• <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 ?

    基于注意力機制的TAI-CNN圖文跨模態(tài)情感分類方法

    2021-05-14 03:57:48陳小敏許華虎方迪愷肖俊生
    計算機應用與軟件 2021年5期
    關(guān)鍵詞:注意力卷積模態(tài)

    陳小敏 許華虎 方迪愷 肖俊生

    (上海大學計算機工程與科學學院 上海 200444)

    0 引 言

    隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,各種社交平臺蓬勃興起,越來越多的互聯(lián)網(wǎng)用戶在微博、Twitter、豆瓣等社交網(wǎng)站上分享生活經(jīng)歷并參與討論社會熱點事件,社交網(wǎng)絡(luò)成為人們表達意見的重要平臺,從而產(chǎn)生了海量數(shù)據(jù)。對這些海量媒體數(shù)據(jù)進行有效的情感分析不僅對政府部門監(jiān)控輿情,企業(yè)機構(gòu)改進產(chǎn)品服務(wù)、定制營銷策略、預測市場趨勢具有重要作用,還有助于自動問答系統(tǒng)的個性化定制[1]。如何精準地開展情感分析成為當前學術(shù)界和工業(yè)界的迫切需求。

    傳統(tǒng)的情感分析工作主要集中于文本,然而社交媒體用戶越來越多地使用額外的圖像來表達觀點并分享經(jīng)驗,由于圖像包含更加豐富和直觀的內(nèi)容,所以有時相比文本更能準確表達用戶的情感傾向,因此可以考慮結(jié)合圖像和文本進行跨模態(tài)情感分析來彌補單模態(tài)情感分析的不足。

    1 相關(guān)工作

    文本情感分類方法主要分為兩種:基于情感詞典的方法和基于機器學習的方法[2]?;谇楦性~典的方法原理為將要分類的文本與情感詞典中的內(nèi)容進行匹配,找到與情感詞典中文本內(nèi)容一致的情感詞,以確定文本的情感極性。陳國蘭[3]基于在線開源情感詞典和微博文本的語義規(guī)則,提出了微博文本的情感分類方法,對微博文本情感分類具有良好的適應性。李晨等[4]分析了新聞類文體的結(jié)構(gòu),并按段落劃分新聞類文本,采用一種基于情感詞典和語義規(guī)則特點相結(jié)合的情感關(guān)鍵句提取方法,對段落中句子進行情感分析并取得了良好的效果?;谇楦性~典的方案雖然操作簡單,但由于語種繁多且語義多樣,因此需要消耗大量人力物力來構(gòu)建情感詞典,同時基于情感詞典的方法還依賴手工設(shè)計與先驗知識,適用范圍較窄。基于機器學習的方法首先采集一個一定規(guī)模的訓練數(shù)據(jù)集,由人工或半人工方式對數(shù)據(jù)集中文本樣本進行情感標注,然后提取文本特征并將其輸入到機器學習模型中進行訓練。Pang等[5]使用三種機器學習方法樸素貝葉斯、最大熵和支持向量機對IMDB影評進行情感分類,得到了不錯的分類效果。Sharma等[6]將支持向量機作為基礎(chǔ)弱分類器,利用集成技術(shù)整合多個“弱”分類器,研究結(jié)果表明集成分類器在準確率上明顯優(yōu)于單一的SVM分類器。唐曉波等[7]構(gòu)建了基于AdaBoost集成技術(shù)和旋進原則的回歸SVM情感分類模型,不僅提高了主觀文本標注準確率,還實現(xiàn)了文本情感強度閾值的可視化。近年來,隨著深度學習在眾多領(lǐng)域中獲得關(guān)注,越來越多的學者開始使用深度學習方法進行情感分類。Kim[8]第一次使用簡單的單層卷積神經(jīng)網(wǎng)絡(luò)做文本情感分類,并與多個模型進行對比,取得了較好的實驗結(jié)果。Dong等[9]基于循環(huán)神經(jīng)網(wǎng)絡(luò)解決了句子中評價對象的情感極性判別問題。

    圖像情感分析的研究起步較晚,其情感分類方法大致分為三種:基于情感檢測,基于視覺情感本體和基于深度學習[2]。Amencherla等[10]通過心理學理論中色彩與情感的相關(guān)性對圖像中的色彩進行檢測,用于圖像情感分析。Borth等[11]為了彌補圖像的低級特征和圖像所反映出的情感特征之間的差距,提出了基于視覺情感本體的圖像中層特征表示法。You等[12]提出基于卷積神經(jīng)網(wǎng)絡(luò)的圖像情感分類方法,并且指出傳統(tǒng)的通過提取圖像低層特征和構(gòu)造中層屬性的方法并不能高度抽象圖像,因此情感分類效果不如深度學習方法。

