(wǎng)絡(luò)參數(shù)如圖2所示。

    2.1 注意力機(jī)制

    即使經(jīng)過(guò)偽裝,人眼仍能發(fā)現(xiàn)大部分迷彩偽裝目標(biāo),而注意力機(jī)制可以模仿人類觀察事物的注意力轉(zhuǎn)移過(guò)程,有重點(diǎn)地關(guān)注特定區(qū)域。同時(shí),大量論文[18-22]證明了在網(wǎng)絡(luò)結(jié)構(gòu)中引入注意力機(jī)制可以提升網(wǎng)絡(luò)模型的特征表達(dá)能力。因此,本文將CBAM(Convolutional Block Attention Module)[23]模塊嵌入殘差網(wǎng)絡(luò)的每個(gè)殘差塊結(jié)構(gòu)之間(如圖2所示),以此將注意機(jī)制引入網(wǎng)絡(luò)的通道和空間兩個(gè)維度,模仿人類視覺(jué),提高對(duì)迷彩偽裝目標(biāo)的特征表達(dá)能力。CBAM模塊與殘差結(jié)構(gòu)的具體嵌入關(guān)系如圖3所示。

    圖2 模型結(jié)構(gòu)圖

    圖3 CBAM結(jié)構(gòu)圖

    2.1.1 通道注意力模塊

    對(duì)輸入特征圖在空間維度上進(jìn)行壓縮,分別使用平均池化和最大池化兩種運(yùn)算,最終得到兩個(gè)一維矢量;再經(jīng)由多層感知機(jī)運(yùn)算后按像素點(diǎn)相加得到輸出Mc;最后與輸入特征圖進(jìn)行像素級(jí)的點(diǎn)乘得到F′,作為其后空間注意力模塊的輸入。

    通道注意力模塊能夠反映輸入特征圖中響應(yīng)最大、反饋?zhàn)顝?qiáng)的部分,突出該特征圖中可能存在目標(biāo)的區(qū)域。

    2.1.2 空間注意力模塊

    空間注意力模塊以通道模塊最后輸出F′作為輸入,同樣使用平均池化和最大池化,在通道維度壓縮特征圖,各生成一張二維的特征圖。然后按照通道維度將兩張?zhí)卣鲌D拼接,經(jīng)卷積操作輸出通道數(shù)為1的特征圖Ms,再通過(guò)卷積運(yùn)算使Ms與輸入有相同空間分辨率。最后同樣與輸入F′進(jìn)行像素級(jí)點(diǎn)乘,得到輸出F″。

    空間注意力模塊對(duì)通道進(jìn)行壓縮,可以反映特征圖上響應(yīng)較高的像素點(diǎn)集合,引導(dǎo)神經(jīng)網(wǎng)絡(luò)更有針對(duì)性地提取特征。

    圖4 用熱力圖展示了通道注意力和空間注意力模塊在網(wǎng)絡(luò)c2層提取的特征圖,熱力圖中顏色越紅表明該區(qū)域?qū)︻A(yù)測(cè)結(jié)果的貢獻(xiàn)越大。圖中(b)、(c)、(d)分別是c2層最后一個(gè)殘差塊中通道注意力和空間注意力模塊處理前后的特征圖,對(duì)應(yīng)于圖3中的F、F′和F″;(e)是c2層的最終特征圖??梢钥闯?,(c)突出了右側(cè)區(qū)域,即反映了(b)中響應(yīng)最強(qiáng)即最深色的部分,同時(shí)抑制了響應(yīng)較弱即較淺的區(qū)域,一定程度上強(qiáng)調(diào)了可能存在目標(biāo)的區(qū)域;而(d)強(qiáng)調(diào)了(b)中所有響應(yīng)較大的像素點(diǎn),即特征圖中偏紅色的區(qū)域,反映了相應(yīng)較高的像素點(diǎn)集合。

    圖4 注意力機(jī)制

    2.2 特征金字塔和定位、分類子網(wǎng)

    特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,F(xiàn)PN)是對(duì)卷積神經(jīng)網(wǎng)絡(luò)特征提取的一種增強(qiáng),它使得高層的語(yǔ)義特征與底層細(xì)節(jié)特征在各種尺度的目標(biāo)上相結(jié)合,本質(zhì)上是對(duì)卷積神經(jīng)網(wǎng)絡(luò)特征表達(dá)能力的增強(qiáng),能更有效運(yùn)用在后續(xù)檢測(cè)以及分割任務(wù)上。

    圖5 為模型利用特征金字塔網(wǎng)絡(luò)的特征熱力圖對(duì)比,以c3和p3為例,經(jīng)融合了語(yǔ)義信息后的p3,對(duì)圖片的特征表達(dá)更為準(zhǔn)確。

