• <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
    欧美激情高清一区二区三区| 国产激情久久老熟女| 99久久99久久久精品蜜桃| 天堂俺去俺来也www色官网| 男人舔女人下体高潮全视频| 国产有黄有色有爽视频| 欧美黄色淫秽网站| 免费一级毛片在线播放高清视频 | 天天躁狠狠躁夜夜躁狠狠躁| 99国产综合亚洲精品| 成年人黄色毛片网站| 在线播放国产精品三级| 曰老女人黄片| 婷婷精品国产亚洲av在线| 国产三级黄色录像| 精品一区二区三区四区五区乱码| 国产精品野战在线观看 | 两人在一起打扑克的视频| 免费在线观看日本一区| 欧美一区二区精品小视频在线| 欧美激情 高清一区二区三区| 人成视频在线观看免费观看| 欧美一级毛片孕妇| 免费日韩欧美在线观看| 国产精品香港三级国产av潘金莲| 最近最新免费中文字幕在线| 精品久久久久久成人av| 欧美日韩精品网址| 一进一出好大好爽视频| 亚洲五月婷婷丁香| 淫妇啪啪啪对白视频| 亚洲五月色婷婷综合| 亚洲精品久久成人aⅴ小说| 日本a在线网址| 国产亚洲欧美98| 热re99久久国产66热| 欧美日韩亚洲高清精品| 久久久国产精品麻豆| 一级作爱视频免费观看| 国产亚洲精品综合一区在线观看 | 欧美一级毛片孕妇| 美女国产高潮福利片在线看| 日韩 欧美 亚洲 中文字幕| 国产伦人伦偷精品视频| 91麻豆av在线| 老司机在亚洲福利影院| 亚洲自拍偷在线| 亚洲欧美日韩另类电影网站| 美女 人体艺术 gogo| 人人妻人人澡人人看| 久久久久久亚洲精品国产蜜桃av| 亚洲国产中文字幕在线视频| 性欧美人与动物交配| 性少妇av在线| 国产成人av教育| 18美女黄网站色大片免费观看| 波多野结衣一区麻豆| 桃红色精品国产亚洲av| 亚洲人成电影观看| 免费搜索国产男女视频| 一级片免费观看大全| 国产欧美日韩一区二区精品| 在线观看免费日韩欧美大片| 如日韩欧美国产精品一区二区三区| 人妻久久中文字幕网| 亚洲专区字幕在线| 久久狼人影院| 亚洲欧美一区二区三区黑人| 国产高清国产精品国产三级| 久久久久久人人人人人| 黄色视频不卡| 国产区一区二久久| 手机成人av网站| 在线观看一区二区三区| 久久精品成人免费网站| 久久久久精品国产欧美久久久| 国产乱人伦免费视频| avwww免费| 一个人观看的视频www高清免费观看 | 欧美老熟妇乱子伦牲交| 男女床上黄色一级片免费看| 精品福利观看| 亚洲精品国产一区二区精华液| 在线观看免费午夜福利视频| 一级作爱视频免费观看| 香蕉国产在线看| 男人的好看免费观看在线视频 | 国产国语露脸激情在线看| bbb黄色大片| av片东京热男人的天堂| 久久久久久亚洲精品国产蜜桃av| 国产亚洲欧美精品永久| 国产99久久九九免费精品| 麻豆久久精品国产亚洲av | 欧美性长视频在线观看| 一a级毛片在线观看| 精品福利永久在线观看| 国产在线精品亚洲第一网站| 女人被躁到高潮嗷嗷叫费观| 日本a在线网址| 美女扒开内裤让男人捅视频| 欧美日韩黄片免| 中文字幕人妻丝袜一区二区| 99在线视频只有这里精品首页| 国产99久久九九免费精品| 91字幕亚洲| 黄色视频,在线免费观看| 十分钟在线观看高清视频www| 香蕉久久夜色| 久久狼人影院| 99在线视频只有这里精品首页| 真人做人爱边吃奶动态| 99re在线观看精品视频| 久久九九热精品免费| 免费观看精品视频网站| 人人妻,人人澡人人爽秒播| 大陆偷拍与自拍| 国产单亲对白刺激| 亚洲 欧美 日韩 在线 免费| 亚洲国产毛片av蜜桃av| 又紧又爽又黄一区二区| 