• <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)U-Net網(wǎng)絡(luò)的遙感影像道路提取方法研究

    2021-07-28 12:37:02宋廷強(qiáng)劉童心蔣曉旭黃騰杰范海生
    關(guān)鍵詞:池化集上注意力

    宋廷強(qiáng),劉童心,宗 達(dá),蔣曉旭,黃騰杰,范海生

    1.青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院,山東 青島266000

    2.珠海歐比特宇航科技股份有限公司,廣東 珠海519000

    從遙感圖像中提取道路信息在智慧城市規(guī)劃、交通管理等眾多地理信息應(yīng)用中發(fā)揮重要作用。目前獲取遙感數(shù)據(jù)的成本越來越低,各個(gè)遙感平臺(tái)通過多種傳感器設(shè)備,獲得所需的海量遙感數(shù)據(jù),如:高分?jǐn)?shù)據(jù)、高光譜數(shù)據(jù)、雷達(dá)數(shù)據(jù)等,人類觀測(cè)、探索到的地球信息更實(shí)時(shí)、更全面。隨著深度學(xué)習(xí)技術(shù)在實(shí)際生產(chǎn)生活中的廣泛應(yīng)用,利用其對(duì)遙感數(shù)據(jù)中目標(biāo)地物信息進(jìn)行提取研究有著非同尋常的意義。

    近些年,學(xué)者們對(duì)遙感影像中道路目標(biāo)的提取進(jìn)行了一系列研究。分別使用自適應(yīng)全局閾值配合形態(tài)學(xué)方法[1]、面向?qū)ο蠓椒╗2]、高斯馬爾可夫隨機(jī)場(chǎng)結(jié)合支持向量機(jī)算法[3]、人工神經(jīng)網(wǎng)絡(luò)算法[4]等。不可否認(rèn),上述方法在一定應(yīng)用場(chǎng)景下取得可觀的效果,但部分較好結(jié)果建立在人工反復(fù)實(shí)驗(yàn)調(diào)整閾值參數(shù)等一系列耗時(shí)耗力且存在主觀性的基礎(chǔ)上,在目前一些大規(guī)模數(shù)據(jù)應(yīng)用上受限,且分割精度和效率無法達(dá)到目前需求。

    卷積神經(jīng)網(wǎng)絡(luò)憑借卓越的特征學(xué)習(xí)能力,在圖像語義分割問題中取得較好效果。本文通過改進(jìn)語義分割算法,從而實(shí)現(xiàn)道路目標(biāo)與背景信息二分類。當(dāng)前廣泛使用的語義分割網(wǎng)絡(luò)以Long 等[5]提出FCN 為代表,通過使用卷積層替換全連接層,輸出保留上下文空間特征的圖像,實(shí)現(xiàn)圖像像素級(jí)別端到端的預(yù)測(cè)?;贔CN架構(gòu),Zhong等[6]使用FCN-4s模型進(jìn)行道路目標(biāo)提取,并通過使用跳躍連接結(jié)構(gòu)復(fù)用淺層的特征信息,在Massachusetts Roads測(cè)試集上召回率達(dá)到66%。Wei等[7]搭建RSRCNN 網(wǎng)絡(luò)進(jìn)行道路目標(biāo)提取,但該網(wǎng)絡(luò)編碼部分采用VGG16 預(yù)訓(xùn)練模型,對(duì)輸入數(shù)據(jù)進(jìn)行4 次下采樣,縮小為原來1/32,存在特征圖細(xì)節(jié)還原較為粗糙問題。為了解決這個(gè)問題,Panboonyuen等[8]在SegNet網(wǎng)絡(luò)[9]上引入池化索引,編碼器部分使用池化層進(jìn)行下采樣時(shí)記錄最大池化的索引(位置),在解碼器中調(diào)用相應(yīng)的索引信息進(jìn)行上采樣,減小最大池化造成的位置信息丟失的影響;U-Net模型[10]則在FCN的基礎(chǔ)上添加了更多的跳躍連接,在解碼階段復(fù)用編碼階段的低層特征,從而能夠更好地利用紋理信息。但是相對(duì)于一般場(chǎng)景來說,遙感影像存在紋理特征復(fù)雜的特點(diǎn),為提高分類精度,現(xiàn)有研究通?;趦蓚€(gè)方向。一方面通過增加網(wǎng)絡(luò)層數(shù),訓(xùn)練更深的神經(jīng)網(wǎng)絡(luò)來提取深層次的的語義信息。其中,Wang等[11]提出了一種結(jié)合殘差單元和U-Net架構(gòu)的編碼-解碼結(jié)構(gòu)網(wǎng)絡(luò),在Massachusetts Roads 數(shù)據(jù)集上取得良好效果。Zhang 等采用DenseNet 結(jié)構(gòu)構(gòu)建多條回路連接,該模型可以適應(yīng)不同大小的目標(biāo),并且有效地在高分辨率影像中提取道路[12],但是顯著增加了網(wǎng)絡(luò)的參數(shù)量,導(dǎo)致訓(xùn)練耗時(shí)長(zhǎng)。另一方面采用結(jié)合更高效模塊提高網(wǎng)絡(luò)的特征提取能力。Li 等人[13]結(jié)合注意力機(jī)制和空間金字塔模塊,提出了金字塔注意力網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)特征信息的增強(qiáng)。此外,遙感影像中的道路目標(biāo)具有尺度多變的特點(diǎn),而U-Net的卷積堆疊的編碼器并不利于應(yīng)對(duì)多尺度目標(biāo),DeepLabV3網(wǎng)絡(luò)[14]中提出的ASPP 模塊,其利用不同空洞率的空洞卷積捕獲多尺度語義信息的思想,對(duì)于進(jìn)行遙感影像道路提取時(shí)如何有效利用背景和領(lǐng)域空間信息的問題上具有借鑒意義。