    圖5 特征層融合對(duì)比

    本文使用兩個(gè)全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Network,F(xiàn)CN)來(lái)預(yù)測(cè)目標(biāo)類別和位置信息。FCN網(wǎng)絡(luò)由卷積層構(gòu)成,不含全連接層,在預(yù)測(cè)時(shí)利用上采樣和反卷積將卷積運(yùn)算得到的特征圖放大到輸入圖大小,實(shí)現(xiàn)對(duì)原圖的逐像素分類預(yù)測(cè),比傳統(tǒng)方法的全圖預(yù)測(cè)更高效;同時(shí),網(wǎng)絡(luò)不限制輸入圖像的尺寸大小,因此可以將特征金字塔網(wǎng)絡(luò)輸出的不同尺度特征圖作為輸入來(lái)進(jìn)行預(yù)測(cè)。由于本文是檢測(cè)任務(wù),不需要對(duì)目標(biāo)進(jìn)行像素級(jí)分割,因此沒(méi)有采用上采樣和反卷積操作,而是利用FCN網(wǎng)絡(luò)不限制輸入尺度的特性直接將所有尺度特征集輸入預(yù)測(cè)目標(biāo)的位置坐標(biāo)和類別。

    2.3 Focal loss

    目標(biāo)檢測(cè)模型普遍存在正負(fù)樣本比例失衡的問(wèn)題,導(dǎo)致在計(jì)算訓(xùn)練損失時(shí),負(fù)樣本所占比例過(guò)大,大量負(fù)樣本的小損失相加,主導(dǎo)了損失函數(shù)的走向,而正樣本提供的關(guān)鍵信息無(wú)法發(fā)揮正常作用。

    Focal loss是一種改進(jìn)的交叉熵?fù)p失,通過(guò)在原有的損失函數(shù)上乘上一個(gè)因子,削弱容易檢測(cè)的目標(biāo)對(duì)訓(xùn)練模型的貢獻(xiàn),從而解決上述類別不平衡的問(wèn)題。

    則典型的交叉熵?fù)p失函數(shù)如式(2)所示:

    Focal loss提出,在典型交叉熵?fù)p失上乘上一個(gè)調(diào)節(jié)因子,其公式如式(3)所示:其中參數(shù)α能夠讓損失函數(shù)對(duì)不同類別更加平衡。實(shí)驗(yàn)證明,較容易檢測(cè)的目標(biāo)對(duì)整體的損失貢獻(xiàn)較小,而不易區(qū)分的樣本對(duì)損失貢獻(xiàn)相對(duì)較大,這樣的損失函數(shù)會(huì)引導(dǎo)模型努力去辨別不易區(qū)分的目標(biāo),從而有效提升網(wǎng)絡(luò)的整體檢測(cè)精度。

    2.4 預(yù)測(cè)框過(guò)濾算法

    在標(biāo)準(zhǔn)RetinaNet的NMS算法中,通過(guò)分類置信度過(guò)濾初始預(yù)測(cè)框得到可信的候選目標(biāo)位置。但在偽裝條件下,目標(biāo)大都隱藏在環(huán)境中,與樹(shù)木、草叢等相互遮擋,輪廓信息被破壞,且與背景的對(duì)比度極低,分類置信度整體上誤差較大,難以以此抑制誤差大的矩形框。

    為解決分類置信度在偽裝條件下誤差大,對(duì)預(yù)測(cè)矩形框抑制效果較差的問(wèn)題,本文在處理矩形框時(shí)引入定位置信信息交并比(Intersection-over-Union,IOU)[24],代替分類置信度對(duì)矩形框進(jìn)行排序并過(guò)濾,抑制交并比達(dá)到閾值、相似度高的框,并比較兩者置信分?jǐn)?shù),將更高的分?jǐn)?shù)更新給定位置信度最高的框,循環(huán)直到處理完所有的矩形框,具體排序過(guò)濾過(guò)程如算法1所示。最終,具有最高定位置信度的框同時(shí)也有了最高的分類置信度。通過(guò)這種方式,降低目標(biāo)與背景對(duì)比度低對(duì)訓(xùn)練造成的負(fù)面影響,得到更準(zhǔn)確的預(yù)測(cè)。

    算法1使用定位置信度來(lái)排序所有預(yù)測(cè)框,并使用規(guī)則更新其分類置信得分。

    輸出:D,包含分類置信得分的預(yù)測(cè)框集合。

    3 實(shí)驗(yàn)及結(jié)果

    實(shí)驗(yàn)時(shí),按照5∶2∶3的比例,將偽裝人員數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,類別包括人和背景兩類。模型基于pytorch架構(gòu),在128 GB內(nèi)存,12 GB顯存NVIDIA GeForce GTXTitan X GPU的工作站上進(jìn)行訓(xùn)練。本文將模型與目標(biāo)檢測(cè)8個(gè)經(jīng)典模型進(jìn)行了對(duì)比。并且設(shè)計(jì)了模塊實(shí)驗(yàn),驗(yàn)證IOU-Guided NMS和注意力機(jī)制的有效性。

    3.1 模型評(píng)價(jià)指標(biāo)

    本文使用平均精度均值(mean Average Precision,mAP)作為模型的綜合性能評(píng)價(jià)指標(biāo),反映了模型中各個(gè)類別檢測(cè)精度的平均情況。其計(jì)算公式如式(4)所示:

    其中Q是數(shù)據(jù)集中包含的類別數(shù),AP是指某一類的平均精度,由精度p和召回率r共同決定,其計(jì)算如公式(5)所示:

    其中:

    即給定11個(gè)召回率值r,找出大于r的所有r?中,對(duì)應(yīng)的最大精度值p,然后計(jì)算這些p值的平均值,即為AP。

    目標(biāo)檢測(cè)的預(yù)測(cè)結(jié)果分為四種情況,如表2所示。其中誤檢率是指誤檢樣本數(shù)量FP在所有負(fù)樣本數(shù)量FP+TN中所占的比率;漏檢率是指漏檢樣本數(shù)量FN在所有正樣本FN+TP中所占的比率,兩者計(jì)算公式分別為式(7)和式(8),其中count(?)是計(jì)數(shù)函數(shù)。通常在目標(biāo)檢測(cè)中,會(huì)根據(jù)任務(wù)需求來(lái)平衡誤檢率和漏檢率。

    表2 預(yù)測(cè)情況分類說(shuō)明

    此外,為了評(píng)價(jià)模型的目標(biāo)定位準(zhǔn)確性,引用IOU指標(biāo),如公式(9)所示,其中Boxp和Boxt分別表示最終預(yù)測(cè)框和真值框,area(?)表示區(qū)域面積函數(shù)。若IOU值越大,則說(shuō)明預(yù)測(cè)框與真值框重合度越高,定位更準(zhǔn)確。

    3.2 各種檢測(cè)模型對(duì)比

    實(shí)驗(yàn)對(duì)比了8種經(jīng)典的深度目標(biāo)檢測(cè)算法在迷彩偽裝人員數(shù)據(jù)集上的檢測(cè)效果,包括M2Det[25]、SSD、Yolov3等表現(xiàn)較好的基于回歸的模型和R-FCN[26]、Cascade R-CNN[27]、Faster R-CNN等基于候選區(qū)域的檢測(cè)模型。

    由實(shí)驗(yàn)結(jié)果圖6、表3可看出,用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法檢測(cè)偽裝人員是可行的,其中Ours指本文模型。本文使用對(duì)偽裝人員的檢測(cè)效果介于模型RefineDet[28]和M2Det之間的RetinaNet作為基礎(chǔ)架構(gòu),改進(jìn)后的模型效果比RefineDet提高9.3個(gè)百分點(diǎn),比M2Det提高了4.6個(gè)百分點(diǎn)。這表明本文提出的改進(jìn)能有效提升深度學(xué)習(xí)目標(biāo)檢測(cè)模型對(duì)偽裝人員的檢測(cè)性能。

    圖6 不同模型mAP曲線

    表3 不同模型結(jié)果對(duì)比

    圖7 展示了本文模型與基礎(chǔ)模型RetinaNet的檢測(cè)結(jié)果對(duì)比。其中的綠色框表示真值框,紅色框是預(yù)測(cè)框,左上角黃色部分是預(yù)測(cè)類別及類別置信分?jǐn)?shù)??梢钥闯?,在圖7(a)、(c)、(e)中,本文模型對(duì)目標(biāo)的預(yù)測(cè)更準(zhǔn)確,與真值框更接近。表4更加直觀地說(shuō)明了本文模型在目標(biāo)定位上的優(yōu)越性。

    圖7 檢測(cè)示例對(duì)比

    表4 IOU值對(duì)比

    圖7 (b)和(d)展示出了模型能夠解決基礎(chǔ)RetinaNet因?yàn)槟繕?biāo)與背景對(duì)比度低而產(chǎn)生的誤檢或漏檢問(wèn)題。據(jù)統(tǒng)計(jì),模型的漏檢率相較于15%下降到10%,而誤檢率從13%上升到17%。這表明了針對(duì)迷彩偽裝人員通常小而隱蔽的特點(diǎn),本文模型能夠有效提升對(duì)目標(biāo)的發(fā)現(xiàn)率和定位準(zhǔn)確度。

    圖8 列出了不同模型的檢測(cè)結(jié)果對(duì)比,左上角黃色部分是預(yù)測(cè)框中距真值框最近的框的預(yù)測(cè)類別和置信得分。5組圖片與圖7中示例圖片相同,第五張圖的目標(biāo)較大,各種模型均能成功檢測(cè),但本文模型在定位準(zhǔn)確度上效果更好,與真值框最為接近;其余圖片中目標(biāo)尺度較小,且與背景對(duì)比度較低,是常見(jiàn)的偽裝人員圖片類型,大部分模型如SSD、R-FCN等對(duì)此檢測(cè)效果不佳,而本文模型在檢測(cè)精度和定位準(zhǔn)確度上較其他方法均有較大優(yōu)勢(shì)。

    3.3 算法改進(jìn)模塊的效能對(duì)比

    為了驗(yàn)證注意力機(jī)制和預(yù)測(cè)框過(guò)濾算法的有效性,本文設(shè)計(jì)了4個(gè)對(duì)比實(shí)驗(yàn),其結(jié)果如表5所示,常規(guī)NMS即傳統(tǒng)的以分類置信度作為排序依據(jù)的算法。從表5可以看出,單獨(dú)使用IOU-Guided NMS函數(shù)和注意力機(jī)制,檢測(cè)平均精度分別提升了8.2個(gè)百分點(diǎn)和1.1個(gè)百分點(diǎn)。