    跨模態(tài)情感分類研究近幾年才受到大家的關(guān)注,相關(guān)研究較少,所以取得的成果相對較少。You等[12]提出了一種跨模態(tài)一致性回歸模型用于圖文融合情感分類。蔡國永等[13]則利用卷積神經(jīng)網(wǎng)絡(luò)分別對文本和圖像進行情感預測,然后再將兩者結(jié)果進行后期融合,取得了較好的分類效果。針對前人跨模態(tài)情感分類研究中圖文特征表示忽略了重要特征的情感信息這一問題,本文提出一種基于注意力機制的TAI-CNN(Text And Image-Convolutional Neural Networks)跨模態(tài)情感分類方法,并在圖文特征融合上采用最大值后期融合策略。

    2 背景知識

    2.1 詞嵌入

    詞嵌入即詞向量,也就是將文本用向量來表示。本文采用谷歌開源工具Word2vec并運用基于CBOW模型的方法訓練語料獲得文本詞向量,CBOW模型示意圖如圖1所示。詞向量W可以將語料中的詞語映射到實數(shù)維向量空間中,指定詞向量空間為ψ,那么它的大小為|ψ|×m,其中ψ中的每一行表示一個詞語的m維詞向量,|ψ|表示詞語數(shù)。對于語料庫中的一條文本,可以表示為:

    (t1,t2,…,tn)

    (1)

    式中:n是文本的詞語數(shù);ti是文本中第i個詞語(1≤i≤n)。

    圖1 CBOW模型示意圖

    一條文本可以用詞向量矩陣來表示,在ψ中搜索ti對應的詞向量,若搜索到將之記為zi,否則記為零向量。在找到每個單詞對應的詞向量后,將這些向量堆疊為一個向量矩陣Z,其大小為m×n,Z中的每一行代表該文本中的一個詞語,表示為:

    (t1,t2,…,tn)→(z1,z2,…,zn)

    (2)

    2.2 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò),最初為解決圖像識別問題而設(shè)計,現(xiàn)在已廣泛應用于人臉識別、語音識別、語音分類、字符識別等領(lǐng)域。圖2是經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的模型示意圖。可以看出卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層、輸出層組成。

    圖2 LeNet-5結(jié)構(gòu)示意圖

    輸入層的作用是對原始數(shù)據(jù)進行預處理,包括去均值、歸一化、PCA降維和白化等;卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心層,其目的是對輸入數(shù)據(jù)進行特征提取,通常通過使用多個卷積核來執(zhí)行卷積運算以獲得多個特征映射;池化層又稱為降采樣層,池化是在卷積層特征提取的基礎(chǔ)上,對每個卷積層提取的特征取平均值或最大值,取平均值時稱為均值池化,取最大值時稱為最大池化,通過池化操作可以大大減少卷積特征維數(shù),降低過擬合;全連接層通常放在卷積神經(jīng)網(wǎng)絡(luò)的尾部,與前一層所有神經(jīng)元進行連接,目的是將提取的局部特征匯合成全局特征作為最終分類器的輸入。相對于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)來說,卷積神經(jīng)網(wǎng)絡(luò)有五個顯著的優(yōu)勢[14]:(1) 局部感知, 由于局部區(qū)域中的信息聯(lián)系往往比較緊密,而距離較遠的區(qū)域相關(guān)性較弱,因而神經(jīng)網(wǎng)絡(luò)只需要對不同位置的局部區(qū)域進行感知,并將這些局部區(qū)域的信息匯合成全局信息即可;(2) 權(quán)值共享,也稱為參數(shù)共享,即局部的特性可以擴展到全局,也就是各局部使用相同的學習特征進行學習,從而通過減少神經(jīng)網(wǎng)絡(luò)的參數(shù)個數(shù)來降低算法的復雜度;(3) 多卷積核, 可以通過添加多個卷積核來學習多種特征,保證了特征提取的充分性;(4) 特征分類,即只提取同一局部最有用的特征值,從而完成特征分類;(5) 多層卷積,單層卷積往往只能學到局部特征,通過增加卷積層可以獲得全局特征。

    2.3 注意力機制

    根據(jù)對人類視覺的研究,專家學者提出了注意力機制(Attention Mechanism,AM),其核心目標是從眾多信息中選擇出對當前任務(wù)更重要的信息,其策略是對重要的信息分配更多的注意力,而對其他內(nèi)容分配較少的注意力[15]。在圖文跨模態(tài)情感分類中,除需要提取文本和圖像的特征外,還要考慮到哪些部分對情感分類的貢獻更大,對情感分類貢獻更高的部分應當賦予更高的權(quán)重,因此本文引入了注意力機制。注意力機制模型如圖3所示。通過式(3)可以生成注意力權(quán)重vt,然后通過softmax函數(shù)將生成的注意力權(quán)重概率化為概率向量 ,如式(4)所示,最后按式(5)配置注意力權(quán)重。

    vt=tanh(ht)

    (3)

    (4)

    (5)