级片在线观看| 啦啦啦在线免费观看视频4| 好看av亚洲va欧美ⅴa在| 亚洲自拍偷在线| 日日干狠狠操夜夜爽| 日本三级黄在线观看| 日本黄色视频三级网站网址| 嫩草影院精品99| 成年女人毛片免费观看观看9| 欧美日韩av久久| 80岁老熟妇乱子伦牲交| 三级毛片av免费| 又黄又粗又硬又大视频| 国产一卡二卡三卡精品| 久久这里只有精品19| 久久精品亚洲熟妇少妇任你| 18禁国产床啪视频网站| 满18在线观看网站| 日本a在线网址| 国产精品久久久人人做人人爽| 黄色视频,在线免费观看| 最新在线观看一区二区三区| 91九色精品人成在线观看| 亚洲美女黄片视频| 免费高清在线观看日韩| 很黄的视频免费| 看黄色毛片网站| 久久欧美精品欧美久久欧美| 国产精品爽爽va在线观看网站 | 午夜福利影视在线免费观看| 亚洲成人免费av在线播放| 欧美日本中文国产一区发布| 十八禁人妻一区二区| 亚洲欧洲精品一区二区精品久久久| a级毛片黄视频| 国产av在哪里看| 日韩视频一区二区在线观看| 久久九九热精品免费| 我的亚洲天堂| 国产欧美日韩一区二区三区在线| 天堂动漫精品| 午夜精品久久久久久毛片777| 国产1区2区3区精品| 国产欧美日韩一区二区三区在线| 成人亚洲精品一区在线观看| 男人操女人黄网站| 男女高潮啪啪啪动态图| 亚洲国产精品合色在线| 午夜a级毛片| 高清黄色对白视频在线免费看| 中文字幕色久视频| 欧美精品啪啪一区二区三区| 别揉我奶头~嗯~啊~动态视频| 亚洲第一欧美日韩一区二区三区| 激情在线观看视频在线高清| 日韩免费av在线播放| 国产精品免费一区二区三区在线| 在线观看免费日韩欧美大片| 久久国产精品人妻蜜桃| 一级a爱视频在线免费观看| 一a级毛片在线观看| 亚洲精品中文字幕一二三四区| 亚洲一区高清亚洲精品| 精品国产国语对白av| 999久久久精品免费观看国产| av欧美777| 日韩视频一区二区在线观看| 大香蕉久久成人网| svipshipincom国产片| 在线观看舔阴道视频| 亚洲一区二区三区色噜噜 | 五月开心婷婷网| 视频在线观看一区二区三区| 最新在线观看一区二区三区| 看免费av毛片| 精品少妇一区二区三区视频日本电影| 一级a爱片免费观看的视频| 淫秽高清视频在线观看| 操出白浆在线播放| av天堂久久9| 国产乱人伦免费视频| av欧美777| а√天堂www在线а√下载| 久久午夜亚洲精品久久| 亚洲精品粉嫩美女一区| 久久久久国内视频| 黑人猛操日本美女一级片| av天堂在线播放| 超碰成人久久| 91成人精品电影| 淫秽高清视频在线观看| 久99久视频精品免费| 久久 成人 亚洲| 热re99久久国产66热| 一个人观看的视频www高清免费观看 | 免费在线观看日本一区| 无限看片的www在线观看| 国产熟女xx| 女人被躁到高潮嗷嗷叫费观| 久久久精品欧美日韩精品| 欧美黄色淫秽网站| 多毛熟女@视频| 久久精品亚洲熟妇少妇任你| 久久精品国产99精品国产亚洲性色 | 亚洲精品国产一区二区精华液| 叶爱在线成人免费视频播放| 国产麻豆69| 精品卡一卡二卡四卡免费| 亚洲精品国产区一区二| 在线观看一区二区三区| 电影成人av| 欧美中文综合在线视频| 在线十欧美十亚洲十日本专区| 日韩成人在线观看一区二区三区| 女生性感内裤真人,穿戴方法视频| 亚洲黑人精品在线| 亚洲成a人片在线一区二区| 亚洲自偷自拍图片 自拍| 91成人精品电影| 中文字幕另类日韩欧美亚洲嫩草| 欧美黄色淫秽网站| 国产精品1区2区在线观看.