    圖8 不同模型檢測(cè)結(jié)果圖對(duì)比

    表5 模塊驗(yàn)證精度對(duì)比

    如圖9所示,c2~c5是Resnet50的不同尺度特征層,圖片包含綠林地場(chǎng)景下的較小目標(biāo),該圖片目標(biāo)與背景區(qū)分度很小。在加入注意力機(jī)制CBAM后的熱力圖中,目標(biāo)區(qū)域更加聚焦,顏色更深,即響應(yīng)更大,這表明了更強(qiáng)的特征表示,由此能夠證明注意力模塊對(duì)迷彩偽裝目標(biāo)特征的高效提取確實(shí)有效。

    圖9 熱力圖對(duì)比

    此外,根據(jù)熱力值聚焦的區(qū)域,可看出在特征提取時(shí),目標(biāo)的身體結(jié)構(gòu)特征更突出。在較淺層時(shí),提取的細(xì)節(jié)特征主要是身體部位,隨著特征逐步融合,軀干特征更加明顯。

    圖10 模塊驗(yàn)證mAP曲線

    圖10 是4個(gè)對(duì)比實(shí)驗(yàn)的檢測(cè)mAP曲線,觀察可知,嵌入注意力機(jī)制后,網(wǎng)絡(luò)訓(xùn)練速度更快,大約2 000次迭代后模型精度開(kāi)始趨于飽和,損失下降逐漸收斂,而基礎(chǔ)模型大約在5 000次左右趨于收斂。這表明注意力機(jī)制雖然對(duì)檢測(cè)精度的幅度增長(zhǎng)貢獻(xiàn)較小,但其可以有效加快模型的訓(xùn)練進(jìn)程,這是因?yàn)樽⒁饬C(jī)制可以很快聚焦圖像目標(biāo),減少訓(xùn)練過(guò)程。

    觀察增加NMS算法的mAP曲線,可看出更新NMS算法在精度值上有大幅提升,這也是本文模型檢測(cè)精度提升的主要因素。此外,更新的NMS算法還能加快模型收斂,這是因?yàn)镮OU-Guided NMS注重位置的準(zhǔn)確性,在回歸階段加快了迭代進(jìn)程。

    觀察圖中紅色曲線,可以發(fā)現(xiàn)在IOU-Guided NMS算法后疊加使用注意力機(jī)制,模型精度增加了0.5個(gè)百分點(diǎn),但模型的收斂速度下降到與基礎(chǔ)RetinaNet相似,在以后的工作中將對(duì)注意力模塊結(jié)構(gòu)進(jìn)行優(yōu)化,進(jìn)一步提升模型訓(xùn)練效率。

    3.4 模型訓(xùn)練參數(shù)

    圖11 比較了本文模型與基礎(chǔ)模型的訓(xùn)練損失曲線。訓(xùn)練時(shí)兩個(gè)模型使用相同的參數(shù),其中輸入圖像大小調(diào)整為300×300,最大迭代次數(shù)為10 000,批處理大小為8,學(xué)習(xí)率為0.000 5,IOU閾值為0.5,F(xiàn)ocal loss中α值為0.25。如圖11所示,本文模型比基礎(chǔ)模型RetinaNet有更好的收斂性。

    圖11 Loss曲線對(duì)比

    4 結(jié)束語(yǔ)

    本文研究了基于矩形框的迷彩偽裝目標(biāo)檢測(cè)問(wèn)題,在RetinaNet檢測(cè)框架基礎(chǔ)上,將注意力機(jī)制嵌入基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)并設(shè)計(jì)了基于定位置信信息的檢測(cè)框過(guò)濾算法。與經(jīng)典目標(biāo)檢測(cè)模型的對(duì)比實(shí)驗(yàn)驗(yàn)證了本文構(gòu)建模型的有效性,改進(jìn)模塊實(shí)驗(yàn)說(shuō)明了注意力模塊的嵌入與過(guò)濾算法的改進(jìn)在基礎(chǔ)模型上明顯提升了性能和收斂性。在后續(xù)的研究,將進(jìn)一步優(yōu)化模型結(jié)構(gòu)并進(jìn)行輕量化改造,重點(diǎn)提升模型的運(yùn)行速度。