    本文的主要?jiǎng)?chuàng)新點(diǎn)如下:提出引入注意力機(jī)制和ASPP 模型的AS-Unet 網(wǎng)絡(luò)架構(gòu),應(yīng)用于遙感影像道路目標(biāo)分割。第一,在編碼器即特征提取網(wǎng)絡(luò)中加入通道注意力機(jī)制對(duì)特征信息進(jìn)行選擇。在解碼器中采用空間注意力機(jī)制對(duì)不同空間道路特征的相關(guān)性建模,提高模型分割性能。第二,在編碼器中加入了改進(jìn)的ASPP模型,即在每個(gè)并行空洞卷積操作后加入1×1 網(wǎng)絡(luò),更好地以不同的膨脹率來捕獲多尺度道路特征。

    1 研究方法

    1.1 原始U-Net體系結(jié)構(gòu)

    高度對(duì)稱的編解碼網(wǎng)絡(luò)U-Net 體系結(jié)構(gòu)如圖1 所示,由編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)兩部分組成。

    圖1 原始U-Net體系框架

    編碼網(wǎng)絡(luò)的每個(gè)下采樣階段使用兩個(gè)相同的卷積層堆疊方式進(jìn)行特征提取,每個(gè)卷積層后使用Relu函數(shù)激活,而后采用大小為2×2的最大池化操作對(duì)特征圖下采樣。解碼網(wǎng)絡(luò)逐步恢復(fù)特征圖至輸入圖像尺寸,每個(gè)上采樣階段堆疊兩個(gè)卷積層,并且每個(gè)階段級(jí)聯(lián)編碼網(wǎng)絡(luò)中對(duì)應(yīng)層次的特征圖,從而復(fù)用低層次語義信息。

    1.2 AS-Unet網(wǎng)絡(luò)架構(gòu)

    本文AS-Unet 網(wǎng)絡(luò)架構(gòu)以1.1 節(jié)U-Net 網(wǎng)絡(luò)為基準(zhǔn)模型進(jìn)行改進(jìn),網(wǎng)絡(luò)結(jié)構(gòu)由兩部分組成,架構(gòu)如圖2所示。

    圖2 AS-Unet網(wǎng)絡(luò)結(jié)構(gòu)圖

    第一部分為編碼網(wǎng)絡(luò),每層網(wǎng)絡(luò)中的卷積塊之后加入通道注意力機(jī)制。在空間維度上分別采用基于全局的平均池化和最大池化操作。通過一系列全連接層之后逐通道融合特征信息,最終得到對(duì)應(yīng)的通道權(quán)重值。在通道維度上加強(qiáng)有用的道路特征,并抑制無效且復(fù)雜多樣的背景特征,進(jìn)而提高網(wǎng)絡(luò)模型計(jì)算效率。對(duì)于編碼網(wǎng)絡(luò)最后一層,卷積層之后的特征圖中含有豐富的空間語義信息,將特征圖輸入改進(jìn)ASPP模塊中,經(jīng)過不同擴(kuò)張率的空洞卷積后輸入1×1網(wǎng)絡(luò),旨在不同尺度上對(duì)圖像特征進(jìn)行描述。保證了編碼網(wǎng)絡(luò)在低層提取關(guān)聯(lián)性高的道路輪廓細(xì)節(jié)特征,實(shí)現(xiàn)目標(biāo)的精細(xì)分割定位;高層階段得到有用的特征信息,提高圖像中道路識(shí)別精度。

    第二部分為解碼網(wǎng)絡(luò),每層上采樣模塊最后加入空間注意力機(jī)制。在通道維度上分別使用全局平均池化和全局最大池化網(wǎng)絡(luò),得到通道上的全局特征。將特征圖通過維度方向拼接的方式進(jìn)行特征融合,最后,經(jīng)過卷積操作后獲得對(duì)應(yīng)的空間權(quán)重值。旨在幫助上采樣層有效恢復(fù)道路目標(biāo)空間信息,且一定程度上提升網(wǎng)絡(luò)對(duì)被樹木、陰影等遮擋的道路的分割能力,從而在恢復(fù)至原圖分辨率時(shí)能得到準(zhǔn)確率更高的分割結(jié)果。

    1.2.1 嵌入通道注意力模塊

    本文中將通道注意力模塊嵌入到編碼器部分,結(jié)構(gòu)如圖3 所示。特征圖X經(jīng)過編碼部分特征提取網(wǎng)絡(luò)得到大小H×W×C特征圖U=[u1,u2,…,uc],而后將其輸入通道注意力模型中,分別進(jìn)行全局平均池化和全局最大池化操作得到,輸入信息在通道維度上進(jìn)行融合,生成2個(gè)大小1×1×C的輸出;第二步設(shè)置兩層全連接網(wǎng)絡(luò),第一層神經(jīng)元個(gè)數(shù)為C/γ,γ代表衰減率,通過γ控制參數(shù)量及注意力強(qiáng)度,本文中γ=8,即尺寸大小?1×1×C/8,使用relu函數(shù)激活。第二層神經(jīng)元個(gè)數(shù)為C,旨在得到與輸入通道數(shù)對(duì)應(yīng)的長(zhǎng)度為C的向量,此時(shí)向量中每個(gè)元素即全連接層每個(gè)神經(jīng)元的輸出,可以代表不同通道的重要程度。之后將兩個(gè)平行分支的輸出進(jìn)行融合并使用sigmoid 函數(shù)激活,為原始輸入的每個(gè)特征通道生成唯一的權(quán)重值。最后,將學(xué)習(xí)到的權(quán)重與原始輸入特征圖進(jìn)行逐通道維度相乘,得到帶有權(quán)重注意力的輸出特征圖U',則U'中具有更大的感受野和更清晰的語義信息。