    式中:ht代表神經(jīng)網(wǎng)絡(luò)輸出的初始權(quán)重;tanh是注意力學習函數(shù)。

    圖3 注意力機制模型圖

    3 TAI-CNN跨模態(tài)情感分類模型

    本文提出的TAI-CNN情感分類方法框架如圖4所示,模型主要包含4個階段:數(shù)據(jù)預處理,特征提取,特征融合,情感分類。首先預處理文本和圖像,將文本表示為統(tǒng)一維度的低維稠密詞向量形式;然后分別通過TCNN(Text Convolutional Neural Networks)和ICNN(Image Convolutional Neural Networks)提取文本和圖像特征;接著通過注意力機制優(yōu)化特征權(quán)重分布,將優(yōu)化后的文本和圖像特征輸入訓練好的分類器得到各自的預分類結(jié)果;最后選擇最大值的融合策略進行圖文決策級融合得到最終的分類結(jié)果。

    圖4 情感分類框架

    3.1 文本情感分類模型

    對于文本情感分類部分,本文采用基于CNN的TCNN模型,如圖5所示,該模型由3個卷積層(conv1-conv3),2個最大池化層(pool1,pool2),2個全連接層(fc1,fc2)組成,為了防止過擬合,全連接層fc1加入了Dropout 技術(shù),同時為了給重要特征分配更大的權(quán)重,在全連接后使用了注意力機制。

    圖5 文本情感分類模型

    在進入文本情感分類模型TCNN之前,需要構(gòu)建文本向量矩陣,本文使用2.1節(jié)介紹的詞嵌入技術(shù)來構(gòu)建文本矩陣作為TCNN的輸入。TCNN用卷積層來提取文本特征,每個卷積層都包含多個卷積核,如式(6)所示。

    ci=f(wc×xi+bc)

    (6)

    (7)

    3.2 圖像情感分類模型

    由于VGGNet具有較好的可移植性,并且能夠有效地提取圖像特征,因此本文基于對VGGNet的優(yōu)化來構(gòu)建ICNN模型,ICNN模型如圖6所示。與VGGNet相比ICNN減少了兩個全連接層,并在預分類前加入了注意力機制,這樣能夠大大降低模型復雜度,加快收斂速度。ICNN模型以維度為Rc×w×h的原始圖片作為輸入,其中:c代表圖片的通道數(shù);w代表圖片寬度;h代表圖片高度。與TCNN一樣,ICNN同樣通過卷積層提取圖像特征并通過池化層降維,然后通過全連接層獲得全局特征,最后使用注意力機制將結(jié)果傳遞至Softmax進行分類。

    圖6 圖像情感分類模型

    3.3 圖文特征融合

    在跨模態(tài)情感分類中,特征融合策略的選擇將直接影響最終的分類效果,合適的融合策略將使各模態(tài)的信息達到最大限度的互補,常見的多模態(tài)情感分類特征融合策略有兩種:特征級融合和決策級融合。特征級融合將多個模態(tài)的特征按照一定的方法構(gòu)建成一個組合特征向量,決策級融合對各個模態(tài)的預分類結(jié)果進行判決,從而得出最終的分類結(jié)果。相比特征級融合,決策級融合往往表現(xiàn)出更佳的性能[21],且最大值融合策略通過對比各預分類器的結(jié)果能夠找到概率最大的分類類別,因此本文采用最大值決策級融合策略來實現(xiàn)圖文特征融合,如式(8)所示。

    (8)

    式中:s代表分類器的個數(shù);k代表類別數(shù);pi,j(x)代表第i個分類器將x預測到類別j的概率。因為本文提出的模型屬于二分類模型且只有兩個分類器,所以s和k的值均為2。

    4 實 驗

    4.1 實驗數(shù)據(jù)集

    本文采用的數(shù)據(jù)集是由You等[12]構(gòu)建的圖文情感數(shù)據(jù)集。You等使用正面和負面情緒的關(guān)鍵字列表來查詢Getty圖像,并使用這些關(guān)鍵字的情感標簽標記所有返回的圖像。通過這種方式,收集到超過50萬幅弱標簽圖像及其相應的圖像描述。為了得到更好的訓練,本文去除數(shù)據(jù)集中圖像描述太短(小于20字符)或太長(大于50字符)以及圖像分辨率過低(小于256×256)的數(shù)據(jù)得到約為20萬的新的數(shù)據(jù)集,并將數(shù)據(jù)集隨機劃分,其中80%用于訓練,20%用于測試,數(shù)據(jù)分布情況如表1所示。