    猜你喜歡
    注意力卷積預(yù)測(cè)
    無(wú)可預(yù)測(cè)
    黃河之聲(2022年10期)2022-09-27 13:59:46
    選修2-2期中考試預(yù)測(cè)卷(A卷)
    選修2-2期中考試預(yù)測(cè)卷(B卷)
    讓注意力“飛”回來(lái)
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    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
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    不必預(yù)測(cè)未來(lái),只需把握現(xiàn)在
    A Beautiful Way Of Looking At Things
    一a级毛片在线观看| 成年女人看的毛片在线观看| 日本五十路高清| 色视频www国产| 日本 欧美在线| 两性午夜刺激爽爽歪歪视频在线观看| 国产av在哪里看| 日韩精品中文字幕看吧| 婷婷丁香在线五月| 丝袜美腿在线中文| 19禁男女啪啪无遮挡网站| 午夜福利18| 女同久久另类99精品国产91| 在线国产一区二区在线| 九色国产91popny在线| 精华霜和精华液先用哪个| 中文字幕精品亚洲无线码一区| 成年女人看的毛片在线观看| 熟女人妻精品中文字幕| 国产三级在线视频| 校园春色视频在线观看| 免费大片18禁| 黄色成人免费大全| 久久久久久大精品| 国产视频一区二区在线看| 欧美成人免费av一区二区三区| 日本 欧美在线| 久久久成人免费电影| av黄色大香蕉| 成人午夜高清在线视频| 日本 av在线| 国内少妇人妻偷人精品xxx网站| 国语自产精品视频在线第100页| 亚洲国产日韩欧美精品在线观看 | 欧美中文综合在线视频| 俄罗斯特黄特色一大片| 免费在线观看影片大全网站| 一级毛片高清免费大全| 久久人妻av系列| www国产在线视频色| 欧美日韩一级在线毛片| 天天躁日日操中文字幕| 搡老妇女老女人老熟妇| 免费看美女性在线毛片视频| 亚洲精品国产精品久久久不卡| 欧美黄色片欧美黄色片| 国产免费av片在线观看野外av| 婷婷精品国产亚洲av在线| 亚洲中文字幕日韩| 一级毛片高清免费大全| 女警被强在线播放| 久久久久久久久大av| 免费看光身美女| 国产 一区 欧美 日韩| 午夜福利在线观看吧| 精华霜和精华液先用哪个| 免费在线观看影片大全网站| 欧美乱码精品一区二区三区| 两个人看的免费小视频| 人妻久久中文字幕网| 国产亚洲欧美98| 99热6这里只有精品| 亚洲五月婷婷丁香| 免费观看的影片在线观看| 搡女人真爽免费视频火全软件 | 精品午夜福利视频在线观看一区| 日韩人妻高清精品专区| 桃色一区二区三区在线观看| 美女大奶头视频| 人妻久久中文字幕网| 少妇丰满av| 色尼玛亚洲综合影院| 亚洲av美国av| 亚洲av中文字字幕乱码综合| 成人特级av手机在线观看| 国产精品99久久久久久久久| 久久久久国内视频| 在线观看一区二区三区| 欧美区成人在线视频| 小蜜桃在线观看免费完整版高清| 最新在线观看一区二区三区| 亚洲精品影视一区二区三区av| 亚洲av日韩精品久久久久久密| 国产成年人精品一区二区| 婷婷六月久久综合丁香| 啦啦啦免费观看视频1| 欧美又色又爽又黄视频| 国产伦精品一区二区三区四那| 一本久久中文字幕| 国产一区二区亚洲精品在线观看| 亚洲美女黄片视频| 久久精品人妻少妇| 女同久久另类99精品国产91| 国产探花极品一区二区| 国产探花在线观看一区二区| 成人一区二区视频在线观看| 精品一区二区三区av网在线观看| 国产精品一区二区免费欧美| av黄色大香蕉| av黄色大香蕉| 蜜桃久久精品国产亚洲av| 国产高清有码在线观看视频| 亚洲国产欧洲综合997久久,| 日本成人三级电影网站| 一个人观看的视频www高清免费观看| 欧美又色又爽又黄视频| 少妇高潮的动态图| 精品久久久久久久久久久久久| 少妇的丰满在线观看| 日韩亚洲欧美综合| 日本一二三区视频观看| 午夜精品在线福利| 18禁黄网站禁片午夜丰满| 午夜激情福利司机影院| 18禁黄网站禁片午夜丰满| 一级黄片播放器| 狂野欧美白嫩少妇大欣赏| 好男人在线观看高清免费视频| 亚洲欧美一区二区三区黑人| 日韩 欧美 亚洲 中文字幕| 亚洲成人精品中文字幕电影| 国产探花极品一区二区| 中文字幕久久专区| 国产成人啪精品午夜网站| 午夜激情福利司机影院| 欧美乱妇无乱码| 啪啪无遮挡十八禁网站| 日本a在线网址| 欧美黑人欧美精品刺激| 精品国产美女av久久久久小说| 精品福利观看| 