    圖3 通道注意力網(wǎng)絡(luò)結(jié)構(gòu)圖

    此網(wǎng)絡(luò)具體計(jì)算過程為:

    式中,U'為最終得到不同權(quán)重值的特征圖,MC(U)表示通道注意力模塊對(duì)輸入特征圖U進(jìn)行上述處理得到通道不同權(quán)重的過程,其定義如下:

    此處σ代表sigmoid激活函數(shù),W0∈?C/8×C,W1∈?C×C/8,W0、W1為圖2兩個(gè)平行分支中全連接層全連接網(wǎng)絡(luò)對(duì)應(yīng)權(quán)重值,圖中亦可看出W0后使用relu激活函數(shù)。

    1.2.2 嵌入空間注意力模塊

    本文網(wǎng)絡(luò)在解碼器部分加入空間注意力模塊,進(jìn)一步關(guān)注像素位置信息,選取有效的道路細(xì)節(jié)特征,其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

    圖4 空間注意力網(wǎng)絡(luò)結(jié)構(gòu)圖

    圖4 中將大小為H×W×C的特征圖F,分別輸入全局最大池化和全局平均池化網(wǎng)絡(luò)中,在通道維度上進(jìn)行全局信息壓縮,得到大小為H×W×1 特征圖。融合后使用7×7卷積核進(jìn)行特征學(xué)習(xí),獲得通道數(shù)為1的特征圖,之后采用Sigmoid層計(jì)算出注意力權(quán)重,結(jié)果與原輸入特征圖逐像素相乘,得到最終加權(quán)處理后的特征圖F'即:

    式中,F(xiàn)'為最終得到不同權(quán)重值的特征圖,MS(F)表示空間注意力網(wǎng)絡(luò)對(duì)輸入特征圖F進(jìn)行上述處理后得到不同權(quán)重的過程且MS(F)∈RH×W,定義如下:

    式中,σ表示sigmoid激活函數(shù),f7×7表示7×7的卷積操作。

    1.2.3 嵌入改進(jìn)的ASPP模塊

    何凱明等[15]提出空間金字塔池化模塊,使得包含全連接層的卷積網(wǎng)絡(luò)能接受任意大小的圖片作為輸入。但由于在最大池化或平均池化之類池化層操作過程中,降低了圖像空間分辨率,并導(dǎo)致部分空間信息的丟失,致使后續(xù)不能很好地恢復(fù)圖像原始像素信息。Yu等人[16]研究表明,空洞卷積能夠有效增加神經(jīng)元的感受野,加入不同擴(kuò)張率的空洞卷積,在不損失圖像空間分辨率基礎(chǔ)上,關(guān)注了更廣范圍特征信息。對(duì)于遙感影像中每一個(gè)像素點(diǎn)i、空洞卷積輸入x、長(zhǎng)度為K的過濾器ω[k],網(wǎng)絡(luò)輸出y,計(jì)算公式如下[17]:

    其中,r代表決定輸入圖片采樣步長(zhǎng)的擴(kuò)張比率,通過賦予比率r不同數(shù)值,改變過濾器感受野。

    基于此本文對(duì)ASPP網(wǎng)絡(luò)進(jìn)行改進(jìn),模型結(jié)構(gòu)如圖5所示:圖5(a)表示,本文的ASPP模塊由四個(gè)平行卷積構(gòu)成,分別為1個(gè)1×1卷積塊和3個(gè)3×3的空洞卷積,擴(kuò)張率分別設(shè)置為3、5、7。其中3個(gè)并行空洞卷積后加入1×1卷積塊、批處理歸一化層和relu激活函數(shù),旨在降低通道至統(tǒng)一維數(shù),且通過加深網(wǎng)絡(luò)深度增加非線性特征,以捕獲目標(biāo)多尺度特征和更多細(xì)節(jié)信息。最后,采用級(jí)聯(lián)運(yùn)算融合特征,獲得圖像的局部特征在不同尺度上的描述。

    圖5 改進(jìn)的ASPP網(wǎng)絡(luò)模塊結(jié)構(gòu)圖

    圖(5)(b)表示,通過全局平均池化產(chǎn)生圖像級(jí)別特征集,使所有分支的最終特征被雙線型上采樣至輸入尺寸,之后進(jìn)行級(jí)聯(lián)操作并輸入大小為1×1 卷積網(wǎng)絡(luò)層中,生成特征圖后饋送到后續(xù)網(wǎng)絡(luò)部分。

    2 實(shí)驗(yàn)結(jié)果與分析

    2.1 實(shí)驗(yàn)環(huán)境

    本文實(shí)驗(yàn)基于64 位Ubuntu 16.04 系統(tǒng),使用Keras和Tensorflow深度學(xué)習(xí)框架搭建模型,CPU為Intel Xeon Silver 4114,GPU為NVIDIA GeForce Titan Xp(12GB)×4。

