• <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 ?

    一種新型高效的移動端深度學習圖像分類系統(tǒng)

    2021-05-24 10:34:08劉國慶王麗華黃澤宇陳美燕
    物聯(lián)網(wǎng)技術 2021年5期
    關鍵詞:粗粒度標簽卷積

    任 磊,劉國慶,王麗華,黃澤宇,陳美燕

    (1.中國電子科技集團公司第二十研究所,陜西 西安 710068;2.西北大學 信息科學與技術學院,陜西 西安 710127)

    0 引 言

    智能手機、無人機、可穿戴攝像頭和自動駕駛汽車等擁有高清攝像頭的移動設備,極大地改變了人們的生活方式。移動計算可以處理視頻流數(shù)據(jù),為用戶提供多種服務。例如,無人機可以監(jiān)控交通量,識別特定區(qū)域的道路標志;自動駕駛汽車可以分析車載攝像頭傳輸?shù)牧饕曨l,識別物體、行人、其他車輛和交通燈。此外,用戶也可以佩戴增強現(xiàn)實頭盔與現(xiàn)實世界進行互動。這些智能服務一般都是通過分析和計算連續(xù)的視頻信息提供的。在過去幾年里,基于深度學習的方法在各種計算機視覺任務中表現(xiàn)出了其優(yōu)勢,這得益于CNN可以提取圖像或流媒體視頻數(shù)據(jù)幀。

    與云計算相比,在移動設備上處理深度學習有天然優(yōu)勢。整個工作流程不用將數(shù)據(jù)上傳到云,可以在離線運行的同時避免云計算過程中數(shù)據(jù)傳輸與異地存儲帶來的隱私風險。雖然深度學習模型具有卓越的性能,但是CNN中的卷積層需要消耗大量的計算量和能量資源,給設備帶來了嚴峻的挑戰(zhàn)。AlexNet[1]、VGG[2]、GoogleNet[3]、ResNet[4]都 是 ILSVRC 的優(yōu)秀算法模型,其中,AlexNet的Top5錯誤率為16.4%,但它擁有6 000萬個參數(shù),如果用float 32存儲這些參數(shù),它將占用移動設備上228 MB的內(nèi)存,與此同時,AlexNet卷積層的FLOPS為663 MB,約占整個模型FLOPS的92%。顯然,AlexNet并不適合資源有限的移動設備。VGG也是一個經(jīng)典的分類模型,Top5錯誤率達到7.3%,在準確率上有較大的提高,其參數(shù)是AlexNet的3倍。不論考慮計算量還是內(nèi)存開銷,在移動設備上部署深度學習模型都是一個更為嚴峻的挑戰(zhàn)。GoogleNet和ResNet也必須要面對這個問題。為了解決這個問題,研究人員使用一種主流技術,即壓縮預先訓練的深度學習模型。這種策略能夠有效地對神經(jīng)網(wǎng)絡模型進行修剪,但都是以犧牲精度為代價的。

    本文把分類任務分為兩個階段:第一階段定義為粗粒度聚類過程,這個階段最主要的作用是減少解空間(神經(jīng)網(wǎng)絡模型需要識別數(shù)據(jù)集中包含的類數(shù))。在此之后,可以將數(shù)據(jù)聚類為幾個彼此不相關的小數(shù)據(jù)集,但在同一聚類中的圖像比在不同聚類中的圖像具有更強的相似性;第二階段是分類過程,在這一階段設計了幾個自定義的輕量級分類器,分別識別圖像的特定類。

    要完成這項工作,將面臨兩大挑戰(zhàn):一是需要得出一個粗粒度的聚類方法,用來劃分數(shù)據(jù)集的解空間;二是現(xiàn)有的聚類模型都是為了對圖像進行聚類,使圖像盡可能接近標簽,目的是訓練一個模型來推斷某一類的圖像信息。為了解決第一個問題,本文提出了一種粗粒度聚類方法,對圖像特征進行粗聚類,將圖像分為不同的簇。此外,由于移動設備的計算成本和能耗有限,需要一個標準來衡量模型是否可以在移動設備上實現(xiàn),因此本文提出了一種能量預測模型來解決第二個挑戰(zhàn)。

    本文系統(tǒng)的優(yōu)勢和主要工作如下:

    (1)本文創(chuàng)新性地利用聚類和分類完成分類任務,使用幾個輕量級的神經(jīng)網(wǎng)絡代替單一的龐大模型,使其在每次推理時消耗更少的資源。

    (2)本文提出了一種能量預測方法,通過探索能量與計算量的關系,得到一個轉(zhuǎn)換因子,根據(jù)這個因子和模型的復雜性預測模型的能耗。

    (3)對于解空間的劃分,本文模型在兩個階段都可以利用輕量級神經(jīng)網(wǎng)絡達到一定的精度,并且花費較少的能量和時間進行推斷。

    1 相關工作

    1.1 數(shù)據(jù)聚類

    現(xiàn)有的聚類方法[5-6]大多利用或改進傳統(tǒng)的機器學習技術聚類數(shù)據(jù),如K-means[6],這類機器學習聚類方法在cifa-100[7]、ILSVRC2012 1k[8]等各種數(shù)據(jù)集上準確率較低,因為它們依賴于SIFT[9]、SURF[10]等特征提取算法,無法提高圖像的表示效果。文獻[11-12]利用深度神經(jīng)網(wǎng)絡逐步提取更有效的特征表示。深度聚類通過利用K-means對數(shù)據(jù)特征進行聚類,然后使用聚類標簽作為偽標簽訓練ConvNet,獲得了較好的精度[11]。DAC通過將圖像聚類任務轉(zhuǎn)化為二值兩兩分類問題對數(shù)據(jù)進行聚類,分析對圖像是否屬于同一個聚類[12]。這些基于深度學習的聚類方法在一定程度上提高了聚類精度,雖然性能仍然不盡如人意,但是這些方法為粗粒度聚類提供了有價值的設計思路。