国产美女午夜福利| 国产精品三级大全| 搡老熟女国产l中国老女人| 国产麻豆成人av免费视频| 97超视频在线观看视频| av天堂中文字幕网| 日本一本二区三区精品| 嫁个100分男人电影在线观看| 丰满的人妻完整版| 亚洲在线自拍视频| 琪琪午夜伦伦电影理论片6080| 久久久久亚洲av毛片大全| 18美女黄网站色大片免费观看| 美女 人体艺术 gogo| 麻豆久久精品国产亚洲av| 久久久久久人人人人人| 一个人看的www免费观看视频| 欧美激情久久久久久爽电影| 国产黄片美女视频| 国产精品乱码一区二三区的特点| 中文资源天堂在线| 国产高清三级在线| 18美女黄网站色大片免费观看| 日本与韩国留学比较| 搡老熟女国产l中国老女人| 真实男女啪啪啪动态图| a级毛片a级免费在线| 91久久精品电影网| 色老头精品视频在线观看| 国模一区二区三区四区视频| 俄罗斯特黄特色一大片| 欧美黑人欧美精品刺激| 18禁黄网站禁片免费观看直播| 精品一区二区三区人妻视频| 久久国产精品影院| 亚洲最大成人中文| svipshipincom国产片| 国产主播在线观看一区二区| 精品一区二区三区av网在线观看| 午夜精品一区二区三区免费看| 国产高清三级在线| 最新在线观看一区二区三区| 免费看十八禁软件| 日本精品一区二区三区蜜桃| 国产高潮美女av| 久久久久久久久中文| 欧美极品一区二区三区四区| 操出白浆在线播放| 波多野结衣高清作品| 亚洲av成人不卡在线观看播放网| 国产在线精品亚洲第一网站| 婷婷丁香在线五月| 亚洲成av人片免费观看| 国产精品日韩av在线免费观看| 日韩欧美国产一区二区入口| 日韩欧美国产一区二区入口| 国产乱人视频| 成人特级黄色片久久久久久久| 91在线精品国自产拍蜜月 | 国产成人av激情在线播放| 欧美极品一区二区三区四区| 熟女少妇亚洲综合色aaa.| 三级毛片av免费| av女优亚洲男人天堂| 欧美在线一区亚洲| 在线观看午夜福利视频| 久久这里只有精品中国| 他把我摸到了高潮在线观看| 亚洲中文字幕一区二区三区有码在线看| 黄色丝袜av网址大全| 成人亚洲精品av一区二区| 国产亚洲欧美98| 色尼玛亚洲综合影院| 日韩亚洲欧美综合| 日韩 欧美 亚洲 中文字幕| 757午夜福利合集在线观看| 午夜激情欧美在线| 精品乱码久久久久久99久播| 波多野结衣高清无吗| 网址你懂的国产日韩在线| 亚洲av免费高清在线观看| 亚洲性夜色夜夜综合| 偷拍熟女少妇极品色| 国产国拍精品亚洲av在线观看 | 99热精品在线国产| 日本撒尿小便嘘嘘汇集6| 精品免费久久久久久久清纯| 婷婷六月久久综合丁香| 日本五十路高清| 国产精品影院久久| 久久久久久久久大av| 久久久久久大精品| 女生性感内裤真人,穿戴方法视频| 色综合亚洲欧美另类图片| 亚洲精品亚洲一区二区| 亚洲午夜理论影院| 亚洲天堂国产精品一区在线| 99热这里只有精品一区| www国产在线视频色| 给我免费播放毛片高清在线观看| 亚洲18禁久久av| 日韩欧美一区二区三区在线观看| 日韩欧美精品v在线| 国产精品久久久久久亚洲av鲁大| 一本综合久久免费| 亚洲熟妇中文字幕五十中出| 日韩欧美一区二区三区在线观看| 久久亚洲精品不卡| 精品人妻1区二区| 在线观看免费视频日本深夜| 香蕉久久夜色| 婷婷丁香在线五月| 三级毛片av免费| 男插女下体视频免费在线播放| 69av精品久久久久久| 香蕉丝袜av| 性色av乱码一区二区三区2| 中文字幕人成人乱码亚洲影| 亚洲 国产 在线| 国产极品精品免费视频能看的| 国产精品亚洲一级av第二区| 全区人妻精品视频| 神马国产精品三级电影在线观看| 最好的美女福利视频网| 中文字幕人成人乱码亚洲影| 国产成人系列免费观看| 色综合亚洲欧美另类图片| 国语自产精品视频在线第100页| 小蜜桃在线观看免费完整版高清| 免费在线观看日本一区| 亚洲国产日韩欧美精品在线观看 | 窝窝影院91人妻| 国产成人a区在线观看| 高清在线国产一区| www.熟女人妻精品国产| 国产v大片淫在线免费观看| 欧美性感艳星| 欧美性感艳星| 黄片小视频在线播放| 三级国产精品欧美在线观看| 夜夜看夜夜爽夜夜摸| 在线国产一区二区在线| 校园春色视频在线观看| 两个人看的免费小视频| 欧美色欧美亚洲另类二区| bbb黄色大片| 午夜免费激情av| 91av网一区二区| 亚洲精品在线观看二区| 男女午夜视频在线观看| 国产一区二区在线观看日韩 | 91字幕亚洲| 免费在线观看影片大全网站| 在线观看av片永久免费下载| 亚洲精品亚洲一区二区| 黄色成人免费大全| 老司机深夜福利视频在线观看| 看免费av毛片| 人妻丰满熟妇av一区二区三区| 欧美大码av| 观看免费一级毛片| 人妻久久中文字幕网| 