    2.2 數(shù)據(jù)集及預(yù)處理

    2.2.1 Massachusetts道路數(shù)據(jù)集

    其一數(shù)據(jù)集是地面分辨率1 m/像素的Massachusetts遙感道路數(shù)據(jù)集[18],由1 171張大小為1 500×1 500、覆蓋美國(guó)馬薩諸塞州超過2 600 km2的遙感圖像組成。1 108張遙感影像及其對(duì)應(yīng)標(biāo)注影像作為訓(xùn)練集,49張遙感影像及其對(duì)應(yīng)標(biāo)注影像作為測(cè)試集,14張遙感影像及其對(duì)應(yīng)標(biāo)注影像作為驗(yàn)證集。在網(wǎng)絡(luò)訓(xùn)練過程中需要一定數(shù)據(jù)量支撐,且部分訓(xùn)練樣本存在數(shù)據(jù)缺失問題,故選擇通過數(shù)據(jù)增強(qiáng)方式進(jìn)行樣本擴(kuò)充。通過旋轉(zhuǎn)90°、180°、270°;水平、垂直鏡像翻轉(zhuǎn)方式進(jìn)行五次擴(kuò)充,每種方式后都進(jìn)行隨機(jī)HSV和隨機(jī)resize變換,其中HSV隨機(jī)范圍為H(-15,15)、S(-20,20)、V(-30,30) ;resize為上下左右隨機(jī)縮放15%,并隨機(jī)偏移放置,最終得到原始樣本六倍數(shù)量,總共6 648 張的訓(xùn)練數(shù)據(jù)集。最后以512為步長(zhǎng),重疊區(qū)域?yàn)?56對(duì)訓(xùn)練樣本裁剪,制作生成可訓(xùn)練的遙感道路數(shù)據(jù)集,訓(xùn)練數(shù)據(jù)集中部分圖像及標(biāo)簽如圖6所示。

    圖6 通過旋轉(zhuǎn)和鏡像翻轉(zhuǎn)增強(qiáng)的訓(xùn)練集示例

    2.2.2 DeepGlobe道路數(shù)據(jù)集

    DeepGlobe衛(wèi)星道路數(shù)據(jù)集[19]由尺寸為1 024×1 024、地面分辨率0.5 m/像素的圖像組成,每張圖像包含三通道信息(Red、Green、Blue)。數(shù)據(jù)集包含6 226張訓(xùn)練樣本及其相對(duì)應(yīng)標(biāo)簽,將其隨機(jī)劃分成5 000 張訓(xùn)練集,326 張驗(yàn)證集和900 張測(cè)試集,對(duì)訓(xùn)練集、驗(yàn)證集以512為步長(zhǎng)進(jìn)行裁剪,得到尺寸為512×512 的重疊區(qū)域?yàn)?56的圖像數(shù)據(jù),最終用來全圖預(yù)測(cè)的測(cè)試集尺寸不做任何變化。數(shù)據(jù)集中部分圖像如圖7所示。

    圖7 部分遙感道路圖像及其標(biāo)簽圖

    2.3 網(wǎng)絡(luò)參數(shù)設(shè)置

    訓(xùn)練過程中實(shí)驗(yàn)參數(shù)設(shè)置分別為:每批次輸入大小為8;本文實(shí)驗(yàn)使用Adam優(yōu)化算法,相比SGD,RMSprop和AdaGrad 優(yōu)化器,其使模型更快收斂到性能最優(yōu),使用Adam[20]中默認(rèn)參數(shù),其中學(xué)習(xí)率設(shè)為0.001,指數(shù)衰減率β1=0.9,β2=0.999,常數(shù)設(shè)置ε=10-8,若在5輪訓(xùn)練中損失函數(shù)沒有下降,學(xué)習(xí)率下降為原來0.1倍,學(xué)習(xí)率最小值為1.0×10-10;選擇Lovasz-Softmax loss 函數(shù)[21]在模型反向傳播過程中,更新網(wǎng)絡(luò)參數(shù);訓(xùn)練迭代次數(shù)為100次。

    2.4 評(píng)價(jià)指標(biāo)

    對(duì)遙感影像中的道路數(shù)據(jù)提取,即語義分割中進(jìn)行像素級(jí)別二分類問題,其中道路像素為正樣本,背景信息表示負(fù)樣本,故所有預(yù)測(cè)結(jié)果可分為四類,即:True Positive(TP)表示正確分類的道路像素?cái)?shù)量;True Negative(TN)表示背景像素被正確分類的數(shù)量;False Positive(FP)代表背景像素誤分為道路像素的數(shù)量;False Negative(FN)代表道路像素誤分為背景的數(shù)量。

    基于上述指標(biāo)值,本文使用語義分割中普遍使用的評(píng)估指標(biāo),分別為:精確率(Precision)、召回率(Recall)、F-measure值(F1)和平均交并比(IoU),其計(jì)算公式如下所示:

    準(zhǔn)確率為被正確分類為道路的像素占所有預(yù)測(cè)為道路像素的比率,召回率評(píng)估的是被正確分類為道路的像素占所有實(shí)際標(biāo)注為正樣本即道路的比例,選用F1即準(zhǔn)確率和召回率兩指標(biāo)的調(diào)和平均數(shù),尋找兩者之間平衡點(diǎn),顯然F1 值越高,效果越好。此外平均交并比作為總體度量標(biāo)準(zhǔn),其還考慮到道路像素錯(cuò)分為背景類別現(xiàn)象,使得評(píng)估更全面。