    1.2 數(shù)據(jù)分類

    圖像分類是計算機視覺領域的一個熱門課題,有很多優(yōu)秀的研究成果,具體見文獻[1-4]。這些成果為后來的研究提供了許多極好的思路,但是這些模型非常龐大,難以在移動設備上實現(xiàn),文獻[13-14]致力于將普通模型壓縮成合適的模型。其中,文獻[13]提出了一種利用f×1和1×f濾波器的線性組合代替f×f濾波器實現(xiàn)低秩近似的壓縮方法。這些框架確實能在移動設備上運行,但它們中的大多數(shù)通過犧牲模型的準確性來削減模型大小。與這類工作相比,一些神經(jīng)網(wǎng)絡設計方法直接設計輕量化模型,見文獻[15-18]。文獻[16]提出了包含擠壓層和擴展層的火災模塊,以減小模型參數(shù),文獻[17]采用組卷積和通道shuffle兩種操作減少參數(shù)。本文提出了一種考慮解決方案空間和能量消耗的高效深度學習框架,使基于卷積網(wǎng)絡的模型可在資源感知型移動設備上執(zhí)行。

    2 系統(tǒng)設計

    本節(jié)主要介紹了系統(tǒng)設計模型,闡述了使用粗粒度聚類的必要性,以及所使用的聚類方法,通過自定義的神經(jīng)網(wǎng)絡框架對解空間劃分產(chǎn)生的每個聚類數(shù)據(jù)進行分類。

    2.1 解空間

    將解空間定義為一個完整數(shù)據(jù)集需要識別特定數(shù)量的類。一般來說,隨著樣本數(shù)據(jù)量的增加,數(shù)據(jù)集的解空間也隨之增大。目前在圖像或視頻幀分類方面有很多研究成果能夠表現(xiàn)出良好的圖像分析性能。但是,這些基于神經(jīng)網(wǎng)絡的模型通常情況下參數(shù)較多,結(jié)構極其復雜,不適合移動設備。盡管壓縮模型可以減少模型在計算和內(nèi)存上的消耗,但對于資源有限的移動設備來說,仍然存在不可忽視的問題。此外,由于壓縮方法可能會對一些可以產(chǎn)生良好特征的導入濾波器進行刪減,壓縮后的模型通常不能達到與原始模型相同的性能?,F(xiàn)實世界的對象是不可估計的,單一的數(shù)據(jù)集不能代表現(xiàn)實世界的數(shù)據(jù)和數(shù)據(jù)分布。當不斷向原始數(shù)據(jù)集中添加新的圖像,使解空間變得更大時,傳統(tǒng)的單一神經(jīng)網(wǎng)絡設計方法會使模型變得更加復雜和繁瑣,甚至難以設計。針對這種情況,本文提出了一種新的分類模型,將分類任務分為兩步,即大規(guī)模解空間劃分和自定義神經(jīng)網(wǎng)絡框架設計。

    2.2 大規(guī)模解空間劃分

    首先將一個大的數(shù)據(jù)集劃分成若干個小的數(shù)據(jù)集,以減小解空間的規(guī)模,該過程如圖1所示。為了劃分數(shù)據(jù)集,一種簡單的方法是將整個數(shù)據(jù)集中的圖像隨機分布到K(K<N,N是一個數(shù)據(jù)集中的類數(shù))個小數(shù)據(jù)集中。理想情況下,希望小數(shù)據(jù)集具有弱相關性,甚至彼此無關,但每個小數(shù)據(jù)集中的數(shù)據(jù)具有強相關性。針對這一思想,聚類是實現(xiàn)這一目標的合理方法,然而,傳統(tǒng)的機器學習技術由于精度較低,已經(jīng)不能適應當前的要求。因此,本文利用基于CNN的模型劃分數(shù)據(jù)集來減少解空間,并將該聚類模型定義為粗粒度聚類模型,該模型的體系結(jié)構見表1所列,在此過程中需要識別的聚類數(shù)目比傳統(tǒng)基于CNN的聚類模型要少,所以聚類模型就會變成輕量級,本文也采取了一些技術來提高模型的性能,使模型易于在移動設備上實現(xiàn),接下來將詳細介紹基于CNN的粗粒度聚類方法。

    表1 粗粒度聚類網(wǎng)絡結(jié)構

    圖1 解空間劃分

    (1)卷積層

    卷積層是卷積網(wǎng)絡中計算密集型的一層,它涉及大量的卷積計算,因此,為ConvNet選擇合適的濾波器是很有意義的。在粗粒度聚類的神經(jīng)網(wǎng)絡設計中,只使用了3×3的核,因為3×3的核相比1×1的核具有更大的接受域。在神經(jīng)網(wǎng)絡設計中沒有使用5×5或7×7濾波器,是希望減少參數(shù)并獲得同等的性能。值得一提的是,兩個連續(xù)的3×3濾波器可以分析有25個像素信息的特征圖,相當于一個5×5濾波器,這使得神經(jīng)網(wǎng)絡的學習能力與其他實現(xiàn)5×5濾波器的算法相當甚至更強。

    (2)限制層

    本文期望用神經(jīng)網(wǎng)絡的輸出來完成粗粒度聚類。為了獲得更好的特征表示,避免損失函數(shù)中存在ln 0等無意義的解,對ConvNet生成的輸出進行限制,使其保持一定的間隔,這有利于訓練ConvNet。具體來說,在神經(jīng)網(wǎng)絡模型的最后一層之后實現(xiàn)了限制,將每個元素限制為(0,1)。該過程的表述如下:

    式中:Lin,Lout分別為限制層的輸入和輸出;K表示粗粒度聚類后簇數(shù)的超參數(shù)。

    式(1)限制了神經(jīng)網(wǎng)絡輸出的所有元素,式(2)限制輸出為一個單位向量。這個過程只是對神經(jīng)網(wǎng)絡的輸出進行線性變換,使其學習效率更高。在實現(xiàn)限制層后,對限制層生成的輸出進行聚類,將聚類標簽作為偽標簽,以分類方式訓練模型。

    (3)聚類步驟

    受深度聚類[11]的啟發(fā),認為選擇什么樣的方法對特征輸出聚類并不重要,只需要一種聚類模式就可以給出聚類圖像所屬的標準。因此,本文選擇K-means聚類方法完成這一步。當?shù)玫骄垲悩撕灂r,將聚類標簽轉(zhuǎn)換為一個熱向量,使得數(shù)據(jù)集中的每幅圖像與熱標簽相關;可以使輸出的限制和聚類標簽擁有相同的維度,其中,k與限制層中表示聚類數(shù)的K相同。

    (4)損失函數(shù)

    在這一部分中,分布p(x),q(x)分別表示樣本圖像的偽標簽和神經(jīng)網(wǎng)絡模型的輸出,兩者中的x都是特征信息。使用Kullback-Leibler(KL)散度度量特征表示與偽標簽之間的差異。注意KL散度是對兩個不同分布p(x)和q(x)的非對稱度量。由式(5)可知,右邊第一項為p(x)的熵,在優(yōu)化過程中為常數(shù),因此,只關注后一項,它被定義為交叉熵,傳播損失來更新神經(jīng)網(wǎng)絡的權值。通過解決以下問題計算損失:

    (5)粗粒度聚類標簽推理

    對于映像,它必須屬于某個集群。理想情況下,圖像特征可以是標準的one-hot向量的一種形式,值為1的指標是圖像所屬的聚類。基于這一觀點,分析了神經(jīng)網(wǎng)絡模型對聚類圖像的輸出。訓練后,基于卷積神經(jīng)網(wǎng)絡的聚類模型可以從圖像中提取有效的特征,通過分析神經(jīng)網(wǎng)絡的輸出對數(shù)據(jù)進行分類是可取的,該過程可制定如下:

    式中:li為k維張量,是圖像i的卷積神經(jīng)網(wǎng)絡的輸出;f(*)為映射函數(shù);ω為模型的權值;ci是圖像i的聚類標號,由張量的最大值產(chǎn)生。理想情況下,一幅圖像的特征li是一個熱點向量,1表示該圖像屬于這個簇,0表示該圖像不屬于這個簇。然而,在現(xiàn)實中很難通過訓練模型得到全局最優(yōu)解,因此,取CNN產(chǎn)生的高級表示的最大響應。

    2.3 自定義神經(jīng)網(wǎng)絡框架設計

    這部分詳細介紹了自定義神經(jīng)網(wǎng)絡框架的設計。設計K分類器分別對粗粒度聚類過程生成的K個數(shù)據(jù)集進行分類,從聚類步驟中得到一個有意義的結(jié)論,即聚類的大小不同。因此,本文提出一種自定義的神經(jīng)網(wǎng)絡設計策略,使模型能夠有效地在目標設備上運行,接下來,介紹了神經(jīng)網(wǎng)絡設計中的能量預測模型和其他細節(jié)。

    在手機上實現(xiàn)深度學習模型最重要的問題是能耗和計算。執(zhí)行一次推理所產(chǎn)生的能量決定了手機的工作時間。對于深度學習模型,能耗主要來自兩個方面:占用的CPU資源;RAM與ROM之間的數(shù)據(jù)交換。這兩個方面都受到模型處理圖像產(chǎn)生的計算量的影響。為了確保模型能夠在移動設備上有效地執(zhí)行,本文提出了一個能量預測模型,該模型可以預測神經(jīng)網(wǎng)絡在處理圖像過程中因為計算而產(chǎn)生的能量消耗,預測能耗的方法可表述如下:

    式中:O代表神經(jīng)網(wǎng)絡的計算;Cin,Cout分別是第j個卷積層的輸入通道和輸出通道;hj-1,ωj-1是輸入要素圖的大??;K是內(nèi)核的大?。籖i代表與特定計算有關的能耗;α是能量開銷和計算量的轉(zhuǎn)換因子,每個分類器都有自己的轉(zhuǎn)換因子。

    由于解空間的減小,可以利用輕權重神經(jīng)網(wǎng)絡對圖像進行識別。因此,在分類器設計中,廣泛采用與聚類方法相同的神經(jīng)網(wǎng)絡設計策略。確切地說,只是在卷積層中使用3×3個過濾器來分析圖像信息,在最后的卷積層之后加入LRN(Local Response,歸一化),使特征分布變得穩(wěn)定。值得注意的是,在最終的完全連接層之后添加softmax層,使用的損失函數(shù)是交叉熵,采用小批量梯度下降優(yōu)化函數(shù)解決了隨機梯度下降過程中損失不穩(wěn)定的問題。

    3 性能測試預評估

    在本節(jié)中用提出的系統(tǒng)對圖像進行分類,并在CIFAR-10、CIFAR-100、ILSVRC2012 1k三個流行的數(shù)據(jù)集上評估其性能。

    3.1 數(shù)據(jù)集和數(shù)據(jù)預處理

    兩個CIFAR數(shù)據(jù)集包含50 000張訓練圖像和10 000張像素為32×32的測試圖像。CIFAR-10包含10個類別,而CIFAR-100有100個更為細粒度的類別,也可以分為20個粗粒度的類別。ILSVRC2012 1k數(shù)據(jù)集有1 000個類別,共120萬張訓練圖像和50 000張像素為96×96的測試圖像(調(diào)整ILSVRC2012的圖像大小以方便處理)。