    表1 數(shù)據(jù)集分布

    4.2 實驗環(huán)境

    本實驗使用開源深度學習框架TensorFlow來構(gòu)建整個模型,具體實驗環(huán)境信息如表2所示。

    表2 實驗環(huán)境

    4.3 實驗設(shè)計

    實驗分別采用第3節(jié)提出的TCNN和ICNN對文本和圖像進行預分類。在文本分類之前,本實驗采用分詞工具jieba分詞對文本做切分詞處理,分詞之后以哈工大停用詞表為基準去除停用詞,之后利用Word2vec訓練詞向量,本文將詞向量維度設(shè)置為100,訓練好詞向量之后創(chuàng)建文本矩陣。為了獲得更多的文本局部特征,本文采用大小為5×5步長為1的卷積核64個,并使用ReLU作為激活函數(shù)對卷積后的特征做非線性處理,同時采用大小為2×2步長為2的最大池化做降采樣。為了防止過擬合,本文在第一個全連接層加入了Dropout正則,并將keep_prop比率設(shè)置為0.5。訓練時損失函數(shù)采用交叉熵,優(yōu)化器選用Adam,并將學習率設(shè)置為0.01,最后使用大小為50的mini-batch,共進行20 000次迭代。對于圖像情感分類,本文采用VGGNet的超參數(shù)設(shè)置,即卷積核都使用3×3的大小,步長設(shè)置為1,池化都使用大小為2×2、步長為2的最大池化,同樣使用ReLU激活函數(shù),為防止過擬合對特征權(quán)重加上L2正則化,正則比率設(shè)置為0.000 5。這里使用的卷積核數(shù)量為128個,優(yōu)化器選擇梯度下降并初始化學習率為0.01,損失函數(shù)仍采用交叉熵,mini-batch設(shè)置為50,共進行20 000次迭代。本實驗超參數(shù)設(shè)置均為調(diào)優(yōu)之后的結(jié)果。

    4.4 對比實驗與分析

    為了驗證本文提出的圖文跨模態(tài)情感分類模型的有效性,將其與另外5種情感分類模型進行了對比實驗:TCNN,ICNN,未加注意力機制的TCNN,未加注意力機制的ICNN,未加注意力機制的TAI-CNN。

    實驗采用準確率、召回率和F值作為評價指標,通過隨機劃分訓練集和測試集的方式,進行了10次實驗,取10次實驗的平均值作為最終的結(jié)果,如表3所示。

    表3 對比實驗結(jié)果

    可以看出,TAI-CNN模型的準確率、召回率和F值都比TCNN和ICNN高,這說明圖像和文本表達的情感信息具有互補性,通過圖文跨模態(tài)融合可以有效地利用這種互補性,提高情感分類的準確率。加入注意力機制后模型的準確率、召回率和F值都有所提升,這說明注意力機制確實可以優(yōu)化特征權(quán)重分布,從而優(yōu)化模型性能。與此同時,可以明顯地看出,ICNN要比TCNN具有更好的分類效果,這是因為ICNN比TCNN網(wǎng)絡(luò)層數(shù)深,可以更有效地提取特征,這提示可以通過加深TCNN網(wǎng)絡(luò)深度來優(yōu)化TAI-CNN模型。

    5 結(jié) 語

    本文對情感分類相關(guān)工作進行了研究,針對圖像和文本單獨做情感分類時存在不足且在特征提取時忽略重要特征的情感信息等問題,提出一種基于注意力機制的TAI-CNN跨模態(tài)情感分類方法,采用最大決策級融合策略,在所構(gòu)建的數(shù)據(jù)集上進行實驗,驗證了該模型的有效性。

    情感分類是一個極具價值的研究方向,雖然本文提出的圖文融合情感分類模型相對單模態(tài)情感分類模型來說提高了準確性,但還遠遠沒有達到實際應用的要求,模型仍需要優(yōu)化。同時跨模態(tài)融合不應只局限于圖像和文本,與視頻、音頻等進行融合的情感分類是個值得研究的方向。