    2.5 AS-Unet網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果和分析

    本節(jié)討論消融實(shí)驗(yàn)搭建的網(wǎng)絡(luò)和本文AS-Unet 網(wǎng)絡(luò),在Massachusetts道路數(shù)據(jù)集和DeepGlobe道路數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果和分析。

    2.5.1 Massachusetts道路數(shù)據(jù)提取結(jié)果

    對(duì)Massachusetts道路數(shù)據(jù)上訓(xùn)練的模型,使用測(cè)試集進(jìn)行預(yù)測(cè)時(shí)輸入圖像的原始尺寸即1 500×1 500,輸出結(jié)果為經(jīng)過全連接條件隨機(jī)場(chǎng)優(yōu)化的預(yù)測(cè)二值圖,實(shí)驗(yàn)中所有對(duì)比網(wǎng)絡(luò)在相同運(yùn)行環(huán)境下且參數(shù)設(shè)置一致,部分預(yù)測(cè)結(jié)果如圖8 所示,從左到右依次為測(cè)試原圖、Baseline U-net、Unet-SAM、Unet-CAM、A-Unet、AS-Unet。

    圖8 網(wǎng)絡(luò)在Massachusetts測(cè)試集上分割效果圖

    圖8 展示了四幅道路背景復(fù)雜度各異的遙感影像原圖、Baseline U-net、Unet-SAM、Unet-CAM、A-Unet、和本文網(wǎng)絡(luò)測(cè)試結(jié)果圖。其中,Unet-CAM、Unet-SAM、A-Unet 網(wǎng)絡(luò),分別為在基準(zhǔn)網(wǎng)絡(luò)U-Net 基礎(chǔ)上,本文精心搭建的僅編碼器加入通道注意力的網(wǎng)絡(luò)、僅解碼器加入空間注意力的網(wǎng)絡(luò)和編碼器加入通道注意力網(wǎng)絡(luò)同時(shí)解碼器加入空間注意力的網(wǎng)絡(luò)。通過預(yù)測(cè)圖中紅色框區(qū)域可以看出,本文網(wǎng)絡(luò)在Massachusetts道路測(cè)試集上效果優(yōu)于其他對(duì)比模型,在上述四景圖具體表現(xiàn)為:被兩旁樹木不同程度遮擋情況下,影像中部分長(zhǎng)度面積較小的道路預(yù)測(cè)不完整及錯(cuò)分現(xiàn)象得到改善,可以分割出相對(duì)高質(zhì)量預(yù)測(cè)道路圖;長(zhǎng)度面積相對(duì)大的道路出現(xiàn)中斷情況有所改進(jìn),預(yù)測(cè)道路目標(biāo)更完整、更準(zhǔn)確,得到可觀的結(jié)果。

    基于上文提到的語義分割網(wǎng)絡(luò)評(píng)估指標(biāo),本節(jié)在Massachusetts 道路數(shù)據(jù)集上進(jìn)行訓(xùn)練模型泛化能力的評(píng)價(jià)比較,結(jié)果如表1所示。

    表1 模型在Massachusetts roads測(cè)試集上的比較

    表1分別列出了本文模型以及搭建各個(gè)對(duì)比網(wǎng)絡(luò),在測(cè)試數(shù)據(jù)集上多次實(shí)驗(yàn)得到的平均結(jié)果值,從評(píng)價(jià)指標(biāo)來看,本文提出模型在各項(xiàng)指標(biāo)上面都明顯優(yōu)于Baseline U-net,Baseline U-net模型基于經(jīng)典的VGG16結(jié)構(gòu),結(jié)果可代表模型提取道路的一般水平,對(duì)比易見,本文網(wǎng)絡(luò)的準(zhǔn)確率、召回率、F1 值較U-Net 分別提高0.034、0.026、0.031;而且,對(duì)比表1 中Unet-SAM、Unet-CAM、A-Unet 網(wǎng)絡(luò),顯然在三項(xiàng)指標(biāo)上本文AS-Unet 網(wǎng)絡(luò)的結(jié)果均略勝一籌,優(yōu)于對(duì)比模型。

    2.5.2 DeepGlobe道路數(shù)據(jù)提取結(jié)果

    用DeepGlobe道路數(shù)據(jù)上訓(xùn)練得到的模型,對(duì)選取的測(cè)試集圖像進(jìn)行道路目標(biāo)預(yù)測(cè),輸入測(cè)試集圖像的原始尺寸即1 024×1 024,輸出為經(jīng)過全連接條件隨機(jī)場(chǎng)優(yōu)化的預(yù)測(cè)二值圖,實(shí)驗(yàn)中所有對(duì)比網(wǎng)絡(luò)在相同運(yùn)行環(huán)境下且參數(shù)設(shè)置一致,部分預(yù)測(cè)結(jié)果如圖9 所示,從左到右依次為測(cè)試圖、Baseline U-net、Unet-SAM、Unet-CAM、A-Unet、AS-Unet。