    因為把原始數(shù)據(jù)集分為若干個不同的簇,所以就會導致每個簇中的圖像大幅度減少。因此,應用了一些數(shù)據(jù)增強技術來擴展數(shù)據(jù)集:首先對圖像零填充4個像素,然后隨機裁剪它們以生成大小為32×32的圖像;再人為地在圖像中產(chǎn)生一些噪點;Z分數(shù)歸一化用于提高原始數(shù)據(jù)的質(zhì)量,在此步驟中,通過通道均值減去圖像的像素數(shù)據(jù),然后除以標準差。該過程可通過式(10)表示。這些主流的數(shù)據(jù)增強技術能夠擴展原始數(shù)據(jù)集并增強神經(jīng)網(wǎng)絡的推理能力。

    在第一階段將圖像分為幾個簇。在此階段中不需要使用標簽訓練模型,但是需要標簽測試模型的性能。因此,采用一種簡單的方法標注圖像的粗粒度標簽。注意,CIFAR-100數(shù)據(jù)集為每個圖像標注了粗粒度標簽,以表示它的超類,例如,時鐘、電視、鍵盤都是家用電器,因此,在此階段中不會對CIFAR-100做任何處理。在訓練提出的模型之前,首先分析了100張圖像的潛在關系,然后對原始數(shù)據(jù)集進行粗粒度標記,最后為數(shù)據(jù)集添加粗粒度列表。

    3.2 粗粒度聚類

    在對聚類性能評估的初步研究中,引入了NMI度量兩個不同的賦值X,Y之間共享的信息。NMI公式如下:

    式中:I(*)為X,Y的互信息;H(*)表示熵。具體來說,如果NMI的值越小,則兩個賦值的相關性越獨立。

    (1)聚類和粗粒度標簽之間的關聯(lián)

    在神經(jīng)網(wǎng)絡訓練之后,通過報告NMI的演變顯示聚類與人工或自然粗粒度標簽之間的動態(tài)關聯(lián)。該度量的目標是度量模型的性能,以預測圖像的粗粒度簇級信息。當對一個神經(jīng)網(wǎng)絡模型進行訓練時,模型會逐漸更新權重,使推理更加有效。在圖2中,分別展示了CIFAR-10、CIFAR-100和ILSVRC2012 1k數(shù)據(jù)集在訓練過程中聚類和粗粒度標簽的趨勢??梢园l(fā)現(xiàn),這三條曲線都持續(xù)上升,即粗粒度簇與標簽之間的依賴性不斷增加,這說明本文模型可以逐漸產(chǎn)生有效的特征信息來提高聚類性能。

    圖2 聚類和粗粒度標簽的趨勢

    (2)相鄰訓練階段簇間的關聯(lián)

    這一部分簡要分析了聚類模型在訓練階段的穩(wěn)定性。在訓練過程中,該模型根據(jù)圖像的特征信息對圖像進行聚類。然而,由于圖像分配的變化情況未知,因此無法斷言聚類的穩(wěn)定性。因此,本文分析了簇在相鄰時間(t-1和t)的分布。在圖3中報告了相鄰訓練時段的NMI,以表示模型的內(nèi)部變化。圖中顯示,NMI不斷增加,即訓練過程中重新分配的圖像數(shù)量變少,此度量表示本文模型可以有效地對圖像進行聚類,使圖像分布穩(wěn)定。

    圖3 相鄰訓練時段的NMI變化

    (3)粗粒度聚類性能

    本文創(chuàng)新性地探索使用粗粒度聚類來劃分原始數(shù)據(jù)集的解空間,因此沒有將聚類性能與其他旨在預測特定類的工作進行比較。為了將本文模型與其他已有的工作進行比較,對本文模型進行了擴展,使其能夠預測圖像的某類信息。表2中展示了模型在兩個方面的性能,即NMI和精度。首先,基于深度學習方法(如DAC)的性能優(yōu)于傳統(tǒng)機器學習方法(如K-means),因此可以得到特征信息比聚類方法更重要的結(jié)論;其次,與其他工作相比,本文擴展模型表現(xiàn)出不錯的性能,因為本文只設計了一個簡單的基于深度學習的方法來劃分數(shù)據(jù)集的解空間,因此,粗粒度聚類方法在這些聚類方法中能夠表現(xiàn)出最好的性能。

    表2 不同聚類方法在三個數(shù)據(jù)集上的聚類性能對比

    3.3 分類器

    本文主要從分類精度和能耗兩個方面來評估系統(tǒng)性能。前者驗證了模型推理的有效性,后者保證了模型在目標設備上的良好性能。可以用式(8)獲得近似的能耗,然后通過對預測能量和能量存儲量的分析,判斷模型是否適用于移動設備。圖4給出了本文系統(tǒng)和其他主流模型在2個數(shù)據(jù)集上的性能(數(shù)據(jù)取自其他論文)。本文系統(tǒng)達到了與其他移動服務模型相當?shù)木?,這表明本文系統(tǒng)能夠滿足用戶的需求。在評估了系統(tǒng)的準確性之后,使用能量預測模型評估該模型是否能夠有效地在手機上運行。在表3中,本文展示了在ILSVRC2012 1k上訓練的幾個模型的能耗和一些其他特征。計算量和權重參數(shù)會對內(nèi)存、CPU和GPU造成巨大的壓力,所以計算量和參數(shù)在一定程度上可以代表能耗。通過與其他模型的比較,發(fā)現(xiàn)本文模型計算量比其他模型要少,在無人機上推理一次僅消耗264 mA。因此,本文模型可以滿足目前大多數(shù)移動設備的需求。