| 亚洲精品久久成人aⅴ小说| 日韩大码丰满熟妇| 国产aⅴ精品一区二区三区波| 亚洲欧美激情在线| 日本精品一区二区三区蜜桃| 亚洲欧美一区二区三区黑人| 精品久久久久久电影网| 久久久久久久久中文| 又紧又爽又黄一区二区| 在线观看舔阴道视频| 999久久久国产精品视频| 午夜福利免费观看在线| 免费不卡黄色视频| 99久久99久久久精品蜜桃| 亚洲少妇的诱惑av| 国产成人精品在线电影| 操出白浆在线播放| 搡老乐熟女国产| 老熟妇乱子伦视频在线观看| 欧美午夜高清在线| av网站免费在线观看视频| 国产亚洲欧美98| 无限看片的www在线观看| 亚洲美女黄片视频| 亚洲av电影在线进入| 久99久视频精品免费| 窝窝影院91人妻| 丝袜在线中文字幕| 99国产精品免费福利视频| av福利片在线| 黑人欧美特级aaaaaa片| 欧美av亚洲av综合av国产av| 大香蕉久久成人网| 又紧又爽又黄一区二区| 一夜夜www| 看黄色毛片网站| 免费在线观看完整版高清| 成人三级做爰电影| 亚洲成人免费av在线播放| 久久久国产成人免费| 国产乱人伦免费视频| 久久中文字幕一级| 99国产精品99久久久久| 1024香蕉在线观看| 伦理电影免费视频| av视频免费观看在线观看| 国产精品亚洲av一区麻豆| 欧美亚洲日本最大视频资源| 一边摸一边抽搐一进一小说| 午夜激情av网站| 丝袜美腿诱惑在线| 亚洲 欧美一区二区三区| 国产精品久久久人人做人人爽| 女人被狂操c到高潮| 99久久久亚洲精品蜜臀av| 亚洲精华国产精华精| 好看av亚洲va欧美ⅴa在| 成年人免费黄色播放视频| 国产精品永久免费网站| 在线观看一区二区三区| 欧美中文日本在线观看视频| 久久 成人 亚洲| 高清欧美精品videossex| 亚洲av成人av| 久久国产精品人妻蜜桃| 每晚都被弄得嗷嗷叫到高潮| 亚洲色图 男人天堂 中文字幕| a级毛片黄视频| 丝袜美腿诱惑在线| netflix在线观看网站| 国产蜜桃级精品一区二区三区| 大码成人一级视频| 亚洲成人免费av在线播放| 一进一出抽搐动态| 91字幕亚洲| 亚洲人成电影观看| 国产精品国产高清国产av| 精品乱码久久久久久99久播| 亚洲男人的天堂狠狠| av中文乱码字幕在线| 国产极品粉嫩免费观看在线| 午夜视频精品福利| 夜夜爽天天搞| 窝窝影院91人妻| 国产99白浆流出| 人妻丰满熟妇av一区二区三区| 亚洲人成网站在线播放欧美日韩| 成年人免费黄色播放视频| 国产亚洲欧美98| 亚洲av五月六月丁香网| a级片在线免费高清观看视频| 波多野结衣一区麻豆| 美女福利国产在线| 老司机靠b影院| 免费高清在线观看日韩| 99久久国产精品久久久| 99精品在免费线老司机午夜| 99久久人妻综合| 中文字幕人妻丝袜制服| e午夜精品久久久久久久| 不卡av一区二区三区| 婷婷六月久久综合丁香| 免费女性裸体啪啪无遮挡网站| 正在播放国产对白刺激| 久久精品91蜜桃| 国产亚洲欧美在线一区二区| 欧美乱妇无乱码| 中文字幕高清在线视频| 波多野结衣高清无吗| а√天堂www在线а√下载| 黄片播放在线免费| www.自偷自拍.com| 国产有黄有色有爽视频| 一级片'在线观看视频| 丝袜在线中文字幕| 91国产中文字幕| 一区二区三区激情视频| a在线观看视频网站| 国产精品1区2区在线观看.