    圖9 中第一列展示了六幅不同背景下的遙感影像原圖;第二列和最后一列分別為Baseline U-net 網(wǎng)絡(luò)及其本文提出模型預(yù)測(cè)效果圖,三、四、五列分別為Unet-SAM、Unet-CAM、A-Unet 模型預(yù)測(cè)結(jié)果。由圖中標(biāo)注紅色框區(qū)域可以看出,本文提出模型在DeepGlobe道路測(cè)試集上的預(yù)測(cè)結(jié)果,相較于U-Net網(wǎng)絡(luò)分割結(jié)果圖更理想,最終提取的不同大小道路目標(biāo)的完整度更高。從圖中的對(duì)比可看出,其具體在以下幾種情況下得到了明顯改善:道路被樹木或其陰影、汽車、建筑物部分遮擋或者完全遮擋時(shí),以及部分道路與周圍黃土極為相似時(shí)。從而減少了模型對(duì)道路漏分錯(cuò)分的情況,使得最終輸出的結(jié)果邊緣更加平滑,提取更準(zhǔn)確。

    圖9 網(wǎng)絡(luò)在DeepGlobe道路測(cè)試集上分割效果圖

    基于上文提到的語義分割網(wǎng)絡(luò)評(píng)估指標(biāo),本節(jié)在DeepGlobe 道路數(shù)據(jù)集上進(jìn)行模型泛化能力的評(píng)價(jià)比較,結(jié)果如表2所示。

    表2 模型在DeepGlobe roads測(cè)試集上的表現(xiàn)比較

    表2列出本文網(wǎng)絡(luò)模型在DeepGlobe道路測(cè)試數(shù)據(jù)集上的平均準(zhǔn)確率、平均召回率、平均F1 及平均交并比,與基準(zhǔn)U-Net 網(wǎng)絡(luò)比較,本文所提分割模型在前述四個(gè)指標(biāo)上分別提升0.043、0.032、0.037、0.038。本文AS-Unet模型對(duì)比精心搭建Unet-SAM、Unet-CAM和AUnet網(wǎng)絡(luò),其在各項(xiàng)指標(biāo)上表現(xiàn)較好,IoU值相對(duì)較高,從而可以更準(zhǔn)確地從遙感影像中分割出道路目標(biāo)。

    2.6 AS-Unet模型與其他模型的比較

    本節(jié)討論AS-Unet模型與現(xiàn)有模型在Massachusetts和DeepGlobe兩個(gè)道路數(shù)據(jù)集上的分割結(jié)果對(duì)比。

    2.6.1 Massachusetts roads數(shù)據(jù)集

    AS-Unet 網(wǎng)絡(luò)及相關(guān)文獻(xiàn)中模型在Massachusetts roads 測(cè)試集上的精準(zhǔn)率、召回率、F1 值對(duì)比值如表3所示。

    表3 模型在Massachusetts roads測(cè)試集上的比較

    從表3可以得出,本文改進(jìn)模型在準(zhǔn)確率、F1 值指標(biāo)上明顯優(yōu)于對(duì)比網(wǎng)絡(luò),與為防止丟失太多道路細(xì)節(jié)信息,搭建的較淺層編解碼網(wǎng)絡(luò)DCED 相比,召回率略低0.007,但是本文方法Precision 提升了0.029,F(xiàn)1-score提高了0.013??梢娪捎谏鲜鰧?duì)比算法均未從特征的篩選和多尺度方面考慮,網(wǎng)絡(luò)分割性能略差于本文ASUnet模型。

    2.6.2 DeepGlobe Road Extraction數(shù)據(jù)集

    本文模型和目前常用語義分割框架在DeepGlobe roads測(cè)試集上進(jìn)行各項(xiàng)指標(biāo)值對(duì)比,結(jié)果如表4所示。

    表4 模型在DeepGlobe roads測(cè)試集上的表現(xiàn)比較

    由表4 所示,本文的Precision、Recall、F1 值和IoU最高,分別為0.776、0.772、0.773 和0.612。四項(xiàng)指標(biāo)值均高于網(wǎng)絡(luò)FCN-8s 和FCN-4s,相比SegNet 網(wǎng)絡(luò),本文方法F1 值提高了0.036,IoU提高了0.037。由于本文在編解網(wǎng)絡(luò)中加入通道、空間注意力機(jī)制對(duì)特征進(jìn)行加權(quán)處理,和ASPP捕獲多尺度上下文信息,改善道路目標(biāo)小細(xì)節(jié)提取,共同提高模型泛化能力,提升圖像分割性能。

    3 結(jié)束語

    本文對(duì)遙感影像中道路目標(biāo)的提取進(jìn)行研究,旨在提高分割準(zhǔn)確率、獲得更準(zhǔn)確的分割結(jié)果,基于U-Net網(wǎng)絡(luò)設(shè)計(jì)了高度對(duì)稱、簡(jiǎn)潔的編解碼網(wǎng)絡(luò)AS-Unet。其中加入通道注意力機(jī)制提高模型在通道維度上提取細(xì)節(jié)特征的能力;考慮到不同尺度上道路特征表征,網(wǎng)絡(luò)中集成ASPP模塊,同時(shí)也起到提高分類精度作用;加入空間注意力機(jī)制使模型在空間維度上建模,較好獲取目標(biāo)區(qū)域位置關(guān)系信息和細(xì)節(jié)信息,從而提升模型在復(fù)雜場(chǎng)景中對(duì)道路目標(biāo)提取的能力。所提出網(wǎng)絡(luò)在Massachusetts 道路數(shù)據(jù)集和DeepGlobe 道路數(shù)據(jù)集上取得不錯(cuò)的效果,相比基準(zhǔn)網(wǎng)絡(luò)U-Net 預(yù)測(cè)結(jié)果中出現(xiàn)的錯(cuò)分、漏分現(xiàn)象,本文模型的預(yù)測(cè)結(jié)果得到明顯改善,輸出圖像中的不同尺度道路目標(biāo)相對(duì)完整且準(zhǔn)確。但是本文網(wǎng)絡(luò)還需進(jìn)一步改進(jìn),以準(zhǔn)確提取不同場(chǎng)景下更為復(fù)雜多樣的道路數(shù)據(jù),在保證準(zhǔn)確率的同時(shí)做到模型參數(shù)量更少、效果更實(shí)時(shí)。同時(shí)下一步可基于目前理論體系相對(duì)比較完善的傳統(tǒng)道路提取原理,結(jié)合深度學(xué)習(xí)方法進(jìn)行遙感影像道路提取方面的探索與研究。