    猜你喜歡
    注意力卷積模態(tài)
    讓注意力“飛”回來
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(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跟蹤算法
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    國內(nèi)多模態(tài)教學研究回顧與展望
    基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
    由單個模態(tài)構(gòu)造對稱簡支梁的抗彎剛度
    計算物理(2014年2期)2014-03-11 17:01:39
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    老司机影院毛片| svipshipincom国产片| 精品一区二区三区av网在线观看 | 搡老岳熟女国产| av有码第一页| 超色免费av| 久久精品久久久久久噜噜老黄| 久久久久人妻精品一区果冻| 日韩一区二区三区影片| 亚洲视频免费观看视频| 国产黄色免费在线视频| 青春草亚洲视频在线观看| 一本大道久久a久久精品| 男人舔女人的私密视频| 90打野战视频偷拍视频| 操出白浆在线播放| 久久韩国三级中文字幕| 如何舔出高潮| 看十八女毛片水多多多| 国产成人91sexporn| 91精品伊人久久大香线蕉| 飞空精品影院首页| 在线精品无人区一区二区三| 中文字幕人妻熟女乱码| 亚洲,一卡二卡三卡| 久久久久国产精品人妻一区二区| 亚洲视频免费观看视频| av免费观看日本| 两个人看的免费小视频| 丝袜在线中文字幕| 久久av网站| 免费高清在线观看视频在线观看| 成人18禁高潮啪啪吃奶动态图| 日韩 亚洲 欧美在线| 免费少妇av软件| 免费观看人在逋| 色婷婷av一区二区三区视频| 免费在线观看视频国产中文字幕亚洲 | 国产男女内射视频| 夫妻午夜视频| 免费人妻精品一区二区三区视频| 国产极品天堂在线| 日韩伦理黄色片| 婷婷色综合大香蕉| 性少妇av在线| 成人国语在线视频| av天堂久久9| 啦啦啦在线免费观看视频4| av在线播放精品| 两个人看的免费小视频| 在线观看国产h片| 色吧在线观看| 国产精品亚洲av一区麻豆 | av不卡在线播放| 久久青草综合色| 少妇猛男粗大的猛烈进出视频| 国产av国产精品国产| 久久久久久久久免费视频了| 国产视频首页在线观看| 久久青草综合色| 少妇 在线观看| 两个人免费观看高清视频| 国产精品久久久久久人妻精品电影 | 亚洲欧美激情在线| 久久鲁丝午夜福利片| 成人黄色视频免费在线看| 国产成人av激情在线播放| 建设人人有责人人尽责人人享有的| 国产成人午夜福利电影在线观看| 视频在线观看一区二区三区| 欧美中文综合在线视频| 天美传媒精品一区二区| 人人澡人人妻人| 七月丁香在线播放| 中文精品一卡2卡3卡4更新| 欧美精品av麻豆av| 免费av中文字幕在线| 一级片'在线观看视频| 亚洲精品久久午夜乱码| 日韩免费高清中文字幕av| 久久久久久人人人人人| 91精品三级在线观看| 九草在线视频观看| 国产一区二区激情短视频 | www日本在线高清视频| 一级毛片我不卡| 性色av一级| 伊人久久国产一区二区| 九色亚洲精品在线播放| 国产片特级美女逼逼视频| 九色亚洲精品在线播放| 亚洲精品日本国产第一区| av国产久精品久网站免费入址| 亚洲色图综合在线观看| 最近手机中文字幕大全| 老司机靠b影院| 黄色视频在线播放观看不卡| 国产日韩欧美亚洲二区| 亚洲精品久久成人aⅴ小说| 熟女av电影| 少妇被粗大的猛进出69影院| 人成视频在线观看免费观看| 亚洲国产av影院在线观看| 国产99久久九九免费精品| 亚洲av综合色区一区| 免费少妇av软件| av有码第一页| a级片在线免费高清观看视频| 免费观看av网站的网址| 久久久久精品久久久久真实原创| 天美传媒精品一区二区| 少妇 在线观看| videos熟女内射| 日本黄色日本黄色录像| 只有这里有精品99| 久久久久视频综合| 久久影院123| 欧美人与性动交α欧美软件| 国产精品久久久久久久久免| 波多野结衣av一区二区av| 亚洲精品美女久久久久99蜜臀 | 欧美变态另类bdsm刘玥| 一级片免费观看大全| 亚洲综合色网址| 在现免费观看毛片| 18禁观看日本| 国产淫语在线视频| 久久精品久久久久久久性| 成人午夜精彩视频在线观看| 