| 久久久水蜜桃国产精品网| 午夜免费鲁丝| av有码第一页| 亚洲欧美一区二区三区久久| 欧美日韩乱码在线| 又黄又爽又免费观看的视频| 精品福利永久在线观看| 麻豆成人av在线观看| 老鸭窝网址在线观看| 欧美精品亚洲一区二区| 在线观看午夜福利视频| 久久久久久免费高清国产稀缺| 18禁裸乳无遮挡免费网站照片 | 久久香蕉激情| 日本免费一区二区三区高清不卡 | 制服人妻中文乱码| 中文字幕人妻丝袜一区二区| 一级毛片精品| 亚洲性夜色夜夜综合| 精品久久久精品久久久| 国产亚洲精品久久久久5区| 国产熟女xx| 午夜福利免费观看在线| 久久久久久久久中文| 90打野战视频偷拍视频| 91九色精品人成在线观看| 亚洲九九香蕉| 欧美精品啪啪一区二区三区| 最近最新免费中文字幕在线| 激情视频va一区二区三区| 一区二区三区精品91| 国产99白浆流出| 麻豆国产av国片精品| 身体一侧抽搐| 黄色片一级片一级黄色片| 神马国产精品三级电影在线观看 | 久久精品aⅴ一区二区三区四区| 欧美中文日本在线观看视频| 成人av一区二区三区在线看| 母亲3免费完整高清在线观看| 国产1区2区3区精品| 午夜福利一区二区在线看| 日本vs欧美在线观看视频| 亚洲专区国产一区二区| 亚洲av日韩精品久久久久久密| 国产亚洲欧美98| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品一区二区在线不卡| 亚洲美女黄片视频| 男人操女人黄网站| 日韩免费高清中文字幕av| 十八禁网站免费在线| 免费久久久久久久精品成人欧美视频| 自线自在国产av| 亚洲人成电影观看| 欧美乱色亚洲激情| 日韩欧美三级三区| 美女扒开内裤让男人捅视频| 大型黄色视频在线免费观看| 国产成人精品无人区| 在线国产一区二区在线| 黄色视频不卡| 精品国产国语对白av| 午夜亚洲福利在线播放| 亚洲欧美精品综合一区二区三区| 久久九九热精品免费| 三上悠亚av全集在线观看| 女警被强在线播放| 老鸭窝网址在线观看| 国产精品一区二区精品视频观看| 国产精华一区二区三区| 妹子高潮喷水视频| 欧美日韩福利视频一区二区| 神马国产精品三级电影在线观看 | 97超级碰碰碰精品色视频在线观看| 少妇 在线观看| 欧美激情极品国产一区二区三区| 亚洲精品国产一区二区精华液| 人人妻,人人澡人人爽秒播| 18禁裸乳无遮挡免费网站照片 | 国产免费av片在线观看野外av| 亚洲人成电影观看| 国产成人精品久久二区二区免费| 在线永久观看黄色视频| 免费女性裸体啪啪无遮挡网站| 亚洲欧美一区二区三区久久| 亚洲黑人精品在线| 亚洲中文字幕日韩| 国产欧美日韩综合在线一区二区| 午夜影院日韩av| 成熟少妇高潮喷水视频| 1024香蕉在线观看| 国产1区2区3区精品| 国产精品自产拍在线观看55亚洲| 9热在线视频观看99| 久久精品91无色码中文字幕| 国产乱人伦免费视频| 香蕉丝袜av| 高潮久久久久久久久久久不卡| 久久精品aⅴ一区二区三区四区| 精品欧美一区二区三区在线| 韩国精品一区二区三区| 嫁个100分男人电影在线观看| 好看av亚洲va欧美ⅴa在| 亚洲成av片中文字幕在线观看| 精品欧美一区二区三区在线| 欧美日本亚洲视频在线播放| 波多野结衣一区麻豆| 久久国产精品影院| 人成视频在线观看免费观看| 亚洲一区二区三区不卡视频| 国产精品日韩av在线免费观看 | xxx96com| 免费av毛片视频| 法律面前人人平等表现在哪些方面| 色在线成人网| 桃色一区二区三区在线观看| 日韩精品青青久久久久久| 欧美人与性动交α欧美精品济南到| 夜夜看夜夜爽夜夜摸 | 国产成人av激情在线播放| 他把我摸到了高潮在线观看| 国产精品久久电影中文字幕| 亚洲国产精品999在线| 女人精品久久久久毛片| 久久欧美精品欧美久久欧美| 无人区码免费观看不卡| 成人三级黄色视频| 天堂影院成人在线观看| 欧美黄色片欧美黄色片| 丰满迷人的少妇在线观看| 18禁国产床啪视频网站| 久久影院123| 