    圖4 準確性比較

    表3 能量消耗和其他特征的比較

    4 結(jié) 語

    本文提出了一種新的神經(jīng)網(wǎng)絡,通過引入劃分解空間和分類數(shù)據(jù)兩個階段對數(shù)據(jù)進行分類。前者利用粗粒度聚類方法,允許將數(shù)據(jù)分布到多個聚類中,后者由上一步產(chǎn)生的具有相同聚類數(shù)的一系列分類器對每個聚類進行精確分類。這個過程的優(yōu)點是:可以在兩個步驟中減輕神經(jīng)網(wǎng)絡模型的壓力,例如,在聚類步驟中只需要找到一個大致的聚類模式,使神經(jīng)網(wǎng)絡不要過于龐大,而在推理步驟中只需要將一個輕量級的模型調(diào)用到內(nèi)存中,它可能是單個模型所占大小的一小部分,這個過程的結(jié)果使得模型消耗更少的能量,有利于在各種手機上實現(xiàn)該模型。與現(xiàn)有的單一神經(jīng)網(wǎng)絡設計方法相比,本文系統(tǒng)在解空間發(fā)生變化時是等價穩(wěn)定的,因為在第一階段劃分解空間時,本文模型將數(shù)據(jù)分布到一個簇中,例如,利用多個數(shù)據(jù)集代替原來的數(shù)據(jù)集減輕數(shù)據(jù)集的壓力,通過增加解空間產(chǎn)生神經(jīng)網(wǎng)絡。大量實驗結(jié)果表明,本文模型在CIFAR-10、CIFAR-100和ILSVRC2012 1k的數(shù)據(jù)集上具有良好的性能,并且能耗較低,可以在手機上進行有效的處理。