亚洲av日韩在线播放| 精品福利永久在线观看| av网站在线播放免费| 亚洲欧洲精品一区二区精品久久久 | 丝袜美足系列| 日日爽夜夜爽网站| 黄色视频在线播放观看不卡| 国产精品一二三区在线看| 亚洲国产欧美日韩在线播放| 黄网站色视频无遮挡免费观看| 一边摸一边做爽爽视频免费| 婷婷成人精品国产| 欧美在线黄色| 国产精品香港三级国产av潘金莲 | 国产爽快片一区二区三区| 亚洲精品成人av观看孕妇| 蜜桃国产av成人99| 国产无遮挡羞羞视频在线观看| 在线亚洲精品国产二区图片欧美| 自线自在国产av| 欧美在线黄色| 精品人妻熟女毛片av久久网站| 午夜福利在线免费观看网站| 天天添夜夜摸| av网站免费在线观看视频| 国产精品成人在线| 高清av免费在线| 丝袜美足系列| 国产精品蜜桃在线观看| 亚洲七黄色美女视频| 国产片内射在线| 老司机靠b影院| 欧美日韩一区二区视频在线观看视频在线| 午夜免费鲁丝| 国产精品香港三级国产av潘金莲 | 久久久久人妻精品一区果冻| 男人舔女人的私密视频| 午夜日本视频在线| netflix在线观看网站| 国产色婷婷99| 看非洲黑人一级黄片| 亚洲精品国产av成人精品| 精品人妻在线不人妻| 亚洲熟女精品中文字幕| 一边摸一边抽搐一进一出视频| 亚洲,欧美精品.| 国产国语露脸激情在线看| 色婷婷久久久亚洲欧美| 黄色视频不卡| www.熟女人妻精品国产| 亚洲图色成人| av在线观看视频网站免费| 在线观看免费高清a一片| 国产免费又黄又爽又色| 少妇被粗大猛烈的视频| 国产精品嫩草影院av在线观看| 国产成人一区二区在线| 大片电影免费在线观看免费| 亚洲美女搞黄在线观看| 又大又爽又粗| 女性被躁到高潮视频| 精品少妇黑人巨大在线播放| 自拍欧美九色日韩亚洲蝌蚪91| 免费看av在线观看网站| 成人亚洲欧美一区二区av| 少妇被粗大猛烈的视频| 哪个播放器可以免费观看大片| 欧美日韩福利视频一区二区| av网站在线播放免费| 国产1区2区3区精品| 99久久综合免费| 99re6热这里在线精品视频| 精品国产一区二区三区久久久樱花| 久久99一区二区三区| 欧美日韩成人在线一区二区| 各种免费的搞黄视频| 一二三四在线观看免费中文在| 亚洲国产av影院在线观看| 国产日韩一区二区三区精品不卡| 一本大道久久a久久精品| 下体分泌物呈黄色| 国产爽快片一区二区三区| 免费看不卡的av| 悠悠久久av| 亚洲国产精品一区三区| 男女边吃奶边做爰视频| 黑人猛操日本美女一级片| 我的亚洲天堂| 亚洲精品第二区| 久久久久久久国产电影| 日本91视频免费播放| 欧美人与善性xxx| 国产精品 国内视频| 日韩制服骚丝袜av| av在线播放精品| 777久久人妻少妇嫩草av网站| 国产色婷婷99| 久久99精品国语久久久| 在线观看国产h片| xxxhd国产人妻xxx| 9热在线视频观看99| 老汉色∧v一级毛片| 亚洲av成人不卡在线观看播放网 | 成人午夜精彩视频在线观看| 亚洲成色77777| 国产成人精品无人区| 一区二区三区精品91| 国产国语露脸激情在线看| 综合色丁香网| 卡戴珊不雅视频在线播放| 国产一级毛片在线| 亚洲精品日韩在线中文字幕| 国产精品久久久久久精品电影小说| 国产一区二区三区综合在线观看| 欧美精品av麻豆av| 国产免费又黄又爽又色| 成人国产av品久久久| 亚洲精品日韩在线中文字幕| 成年人午夜在线观看视频| 啦啦啦 在线观看视频| 国产亚洲午夜精品一区二区久久| 国产精品麻豆人妻色哟哟久久| 制服诱惑二区| 精品少妇一区二区三区视频日本电影 | 日本午夜av视频| 成年人午夜在线观看视频| 成人免费观看视频高清| 综合色丁香网| 黄片小视频在线播放| 色综合欧美亚洲国产小说| 男人舔女人的私密视频| 69精品国产乱码久久久| 国产无遮挡羞羞视频在线观看| 国产女主播在线喷水免费视频网站| 国产1区2区3区精品| 亚洲视频免费观看视频| 多毛熟女@视频| 国产野战对白在线观看| 亚洲伊人久久精品综合| 中文字幕制服av| 这个男人来自地球电影免费观看 | 久久精品亚洲av国产电影网| 九色亚洲精品在线播放| 欧美精品一区二区大全| 老司机深夜福利视频在线观看 | 国产成人一区二区在线| 国产男女内射视频| 青春草视频在线免费观看| 亚洲美女视频黄频| 国产精品蜜桃在线观看| 久久99精品国语久久久| 99热全是精品| 男女边摸边吃奶| 亚洲四区av| videosex国产| 在线观看免费高清a一片| 亚洲国产精品999| 熟女少妇亚洲综合色aaa.