成人18禁在线播放| 国内久久婷婷六月综合欲色啪| 亚洲第一电影网av| 天堂影院成人在线观看| 亚洲avbb在线观看| 亚洲第一欧美日韩一区二区三区| 日本黄色片子视频| 欧美中文日本在线观看视频| 精品人妻一区二区三区麻豆 | 天天添夜夜摸| 悠悠久久av| 久久国产精品影院| 神马国产精品三级电影在线观看| 国产精品一及| 欧美最新免费一区二区三区 | 国产亚洲精品av在线| 校园春色视频在线观看| 一本久久中文字幕| 久久亚洲真实| 欧美色视频一区免费| 别揉我奶头~嗯~啊~动态视频| 日韩有码中文字幕| 俺也久久电影网| 国内精品久久久久久久电影| 欧美成人免费av一区二区三区| 久久久精品大字幕| 日日夜夜操网爽| 成人国产综合亚洲| 欧美激情久久久久久爽电影| 国产精品1区2区在线观看.| 久久久久国产精品人妻aⅴ院| 欧美国产日韩亚洲一区| 少妇的丰满在线观看| 国产视频内射| 国产成人av教育| 岛国在线免费视频观看| 麻豆国产av国片精品| 一个人观看的视频www高清免费观看| 亚洲精华国产精华精| 亚洲精品在线观看二区| av国产免费在线观看| 成人三级黄色视频| 中文字幕人妻丝袜一区二区| 舔av片在线| 老鸭窝网址在线观看| 男人和女人高潮做爰伦理| 少妇的丰满在线观看| 怎么达到女性高潮| 99久久九九国产精品国产免费| 男女那种视频在线观看| 久久久国产成人精品二区| 在线观看日韩欧美| 久久久久九九精品影院| 三级毛片av免费| 日本撒尿小便嘘嘘汇集6| 非洲黑人性xxxx精品又粗又长| 怎么达到女性高潮| 老司机深夜福利视频在线观看| 欧美最黄视频在线播放免费| 国产激情偷乱视频一区二区| 老汉色∧v一级毛片| 男人舔女人下体高潮全视频| 欧美激情在线99| 午夜老司机福利剧场| 婷婷丁香在线五月| 成人亚洲精品av一区二区| 欧美黄色淫秽网站| 蜜桃久久精品国产亚洲av| 亚洲av中文字字幕乱码综合| 国产视频一区二区在线看| 午夜福利高清视频| 久久久久亚洲av毛片大全| 久久久久久久久久黄片| 99国产综合亚洲精品| 久久久久久久午夜电影| 日本 av在线| 国产真人三级小视频在线观看| 黄片小视频在线播放| 亚洲av免费在线观看| av在线天堂中文字幕| 男人的好看免费观看在线视频| 好男人在线观看高清免费视频| 熟女少妇亚洲综合色aaa.| 亚洲国产日韩欧美精品在线观看 | 国产精品一区二区三区四区免费观看 | 听说在线观看完整版免费高清| 久久性视频一级片| 99热这里只有精品一区| 亚洲欧美精品综合久久99| 久久久久久久亚洲中文字幕 | 亚洲狠狠婷婷综合久久图片| 女人十人毛片免费观看3o分钟| 母亲3免费完整高清在线观看| av女优亚洲男人天堂| 狂野欧美白嫩少妇大欣赏| 在线看三级毛片| 欧美一级a爱片免费观看看| 日韩欧美在线乱码| 国产精品亚洲一级av第二区| 亚洲一区二区三区色噜噜| 欧美不卡视频在线免费观看| 国产91精品成人一区二区三区| 真人一进一出gif抽搐免费| 在线看三级毛片| 真实男女啪啪啪动态图| 老司机福利观看| 国产又黄又爽又无遮挡在线| 一区二区三区激情视频| 欧美一区二区亚洲| 成人av在线播放网站| 一本精品99久久精品77| 丰满人妻熟妇乱又伦精品不卡| 两个人看的免费小视频| 亚洲国产精品合色在线| 免费在线观看影片大全网站| 国产野战对白在线观看| 亚洲av美国av| 欧美性猛交╳xxx乱大交人| 国产欧美日韩一区二区精品| 夜夜躁狠狠躁天天躁| 成年版毛片免费区| 国产精品av视频在线免费观看| 偷拍熟女少妇极品色| 18美女黄网站色大片免费观看| 亚洲一区高清亚洲精品| 中文字幕久久专区| 亚洲最大成人中文| 久久这里只有精品中国| 久久久久久久精品吃奶| 好男人在线观看高清免费视频| 啦啦啦韩国在线观看视频| 熟女电影av网| 99在线人妻在线中文字幕| 一个人免费在线观看电影| 在线看三级毛片| 欧美极品一区二区三区四区| 观看免费一级毛片| 欧美一区二区精品小视频在线| 搡女人真爽免费视频火全软件 | www国产在线视频色| 欧美最黄视频在线播放免费| 动漫黄色视频在线观看| 中文亚洲av片在线观看爽| 国产精品98久久久久久宅男小说| 少妇人妻一区二区三区视频| 99在线人妻在线中文字幕| 亚洲av日韩精品久久久久久密| 别揉我奶头~嗯~啊~动态视频| 国产精品永久免费网站| 又黄又爽又免费观看的视频| 我的老师免费观看完整版| 午夜福利成人在线免费观看| 免费一级毛片在线播放高清视频| 此物有八面人人有两片| 亚洲av电影在线进入| 国产麻豆成人av免费视频| av专区在线播放| 我的老师免费观看完整版| 国内毛片毛片毛片毛片毛片| 国产97色在线日韩免费| 国产探花极品一区二区| 亚洲精品日韩av片在线观看 | 亚洲成人免费电影在线观看| 久久亚洲精品不卡| 午夜免费激情av| 免费在线观看日本一区| 午夜两性在线视频| 国产私拍福利视频在线观看| 18美女黄网站色大片免费观看| 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 | 在线播放国产精品三级| 国产精品乱码一区二三区的特点| 伊人久久精品亚洲午夜| 麻豆久久精品国产亚洲av| 久久久成人免费电影| 最近最新免费中文字幕在线| 成人鲁丝片一二三区免费| 久久精品国产综合久久久| 色在线成人网| a级毛片a级免费在线| 国产精华一区二区三区| 欧美色欧美亚洲另类二区| 亚洲久久久久久中文字幕| 亚洲欧美日韩高清在线视频| 日韩欧美在线乱码| 小蜜桃在线观看免费完整版高清| 在线国产一区二区在线| 国产乱人伦免费视频| 久久久久久人人人人人| 欧美av亚洲av综合av国产av| 精华霜和精华液先用哪个| 波多野结衣高清作品| 亚洲精品久久国产高清桃花| 国产精品爽爽va在线观看网站| 午夜老司机福利剧场| 亚洲精品久久国产高清桃花| 99热6这里只有精品| 特大巨黑吊av在线直播| 日韩有码中文字幕| 国产aⅴ精品一区二区三区波| 国产伦精品一区二区三区四那| 一个人看视频在线观看www免费 | 中出人妻视频一区二区| 制服人妻中文乱码| 国产探花在线观看一区二区| 亚洲最大成人中文| 国产成人系列免费观看| 欧美激情在线99| 亚洲国产精品久久男人天堂| 亚洲国产精品合色在线| 美女大奶头视频| 免费搜索国产男女视频| 亚洲国产中文字幕在线视频| 精品不卡国产一区二区三区| 男女床上黄色一级片免费看| 好男人电影高清在线观看| 欧美性感艳星| 热99re8久久精品国产| av专区在线播放| 成年女人看的毛片在线观看| 他把我摸到了高潮在线观看| 国产精品久久久久久人妻精品电影| 免费在线观看成人毛片| a级一级毛片免费在线观看| 日本黄色视频三级网站网址| 午夜免费观看网址| 久久性视频一级片| 亚洲中文日韩欧美视频| 亚洲av成人不卡在线观看播放网| 国产一区二区三区在线臀色熟女| 亚洲一区高清亚洲精品| 一个人看的www免费观看视频| 国产私拍福利视频在线观看| 有码 亚洲区| 好男人在线观看高清免费视频| 国产亚洲欧美98| 国产欧美日韩精品一区二区| 亚洲成人中文字幕在线播放| 成人午夜高清在线视频| 一卡2卡三卡四卡精品乱码亚洲| 99久久久亚洲精品蜜臀av| 免费看美女性在线毛片视频| 两个人看的免费小视频| 亚洲精品在线观看二区| 69av精品久久久久久| 窝窝影院91人妻| 99久久精品热视频| 日韩亚洲欧美综合| 丁香六月欧美| av中文乱码字幕在线| 变态另类丝袜制服| 久久伊人香网站| 亚洲熟妇熟女久久| 好男人在线观看高清免费视频| 99国产精品一区二区三区| 国产私拍福利视频在线观看| 99久国产av精品| 欧美日本亚洲视频在线播放| 精品一区二区三区视频在线 | 亚洲精品日韩av片在线观看 | 欧美另类亚洲清纯唯美| 日韩欧美 国产精品| 免费观看的影片在线观看| 99久久九九国产精品国产免费| 18禁在线播放成人免费| 人人妻人人看人人澡| 波多野结衣高清作品| 成人18禁在线播放| av国产免费在线观看| 国产单亲对白刺激| 麻豆久久精品国产亚洲av| 久久久久九九精品影院| 黄色日韩在线| 啪啪无遮挡十八禁网站| 国产熟女xx| 天天添夜夜摸| 成人精品一区二区免费| 国产一区二区亚洲精品在线观看| 99热精品在线国产| 亚洲,欧美精品.| 老司机午夜福利在线观看视频| 99国产极品粉嫩在线观看| 操出白浆在线播放| av中文乱码字幕在线| 狂野欧美激情性xxxx| 欧美bdsm另类| 亚洲不卡免费看| 97超视频在线观看视频| 欧美大码av| 久久久久久久久久黄片| 最新美女视频免费是黄的| 欧美绝顶高潮抽搐喷水| 欧美性猛交黑人性爽| 欧美成人免费av一区二区三区| 又紧又爽又黄一区二区| 久久精品国产自在天天线| 热99在线观看视频| 亚洲av电影在线进入| 99久久精品国产亚洲精品| 又黄又粗又硬又大视频| av天堂中文字幕网| 九九久久精品国产亚洲av麻豆| 在线观看午夜福利视频| 特大巨黑吊av在线直播| 欧美乱码精品一区二区三区| 最好的美女福利视频网| 舔av片在线| 成年女人毛片免费观看观看9| 美女被艹到高潮喷水动态| ponron亚洲| 变态另类丝袜制服| 最后的刺客免费高清国语| 少妇的丰满在线观看| 亚洲av五月六月丁香网| 久久婷婷人人爽人人干人人爱| 国产精品久久久久久精品电影| 国产一区二区在线观看日韩 | 国产精华一区二区三区| 国产精品久久久久久久久免 | 香蕉av资源在线| 成年人黄色毛片网站| 成年免费大片在线观看|