    猜你喜歡
    粗粒度標簽卷積
    一種端到端的加密流量多分類粗粒度融合算法*
    通信技術(2022年11期)2023-01-16 15:05:40
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    基于卷積神經(jīng)網(wǎng)絡的粗粒度數(shù)據(jù)分布式算法
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    無懼標簽 Alfa Romeo Giulia 200HP
    車迷(2018年11期)2018-08-30 03:20:32
    不害怕撕掉標簽的人,都活出了真正的漂亮
    海峽姐妹(2018年3期)2018-05-09 08:21:02
    基于傅里葉域卷積表示的目標跟蹤算法
    在線評論情感分析研究綜述
    軟件導刊(2018年2期)2018-03-10 20:29:13
    基于公共池自適應遷移策略的并行遺傳算法
    標簽化傷害了誰
    亚洲色图综合在线观看| 偷拍熟女少妇极品色| 国产成人精品久久久久久| 丝袜喷水一区| 国产成人a∨麻豆精品| 免费高清在线观看视频在线观看| 国产日韩欧美亚洲二区| 久久99热这里只频精品6学生| 婷婷色麻豆天堂久久| 久久久久久久久久久丰满| 一区二区三区免费毛片| 精品人妻视频免费看| 国产成人精品一,二区| 亚洲精品第二区| 美女视频免费永久观看网站| 日韩强制内射视频| 日韩欧美 国产精品| 欧美97在线视频| 狂野欧美白嫩少妇大欣赏| 国产一区亚洲一区在线观看| 国产精品.久久久| 免费在线观看成人毛片| a级毛片免费高清观看在线播放| 午夜福利网站1000一区二区三区| 大又大粗又爽又黄少妇毛片口| 深爱激情五月婷婷| 精华霜和精华液先用哪个| 欧美老熟妇乱子伦牲交| 亚洲国产精品成人久久小说| 国产成人精品婷婷| 我的老师免费观看完整版| 国产成人午夜福利电影在线观看| 亚洲最大成人手机在线| 中国国产av一级| 久久久久久久午夜电影| av网站免费在线观看视频| 男人添女人高潮全过程视频| 亚洲欧美一区二区三区国产| 国产亚洲最大av| 日日啪夜夜撸| 久久亚洲国产成人精品v| 少妇熟女欧美另类| 少妇的逼好多水| 精品人妻偷拍中文字幕| 18+在线观看网站| 99热6这里只有精品| 成人特级av手机在线观看| 在线看a的网站| 97超碰精品成人国产| 免费看av在线观看网站| 校园人妻丝袜中文字幕| 亚洲av成人精品一二三区| 国产有黄有色有爽视频| 国产在线男女| 欧美97在线视频| 人妻制服诱惑在线中文字幕| 黄色配什么色好看| 99精国产麻豆久久婷婷| 国产免费福利视频在线观看| av.在线天堂| 你懂的网址亚洲精品在线观看| 久久久久国产网址| 国产精品99久久久久久久久| 亚洲国产精品999| 日韩一区二区视频免费看| 国产成人a区在线观看| 尤物成人国产欧美一区二区三区| 内地一区二区视频在线| 18禁动态无遮挡网站| 又爽又黄无遮挡网站| 国产精品久久久久久精品古装| 亚洲精品成人av观看孕妇| 在现免费观看毛片| 男人和女人高潮做爰伦理| 国内精品宾馆在线| 日韩免费高清中文字幕av| 一级毛片我不卡| av国产久精品久网站免费入址| 一个人观看的视频www高清免费观看| 午夜亚洲福利在线播放| 成人漫画全彩无遮挡| 欧美性感艳星| 一级二级三级毛片免费看| 国国产精品蜜臀av免费| 国产亚洲午夜精品一区二区久久 | 在线观看国产h片| 国产视频首页在线观看| 久久久精品欧美日韩精品| 国产高清国产精品国产三级 | 久久精品人妻少妇| 亚洲精品日韩在线中文字幕| 黄片无遮挡物在线观看| 只有这里有精品99| 97人妻精品一区二区三区麻豆| 在线观看一区二区三区| 国产精品国产三级国产av玫瑰| 天天躁夜夜躁狠狠久久av| 网址你懂的国产日韩在线| 国产精品国产av在线观看| 免费人成在线观看视频色| 99久久精品一区二区三区| 国产一区二区三区av在线| 国产精品一区二区在线观看99| 搞女人的毛片| 欧美老熟妇乱子伦牲交| 国产精品一区二区三区四区免费观看| 亚洲精品一二三| 国产毛片在线视频| 国产精品国产av在线观看| 色5月婷婷丁香| 日本熟妇午夜| 最近中文字幕2019免费版| 交换朋友夫妻互换小说| 日本色播在线视频| 亚洲怡红院男人天堂| 又粗又硬又长又爽又黄的视频| 国产av不卡久久| 国产成人福利小说| 午夜亚洲福利在线播放| 最近手机中文字幕大全| 熟女人妻精品中文字幕| 亚洲精品456在线播放app| 又黄又爽又刺激的免费视频.| 国产在线男女| 成人美女网站在线观看视频| 蜜桃久久精品国产亚洲av| 免费看日本二区| 久久久久久久亚洲中文字幕| 久久精品国产亚洲av天美| 少妇 在线观看| 亚洲精品日本国产第一区| 国产片特级美女逼逼视频| 亚洲精品日本国产第一区| 国产淫片久久久久久久久| 亚洲四区av| 好男人视频免费观看在线| av在线播放精品| 久久韩国三级中文字幕| 欧美成人a在线观看| 一个人观看的视频www高清免费观看| 久久精品久久精品一区二区三区| 69av精品久久久久久| av国产久精品久网站免费入址| 能在线免费看毛片的网站| 日本一二三区视频观看| 春色校园在线视频观看| 国产精品熟女久久久久浪| 婷婷色综合www| 热99国产精品久久久久久7| 一区二区三区免费毛片| 高清欧美精品videossex| 欧美激情在线99| 91久久精品国产一区二区成人| 最近中文字幕2019免费版| 亚洲最大成人中文| kizo精华| 搞女人的毛片| 欧美+日韩+精品| 亚洲国产日韩一区二区| 亚洲色图av天堂| 国产高清不卡午夜福利| 欧美三级亚洲精品| 亚洲电影在线观看av| 中文天堂在线官网| 亚洲一区二区三区欧美精品 | 91久久精品国产一区二区成人| 一个人观看的视频www高清免费观看| 一级毛片我不卡| 国产淫片久久久久久久久| 亚洲精品成人av观看孕妇| 成人二区视频| 欧美成人精品欧美一级黄| 国产欧美日韩一区二区三区在线 | 亚洲人成网站在线播| 久久精品国产亚洲av天美| tube8黄色片| a级一级毛片免费在线观看| 欧美老熟妇乱子伦牲交| 日韩,欧美,国产一区二区三区| 