    猜你喜歡
    池化集上注意力
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識(shí)別方法研究
    無線電工程(2024年8期)2024-09-16 00:00:00
    基于Sobel算子的池化算法設(shè)計(jì)
    讓注意力“飛”回來
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    Cookie-Cutter集上的Gibbs測(cè)度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識(shí)別研究
    復(fù)扇形指標(biāo)集上的分布混沌
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    A Beautiful Way Of Looking At Things
    久久99蜜桃精品久久| 91久久精品国产一区二区成人| 国产 精品1| 尤物成人国产欧美一区二区三区| 国产在线视频一区二区| 亚洲熟女精品中文字幕| 一级毛片久久久久久久久女| 色视频www国产| 精品一品国产午夜福利视频| 你懂的网址亚洲精品在线观看| 精品国产三级普通话版| 国产免费一区二区三区四区乱码| 国产69精品久久久久777片| 赤兔流量卡办理| 国产成人精品久久久久久| 久久久久精品久久久久真实原创| 在线观看免费高清a一片| 免费看av在线观看网站| 国产一区二区三区综合在线观看 | 卡戴珊不雅视频在线播放| 性色av一级| 国产成人午夜福利电影在线观看| 午夜日本视频在线| 久久人人爽av亚洲精品天堂 | 国产一区二区在线观看日韩| 久久人人爽av亚洲精品天堂 | 日韩不卡一区二区三区视频在线| 大片免费播放器 马上看| 欧美日韩亚洲高清精品| 国产一区二区三区综合在线观看 | 狠狠精品人妻久久久久久综合| 国产成人午夜福利电影在线观看| 日本av免费视频播放| 97在线视频观看| 日韩欧美精品免费久久| 亚洲精品乱码久久久v下载方式| 一个人看视频在线观看www免费| 午夜福利高清视频| 一边亲一边摸免费视频| 亚洲国产精品成人久久小说| 精品久久久噜噜| 免费av不卡在线播放| 最黄视频免费看| 91久久精品国产一区二区三区| 美女cb高潮喷水在线观看| 一本一本综合久久| 国产爽快片一区二区三区| 国产成人午夜福利电影在线观看| 九九在线视频观看精品| 少妇丰满av| 青春草亚洲视频在线观看| 精品一区二区三区视频在线| 美女中出高潮动态图| 国产男女超爽视频在线观看| 精品一区二区免费观看| 天天躁日日操中文字幕| 精品99又大又爽又粗少妇毛片| 欧美高清成人免费视频www| 永久网站在线| 菩萨蛮人人尽说江南好唐韦庄| 亚洲精品久久午夜乱码| 欧美成人精品欧美一级黄| 午夜视频国产福利| 亚洲精品自拍成人| a级毛片免费高清观看在线播放| 精品久久久久久久末码| 国产爽快片一区二区三区| 国产探花极品一区二区| 最黄视频免费看| 久久青草综合色| 99热这里只有是精品在线观看| 日韩欧美一区视频在线观看 | 男女边摸边吃奶| 2018国产大陆天天弄谢| 丝袜脚勾引网站| 99热这里只有是精品50| 纵有疾风起免费观看全集完整版| 少妇的逼好多水| 免费观看的影片在线观看| 内地一区二区视频在线| 成人亚洲精品一区在线观看 | 毛片一级片免费看久久久久| 丝瓜视频免费看黄片| 亚洲欧美日韩东京热| av播播在线观看一区| 欧美另类一区| 国产精品久久久久久精品古装| 另类亚洲欧美激情| 国产极品天堂在线| 青青草视频在线视频观看| 建设人人有责人人尽责人人享有的 | 黄色配什么色好看| 一区二区av电影网| 男人爽女人下面视频在线观看| 大又大粗又爽又黄少妇毛片口| 两个人的视频大全免费| 国产精品欧美亚洲77777| 久久精品夜色国产| 高清视频免费观看一区二区| 精品国产三级普通话版| 五月天丁香电影| 成年女人在线观看亚洲视频| 国产极品天堂在线| 毛片一级片免费看久久久久| 联通29元200g的流量卡| 国产精品偷伦视频观看了| 午夜免费鲁丝| 乱码一卡2卡4卡精品| 国产熟女欧美一区二区| 各种免费的搞黄视频| 五月天丁香电影| a级一级毛片免费在线观看| 日产精品乱码卡一卡2卡三| 深爱激情五月婷婷| 国产精品伦人一区二区| 插逼视频在线观看| 91久久精品国产一区二区三区| 国产亚洲一区二区精品| 亚洲最大成人中文| 爱豆传媒免费全集在线观看| 日韩一区二区三区影片| 亚洲色图av天堂| 