国产欧美日韩一区二区三| 午夜成年电影在线免费观看| 亚洲精品美女久久久久99蜜臀| 国产av一区在线观看免费| 日韩欧美一区视频在线观看| x7x7x7水蜜桃| 亚洲 欧美 日韩 在线 免费| 久久久久久久久久久久大奶| 精品福利观看| 交换朋友夫妻互换小说| 搡老熟女国产l中国老女人| 亚洲精品国产精品久久久不卡| 人人妻人人澡人人看| 欧美日韩黄片免| 一区二区三区精品91| 一二三四在线观看免费中文在| 夜夜爽天天搞| 国产精品99久久99久久久不卡| 高清黄色对白视频在线免费看| 欧美日韩瑟瑟在线播放| 中文字幕人妻丝袜制服| 女人爽到高潮嗷嗷叫在线视频| 黄色视频,在线免费观看| 99久久99久久久精品蜜桃| 亚洲狠狠婷婷综合久久图片| 热re99久久国产66热| 91成年电影在线观看| 看黄色毛片网站| 日韩视频一区二区在线观看| 99国产精品99久久久久| 琪琪午夜伦伦电影理论片6080| 窝窝影院91人妻| 99在线人妻在线中文字幕| 免费一级毛片在线播放高清视频 | 欧美日韩中文字幕国产精品一区二区三区 | 亚洲视频免费观看视频| 法律面前人人平等表现在哪些方面| 日韩精品免费视频一区二区三区| 精品午夜福利视频在线观看一区| 日韩免费av在线播放| 久9热在线精品视频| 亚洲专区中文字幕在线| 99精品久久久久人妻精品| 亚洲 国产 在线| aaaaa片日本免费| 欧美日韩亚洲高清精品| 波多野结衣一区麻豆| 纯流量卡能插随身wifi吗| 别揉我奶头~嗯~啊~动态视频| 欧美日韩亚洲高清精品| 两性夫妻黄色片| 国产亚洲精品久久久久久毛片| 母亲3免费完整高清在线观看| 又黄又粗又硬又大视频| 五月开心婷婷网| 亚洲中文日韩欧美视频| 91成年电影在线观看| 色播在线永久视频| 国产一区二区激情短视频| 日日夜夜操网爽| 一个人免费在线观看的高清视频| 热re99久久国产66热| 国产成人精品在线电影| 亚洲欧美一区二区三区久久| 久久人妻熟女aⅴ| 免费日韩欧美在线观看| 亚洲国产欧美一区二区综合| 在线观看免费视频日本深夜| 国产精品成人在线| 国产精品综合久久久久久久免费 | 精品免费久久久久久久清纯| 欧美日韩av久久| 亚洲精华国产精华精| 热re99久久精品国产66热6| 精品熟女少妇八av免费久了| avwww免费| 国产成人精品久久二区二区免费| 18禁裸乳无遮挡免费网站照片 | 老司机深夜福利视频在线观看| 久久性视频一级片| 国产又爽黄色视频| 亚洲色图综合在线观看| 亚洲国产欧美一区二区综合| 黑人巨大精品欧美一区二区蜜桃| 久久影院123| 51午夜福利影视在线观看| 一进一出抽搐gif免费好疼 | 国产精品二区激情视频| 又黄又爽又免费观看的视频| 三级毛片av免费| a级片在线免费高清观看视频| 欧美 亚洲 国产 日韩一| 中文字幕人妻熟女乱码| 80岁老熟妇乱子伦牲交| 美国免费a级毛片| 久9热在线精品视频| 精品人妻在线不人妻| 好看av亚洲va欧美ⅴa在| 欧美色视频一区免费| 国产精品香港三级国产av潘金莲| 日日摸夜夜添夜夜添小说| 18美女黄网站色大片免费观看| 亚洲成人精品中文字幕电影 | 午夜福利一区二区在线看| 18禁美女被吸乳视频| 老司机在亚洲福利影院| 两性夫妻黄色片| 国产亚洲精品第一综合不卡| 国产精品永久免费网站| 国产免费现黄频在线看| 激情视频va一区二区三区| 久久久国产成人精品二区 | 又黄又粗又硬又大视频| 嫁个100分男人电影在线观看| 99re在线观看精品视频| 国产成人精品久久二区二区免费| 青草久久国产| 在线观看一区二区三区| 精品久久久精品久久久| a级毛片在线看网站|