网址你懂的国产日韩在线| 亚洲电影在线观看av| 久久精品人妻少妇| 欧美日韩视频精品一区| 视频区图区小说| 亚洲精品乱久久久久久| 国产一区二区亚洲精品在线观看| 亚洲精品国产成人久久av| 欧美性感艳星| av卡一久久| 好男人在线观看高清免费视频| 97精品久久久久久久久久精品| 国产一级毛片在线| 丝瓜视频免费看黄片| 亚洲av成人精品一区久久| 成年女人在线观看亚洲视频 | 国产av不卡久久| 青春草亚洲视频在线观看| 久久久久久久精品精品| 一级毛片我不卡| 熟女人妻精品中文字幕| 日本wwww免费看| 精品一区二区免费观看| 啦啦啦在线观看免费高清www| 亚洲av电影在线观看一区二区三区 | av免费在线看不卡| 亚洲国产欧美人成| 一区二区三区四区激情视频| 日韩免费高清中文字幕av| 最近2019中文字幕mv第一页| 极品教师在线视频| tube8黄色片| 尾随美女入室| 国产高清不卡午夜福利| 午夜福利高清视频| 99热国产这里只有精品6| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 午夜亚洲福利在线播放| 亚洲va在线va天堂va国产| 亚洲精品第二区| 久久久久久久久久久丰满| 日韩一区二区视频免费看| 欧美激情久久久久久爽电影| 国内精品美女久久久久久| 久久99蜜桃精品久久| 高清日韩中文字幕在线| 日韩三级伦理在线观看| 日韩欧美精品免费久久| 丝袜脚勾引网站| 欧美丝袜亚洲另类| 九九爱精品视频在线观看| 国产探花在线观看一区二区| 精品少妇黑人巨大在线播放| 日本黄大片高清| av免费观看日本| 黑人高潮一二区| 欧美性感艳星| 亚洲精品国产av成人精品| 日韩 亚洲 欧美在线| 内地一区二区视频在线| 小蜜桃在线观看免费完整版高清| 免费av不卡在线播放| 久久精品人妻少妇| 美女国产视频在线观看| 91久久精品国产一区二区三区| 好男人视频免费观看在线| 在线免费观看不下载黄p国产| 18禁动态无遮挡网站| 亚洲丝袜综合中文字幕| 网址你懂的国产日韩在线| 亚洲精品日韩在线中文字幕| 亚洲国产精品专区欧美| 精品一区在线观看国产| 久久99热这里只频精品6学生| 精品一区二区三区视频在线| 国产v大片淫在线免费观看| 亚洲丝袜综合中文字幕| .国产精品久久| 免费看a级黄色片| 免费电影在线观看免费观看| 午夜免费鲁丝| 国产成人aa在线观看| 尤物成人国产欧美一区二区三区| 色5月婷婷丁香| 夜夜看夜夜爽夜夜摸| 日本午夜av视频| 一级毛片电影观看| 午夜老司机福利剧场| 女人被狂操c到高潮| 在线亚洲精品国产二区图片欧美 | av黄色大香蕉| 熟女av电影| 大话2 男鬼变身卡| 99热国产这里只有精品6| 91久久精品国产一区二区三区| 最近手机中文字幕大全| 亚洲精品中文字幕在线视频 | 男女啪啪激烈高潮av片| 日韩不卡一区二区三区视频在线| 亚洲内射少妇av| 日韩欧美精品免费久久| 91精品国产九色| 久久亚洲国产成人精品v| 欧美xxⅹ黑人| 菩萨蛮人人尽说江南好唐韦庄| 在线观看美女被高潮喷水网站| 2021少妇久久久久久久久久久| 欧美高清性xxxxhd video| 在线播放无遮挡| 午夜福利网站1000一区二区三区| 久久精品国产自在天天线| 欧美性猛交╳xxx乱大交人| 国模一区二区三区四区视频| 免费看日本二区| 可以在线观看毛片的网站| 精品国产一区二区三区久久久樱花 | 毛片女人毛片| 直男gayav资源| 久久精品国产亚洲av涩爱| 日日啪夜夜撸| 国产黄a三级三级三级人| 精品久久久久久久末码| 狠狠精品人妻久久久久久综合| 欧美高清成人免费视频www| 人妻夜夜爽99麻豆av| 各种免费的搞黄视频| 欧美xxxx黑人xx丫x性爽| 超碰97精品在线观看| 免费看av在线观看网站| 夜夜爽夜夜爽视频| 国产精品一区二区在线观看99| 欧美日韩精品成人综合77777| 99九九线精品视频在线观看视频| 精品一区二区三区视频在线| 久久久久久久久久久丰满| 99re6热这里在线精品视频| 国产黄色免费在线视频| 国产成人福利小说| 毛片女人毛片| 免费黄频网站在线观看国产| 在线a可以看的网站| 国产精品无大码| av一本久久久久| 亚洲成人久久爱视频| 中文字幕久久专区| 亚洲第一区二区三区不卡| 高清日韩中文字幕在线| 亚洲高清免费不卡视频| 中文字幕制服av| 欧美人与善性xxx| 国产精品国产三级专区第一集| 色哟哟·www| 简卡轻食公司| 精品久久久噜噜| 国产av码专区亚洲av| 菩萨蛮人人尽说江南好唐韦庄| 亚洲高清免费不卡视频| 蜜桃久久精品国产亚洲av| 国产精品一区二区三区四区免费观看| 哪个播放器可以免费观看大片| 视频中文字幕在线观看| 久久久a久久爽久久v久久| 欧美xxⅹ黑人| 久久精品综合一区二区三区| 嘟嘟电影网在线观看| 欧美+日韩+精品| 亚洲av国产av综合av卡| 午夜激情久久久久久久| 亚洲va在线va天堂va国产| 亚洲不卡免费看| 中国美白少妇内射xxxbb| 两个人的视频大全免费| 99久久中文字幕三级久久日本| 日本爱情动作片www.在线观看| 99热6这里只有精品| 午夜免费男女啪啪视频观看| 老司机影院毛片| av国产免费在线观看| 狂野欧美激情性xxxx在线观看| 亚洲国产精品成人久久小说| videos熟女内射| 成年版毛片免费区| 中文欧美无线码| 有码 亚洲区| 国产亚洲av嫩草精品影院| 日韩一区二区三区影片| 联通29元200g的流量卡| 欧美日韩综合久久久久久| 99久久精品热视频| 天美传媒精品一区二区| 欧美xxxx性猛交bbbb| 欧美一级a爱片免费观看看| 成人亚洲欧美一区二区av| 亚洲欧美成人综合另类久久久| 日本爱情动作片www.