| 亚洲图色成人| 人人妻人人澡人人看| 妹子高潮喷水视频| 黄片无遮挡物在线观看| 麻豆乱淫一区二区| 国产极品天堂在线| 欧美成人午夜精品| 性高湖久久久久久久久免费观看| 精品一区二区三区四区五区乱码 | bbb黄色大片| 亚洲国产中文字幕在线视频| 国产精品熟女久久久久浪| 丝瓜视频免费看黄片| 女性生殖器流出的白浆| 一本色道久久久久久精品综合| 99久久综合免费| 高清在线视频一区二区三区| 午夜福利网站1000一区二区三区| 亚洲欧洲国产日韩| 午夜激情久久久久久久| 成人亚洲精品一区在线观看| 高清av免费在线| av卡一久久| 亚洲专区中文字幕在线 | 人人澡人人妻人| 丝瓜视频免费看黄片| 中文天堂在线官网| 久久午夜综合久久蜜桃| 婷婷色av中文字幕| 人人妻人人澡人人爽人人夜夜| 久久久久国产一级毛片高清牌| 精品国产国语对白av| 免费少妇av软件| 只有这里有精品99| 丝袜美足系列| 国产淫语在线视频| 亚洲精品,欧美精品| 精品国产国语对白av| 久久精品aⅴ一区二区三区四区| 黄频高清免费视频| 国产片内射在线| 婷婷色av中文字幕| 女人久久www免费人成看片| av又黄又爽大尺度在线免费看| 日韩中文字幕欧美一区二区 | 免费观看人在逋| 欧美另类一区| 国产亚洲一区二区精品| 在线天堂中文资源库| 国产成人91sexporn| 下体分泌物呈黄色| 在线精品无人区一区二区三| 国产欧美日韩综合在线一区二区| 少妇猛男粗大的猛烈进出视频| 国产精品麻豆人妻色哟哟久久| 色精品久久人妻99蜜桃| 久久97久久精品| 精品人妻一区二区三区麻豆| 午夜福利网站1000一区二区三区| av一本久久久久| 国产精品久久久久久久久免| 国产有黄有色有爽视频| www.熟女人妻精品国产| 久久精品国产a三级三级三级| 男女边摸边吃奶| 校园人妻丝袜中文字幕| 欧美97在线视频| 啦啦啦中文免费视频观看日本| 午夜福利视频精品| 新久久久久国产一级毛片| 亚洲熟女精品中文字幕| 久久精品亚洲熟妇少妇任你| 岛国毛片在线播放| 青春草亚洲视频在线观看| 少妇精品久久久久久久| 麻豆av在线久日| 成人影院久久| 亚洲三区欧美一区| 亚洲人成网站在线观看播放| 亚洲国产av新网站| 亚洲婷婷狠狠爱综合网| 亚洲国产精品国产精品| 老司机影院毛片| 最新在线观看一区二区三区 | 日韩熟女老妇一区二区性免费视频| 日本猛色少妇xxxxx猛交久久| 女人高潮潮喷娇喘18禁视频| 波多野结衣一区麻豆| 黄色视频在线播放观看不卡| 精品国产一区二区三区久久久樱花| 中文字幕最新亚洲高清| 亚洲精品一区蜜桃| 亚洲av中文av极速乱| 免费观看性生交大片5| 赤兔流量卡办理| 精品一区二区免费观看| 一边摸一边抽搐一进一出视频| 国产精品二区激情视频| 中文字幕人妻熟女乱码| 中文字幕高清在线视频| 人人妻人人添人人爽欧美一区卜| 涩涩av久久男人的天堂| 18在线观看网站| av电影中文网址| 欧美在线黄色| 看非洲黑人一级黄片| www日本在线高清视频| 国产一区二区激情短视频 | 国产色婷婷99| 日本色播在线视频| 男人爽女人下面视频在线观看| 五月开心婷婷网| 欧美另类一区| 亚洲少妇的诱惑av| 1024视频免费在线观看| 日韩免费高清中文字幕av| 黄色视频不卡| 夫妻午夜视频| 国产日韩欧美亚洲二区| av福利片在线| 最近的中文字幕免费完整| 老汉色av国产亚洲站长工具| 日本猛色少妇xxxxx猛交久久| 97在线人人人人妻| 亚洲精品,欧美精品| 亚洲国产欧美网| 欧美人与善性xxx| 2018国产大陆天天弄谢| www日本在线高清视频| 黄色一级大片看看| 亚洲欧洲日产国产| 女人高潮潮喷娇喘18禁视频| 青草久久国产| 2021少妇久久久久久久久久久| 老汉色av国产亚洲站长工具| 国产精品三级大全| 自线自在国产av| 欧美精品一区二区大全| 日韩欧美精品免费久久| 不卡视频在线观看欧美| 国产激情久久老熟女| 亚洲专区中文字幕在线 | 狂野欧美激情性bbbbbb| 午夜福利在线免费观看网站| 两个人看的免费小视频| 国产精品久久久av美女十八| 国产精品成人在线| av女优亚洲男人天堂| 日本av免费视频播放| 国产免费一区二区三区四区乱码| 亚洲第一青青草原| 欧美日韩亚洲国产一区二区在线观看 | 男女免费视频国产| 黄色毛片三级朝国网站| 黄片小视频在线播放| 日本猛色少妇xxxxx猛交久久| 丝袜喷水一区| 视频区图区小说| 久久久久精品性色| 肉色欧美久久久久久久蜜桃| 丝袜美足系列| 国产精品二区激情视频| 丰满乱子伦码专区| 日本欧美视频一区| 免费不卡黄色视频| 亚洲专区中文字幕在线 | 国产一级毛片在线| 