在线观看| 午夜爱爱视频在线播放| 精品一区二区三卡| 三级国产精品欧美在线观看| 午夜激情久久久久久久| 国产精品熟女久久久久浪| 涩涩av久久男人的天堂| 欧美日韩综合久久久久久| 菩萨蛮人人尽说江南好唐韦庄| 欧美成人a在线观看| 在线亚洲精品国产二区图片欧美 | 丝袜喷水一区| 久久久久久久久久久免费av| 深夜a级毛片| 日本av手机在线免费观看| 亚洲四区av| av黄色大香蕉| 熟女电影av网| 七月丁香在线播放| 国产免费一区二区三区四区乱码| av线在线观看网站| 国产黄片美女视频| 精品一区二区免费观看| 国模一区二区三区四区视频| 蜜桃久久精品国产亚洲av| 99久久九九国产精品国产免费| 99热国产这里只有精品6| 91久久精品国产一区二区成人| 99热这里只有精品一区| 九草在线视频观看| 精品国产乱码久久久久久小说| 久久6这里有精品| 久久久久久久大尺度免费视频| 久久亚洲国产成人精品v| 国产午夜精品久久久久久一区二区三区| 国产精品女同一区二区软件| 亚洲精品成人av观看孕妇| 国产又色又爽无遮挡免| 精品人妻偷拍中文字幕| 国产高清国产精品国产三级 | videossex国产| tube8黄色片| freevideosex欧美| 国产亚洲av嫩草精品影院| 五月开心婷婷网| 天美传媒精品一区二区| 亚洲欧美成人精品一区二区| av国产免费在线观看| 在线观看免费高清a一片| 欧美成人午夜免费资源| 国产精品一区二区在线观看99| 亚洲av成人精品一二三区| 国产免费一区二区三区四区乱码| 亚洲精品一区蜜桃| 黄色配什么色好看| 婷婷色综合大香蕉| 国产高清有码在线观看视频| 亚洲精品乱码久久久v下载方式| 欧美日韩综合久久久久久| 丰满人妻一区二区三区视频av| 97精品久久久久久久久久精品| .国产精品久久| 久久精品国产亚洲av涩爱| 亚洲精品国产成人久久av| 精品久久久噜噜| 高清日韩中文字幕在线| 中文乱码字字幕精品一区二区三区| 日韩,欧美,国产一区二区三区| 爱豆传媒免费全集在线观看| 日日摸夜夜添夜夜添av毛片| 夜夜爽夜夜爽视频| 街头女战士在线观看网站| 18禁裸乳无遮挡免费网站照片| 人人妻人人看人人澡| 26uuu在线亚洲综合色| 国产人妻一区二区三区在| 看免费成人av毛片| 亚洲av男天堂| 青春草国产在线视频| 国产老妇女一区| 日本爱情动作片www.在线观看| 国产成人精品一,二区| 日韩伦理黄色片| 老司机影院成人| 国产毛片在线视频| 亚洲国产欧美在线一区| 久久精品久久久久久久性| 全区人妻精品视频| 色视频在线一区二区三区| 一级爰片在线观看| 日日啪夜夜撸| 最近手机中文字幕大全| 天天一区二区日本电影三级| 一级片'在线观看视频| 91精品国产九色| 在线看a的网站| 一二三四中文在线观看免费高清| 男女无遮挡免费网站观看| 日韩伦理黄色片| 亚洲精品第二区| 美女脱内裤让男人舔精品视频| 狂野欧美激情性xxxx在线观看| 又爽又黄a免费视频| 日韩av不卡免费在线播放| 性色avwww在线观看| 国产午夜精品一二区理论片| 亚洲伊人久久精品综合| 嘟嘟电影网在线观看| 91久久精品电影网| 国产精品久久久久久av不卡| 91狼人影院| 男女边吃奶边做爰视频| 天堂网av新在线| 亚州av有码| 国产综合懂色| 国产一区二区在线观看日韩| 欧美丝袜亚洲另类| 欧美精品一区二区大全| 男插女下体视频免费在线播放| h日本视频在线播放| 欧美激情在线99| 国产伦在线观看视频一区| 精品一区在线观看国产| 亚洲av中文字字幕乱码综合| 777米奇影视久久| 最近最新中文字幕大全电影3| 九九久久精品国产亚洲av麻豆| 亚洲av不卡在线观看| 亚洲av国产av综合av卡| 亚洲精品日本国产第一区| 黄色日韩在线| 女人十人毛片免费观看3o分钟| 特级一级黄色大片| 舔av片在线| kizo精华| 一级毛片电影观看| 日韩欧美一区视频在线观看 | 亚洲欧美一区二区三区国产| h日本视频在线播放| 日日摸夜夜添夜夜爱| 久久精品国产亚洲av涩爱| 国产精品女同一区二区软件| 欧美日本视频| 国产精品精品国产色婷婷| 80岁老熟妇乱子伦牲交| 国产男人的电影天堂91| 国产高清三级在线| 亚州av有码| 国产一区有黄有色的免费视频| 男女下面进入的视频免费午夜| 国产精品蜜桃在线观看| 97人妻精品一区二区三区麻豆| 性色av一级| 国产精品成人在线| 亚洲精品成人av观看孕妇| 久久久亚洲精品成人影院| 国产 精品1| 亚洲精品aⅴ在线观看| 麻豆成人午夜福利视频| 麻豆久久精品国产亚洲av| 亚洲四区av| 在线a可以看的网站| 一区二区三区免费毛片| 亚洲av二区三区四区| 天天躁日日操中文字幕| 成人免费观看视频高清| 91精品伊人久久大香线蕉| 看免费成人av毛片| 国产成人免费无遮挡视频| 大香蕉久久网| 欧美激情在线99| 看十八女毛片水多多多| 久久人人爽av亚洲精品天堂 | 国产午夜精品一二区理论片| 色哟哟·www| 欧美变态另类bdsm刘玥| 亚洲自偷自拍三级| 欧美97在线视频| 日韩av免费高清视频| 99热这里只有是精品50| 亚洲一级一片aⅴ在线观看| 免费黄频网站在线观看国产| 国产精品成人在线| 韩国av在线不卡| 日韩av在线免费看完整版不卡| 国产精品久久久久久精品电影小说 | 亚洲精品日本国产第一区| 老司机影院毛片| 好男人视频免费观看在线| 三级经典国产精品| 一二三四中文在线观看免费高清| 国产欧美亚洲国产| 亚洲,一卡二卡三卡| 成人高潮视频无遮挡免费网站| 色视频在线一区二区三区| 亚洲,欧美,日韩| 超碰av人人做人人爽久久| 91狼人影院| 少妇裸体淫交视频免费看高清| 欧美日本视频| 舔av片在线| 91狼人影院| 视频中文字幕在线观看| 欧美+日韩+精品| 校园人妻丝袜中文字幕| 日本熟妇午夜| 亚洲色图综合在线观看| 九草在线视频观看| 午夜福利视频精品| 一个人看的www免费观看视频| 国产黄片美女视频| av国产精品久久久久影院| 国产成人freesex在线| av在线播放精品| 成年版毛片免费区| 嫩草影院入口| 国产高清不卡午夜福利| 一本久久精品| 肉色欧美久久久久久久蜜桃 | 国产欧美亚洲国产| 一个人观看的视频www高清免费观看| 国产精品一区二区三区四区免费观看| 日本爱情动作片www.在线观看| 久久久久国产网址| 欧美zozozo另类| av天堂中文字幕网| 亚洲欧美清纯卡通| 寂寞人妻少妇视频99o| 简卡轻食公司| 久久久午夜欧美精品| 美女视频免费永久观看网站| 亚洲欧美成人综合另类久久久| 亚洲精品一区蜜桃| 免费电影在线观看免费观看| 成人美女网站在线观看视频| 国产男女内射视频| 欧美高清成人免费视频www| 深爱激情五月婷婷| 成人高潮视频无遮挡免费网站| 色播亚洲综合网| 九九在线视频观看精品| 男人和女人高潮做爰伦理|