91国产中文字幕| 国产黄色视频一区二区在线观看| 男女免费视频国产| 婷婷色综合www| 大陆偷拍与自拍| 久久韩国三级中文字幕| 国产欧美亚洲国产| 亚洲色图综合在线观看| 高清视频免费观看一区二区| 国产亚洲最大av| 午夜福利乱码中文字幕| 桃花免费在线播放| 丁香六月天网| 久久这里只有精品19| 国产乱人偷精品视频| 少妇人妻 视频| 飞空精品影院首页| 久久性视频一级片| 777久久人妻少妇嫩草av网站| 自拍欧美九色日韩亚洲蝌蚪91| 国产片特级美女逼逼视频| 叶爱在线成人免费视频播放| 午夜福利视频精品| 丝袜喷水一区| 免费不卡黄色视频| 亚洲伊人色综图| 日本av免费视频播放| 麻豆精品久久久久久蜜桃| 亚洲av国产av综合av卡| 曰老女人黄片| 你懂的网址亚洲精品在线观看| 欧美乱码精品一区二区三区| 国产成人精品在线电影| 成人国语在线视频| 热re99久久精品国产66热6| 日韩av不卡免费在线播放| a 毛片基地| 国产精品久久久久久人妻精品电影 | 丁香六月天网| 亚洲欧美成人综合另类久久久| 纯流量卡能插随身wifi吗| 视频区图区小说| 国产爽快片一区二区三区| 成人黄色视频免费在线看| 欧美亚洲日本最大视频资源| 这个男人来自地球电影免费观看 | 51午夜福利影视在线观看| 一本大道久久a久久精品| 精品国产露脸久久av麻豆| 欧美日韩国产mv在线观看视频| 欧美最新免费一区二区三区| 热re99久久国产66热| 黄色一级大片看看| 亚洲,一卡二卡三卡| 亚洲精品美女久久久久99蜜臀 | netflix在线观看网站| 久久久久久久久久久免费av| 中文字幕高清在线视频| 看十八女毛片水多多多| 亚洲精品av麻豆狂野| 大香蕉久久网| 成人影院久久| 尾随美女入室| 两个人看的免费小视频| 人人妻人人爽人人添夜夜欢视频| 久久久久精品国产欧美久久久 | 欧美日韩亚洲国产一区二区在线观看 | 男女免费视频国产| 免费日韩欧美在线观看| 亚洲成色77777| 亚洲欧美一区二区三区久久| 90打野战视频偷拍视频| 中文字幕高清在线视频| 国产高清不卡午夜福利| 日韩免费高清中文字幕av| 亚洲第一区二区三区不卡| 一级毛片我不卡| 国产av精品麻豆| 久久久久久久久免费视频了| 巨乳人妻的诱惑在线观看| 一边亲一边摸免费视频| 国产又爽黄色视频| 色综合欧美亚洲国产小说| avwww免费| 国产片内射在线| 亚洲欧美成人精品一区二区| 国产精品女同一区二区软件| 亚洲精品美女久久久久99蜜臀 | 男女边吃奶边做爰视频| 日韩一区二区视频免费看| 久久久国产一区二区| 另类亚洲欧美激情| 国产一区二区 视频在线| 18禁国产床啪视频网站| 中文字幕最新亚洲高清| 国产精品二区激情视频| 日日摸夜夜添夜夜爱| 国产免费现黄频在线看| av电影中文网址| 午夜福利网站1000一区二区三区| 免费日韩欧美在线观看| 国产精品 国内视频| 免费看av在线观看网站| 中文字幕人妻熟女乱码| 久久久久网色| 日韩av不卡免费在线播放| 青春草国产在线视频| 欧美日韩福利视频一区二区| 日韩制服丝袜自拍偷拍| 日韩制服骚丝袜av| 午夜影院在线不卡| 男女国产视频网站| 香蕉国产在线看| 2018国产大陆天天弄谢| 国产成人欧美| 日韩av不卡免费在线播放| a 毛片基地| 大话2 男鬼变身卡| 色视频在线一区二区三区| 欧美激情 高清一区二区三区| 在线观看国产h片| 久热这里只有精品99| 免费久久久久久久精品成人欧美视频| tube8黄色片| 免费久久久久久久精品成人欧美视频| 一级爰片在线观看| 亚洲成国产人片在线观看| 精品人妻一区二区三区麻豆| 成人国产av品久久久| 国产成人午夜福利电影在线观看| 一边亲一边摸免费视频| 国产日韩欧美在线精品| 亚洲欧美成人综合另类久久久| 亚洲精品中文字幕在线视频| 大香蕉久久成人网| 亚洲精品成人av观看孕妇| 成人黄色视频免费在线看| 伊人久久大香线蕉亚洲五| 国产97色在线日韩免费| 亚洲精品久久成人aⅴ小说| 黑人欧美特级aaaaaa片| 国产欧美亚洲国产| 欧美乱码精品一区二区三区| 国产成人精品无人区| 性色av一级| 亚洲美女视频黄频| 国产色婷婷99| 中文字幕最新亚洲高清| 精品酒店卫生间| 欧美 亚洲 国产 日韩一| 汤姆久久久久久久影院中文字幕| 女的被弄到高潮叫床怎么办| 国产97色在线日韩免费| 男人添女人高潮全过程视频| 成人18禁高潮啪啪吃奶动态图| 性高湖久久久久久久久免费观看| 日本欧美国产在线视频| 最新的欧美精品一区二区| 18禁动态无遮挡网站| 成年女人毛片免费观看观看9 | 最近手机中文字幕大全|