美女国产视频在线观看| 国产黄色视频一区二区在线观看| 久久久久久久久久成人| 七月丁香在线播放| 中文乱码字字幕精品一区二区三区| av专区在线播放| 亚洲真实伦在线观看| 在线观看美女被高潮喷水网站| 如何舔出高潮| 天堂中文最新版在线下载| 麻豆国产97在线/欧美| 秋霞在线观看毛片| 少妇高潮的动态图| 各种免费的搞黄视频| 国产 精品1| 国产伦在线观看视频一区| 日韩中字成人| 亚洲精品国产av成人精品| 精品一品国产午夜福利视频| 国产一区二区在线观看日韩| 精品一区二区三区视频在线| 免费看光身美女| 99久久精品热视频| 秋霞在线观看毛片| 99热这里只有是精品50| 只有这里有精品99| 亚洲va在线va天堂va国产| 秋霞伦理黄片| 精品国产三级普通话版| a 毛片基地| 在线播放无遮挡| 久久精品国产自在天天线| 亚洲国产最新在线播放| 免费看不卡的av| 一区在线观看完整版| 亚洲婷婷狠狠爱综合网| 少妇的逼水好多| av国产免费在线观看| 丰满少妇做爰视频| 日韩一区二区视频免费看| 免费高清在线观看视频在线观看| videossex国产| 精品一品国产午夜福利视频| 少妇丰满av| 久久久色成人| 久久鲁丝午夜福利片| 亚洲国产av新网站| 国产精品国产三级国产专区5o| 五月开心婷婷网| 黑人高潮一二区| 午夜激情福利司机影院| 国产av精品麻豆| 男女边吃奶边做爰视频| 国产乱来视频区| 久久婷婷青草| 国产精品一区二区三区四区免费观看| 日本黄大片高清| 26uuu在线亚洲综合色| 免费黄色在线免费观看| 国产欧美日韩一区二区三区在线 | 性色avwww在线观看| 国产一区有黄有色的免费视频| 99精国产麻豆久久婷婷| 国内揄拍国产精品人妻在线| 成人18禁高潮啪啪吃奶动态图 | 日韩,欧美,国产一区二区三区| 日本黄大片高清| 黄片无遮挡物在线观看| 七月丁香在线播放| 一级二级三级毛片免费看| 亚洲四区av| 老师上课跳d突然被开到最大视频| 久久久a久久爽久久v久久| 岛国毛片在线播放| 亚洲精品自拍成人| 最近最新中文字幕免费大全7| 精品少妇久久久久久888优播| 国产成人aa在线观看| 国产日韩欧美在线精品| 国产精品偷伦视频观看了| 能在线免费看毛片的网站| 精品一区二区三卡| 日本vs欧美在线观看视频 | 一级毛片aaaaaa免费看小| av播播在线观看一区| 国语对白做爰xxxⅹ性视频网站| 午夜免费男女啪啪视频观看| 草草在线视频免费看| 人妻少妇偷人精品九色| av天堂中文字幕网| 91久久精品国产一区二区三区| 久久精品国产鲁丝片午夜精品| 91午夜精品亚洲一区二区三区| 亚洲aⅴ乱码一区二区在线播放| 大又大粗又爽又黄少妇毛片口| 深夜a级毛片| 最近手机中文字幕大全| 伦精品一区二区三区| 欧美bdsm另类| 久久99热这里只频精品6学生| 最近2019中文字幕mv第一页| 最近最新中文字幕大全电影3| 欧美老熟妇乱子伦牲交| 蜜臀久久99精品久久宅男| 国产男女内射视频| 成年人午夜在线观看视频| 精品人妻一区二区三区麻豆| 九草在线视频观看| 久久久久久久久大av| 久久 成人 亚洲| 51国产日韩欧美| av在线老鸭窝| 久久精品国产亚洲av涩爱| 亚洲精品aⅴ在线观看| 日本vs欧美在线观看视频 | 在线观看免费高清a一片| 免费看av在线观看网站| 欧美老熟妇乱子伦牲交| 男女边摸边吃奶| 777米奇影视久久| 国产淫片久久久久久久久| 99热这里只有是精品50| 日本-黄色视频高清免费观看| av免费在线看不卡| 天天躁日日操中文字幕| 内地一区二区视频在线| 免费av不卡在线播放| 一本—道久久a久久精品蜜桃钙片| 在现免费观看毛片| 伦理电影大哥的女人| 97在线视频观看| 尤物成人国产欧美一区二区三区| av在线观看视频网站免费| 精品久久久精品久久久| 国产一区二区三区综合在线观看 | 欧美老熟妇乱子伦牲交| 国产精品免费大片| 国产亚洲av片在线观看秒播厂| 少妇人妻一区二区三区视频| 国产人妻一区二区三区在| 五月开心婷婷网| 国产高清国产精品国产三级 | 国产亚洲欧美精品永久| 免费黄频网站在线观看国产| 亚洲av成人精品一二三区| 亚洲欧美日韩另类电影网站 | av国产精品久久久久影院| 国产成人a区在线观看| 日本午夜av视频| 丝袜脚勾引网站| 久久久久久久久久人人人人人人| 亚洲,一卡二卡三卡| 成人午夜精彩视频在线观看| 亚洲精品乱久久久久久| 久久精品国产亚洲av天美| 汤姆久久久久久久影院中文字幕| 热99国产精品久久久久久7| 看十八女毛片水多多多| 精品少妇久久久久久888优播| 99久久精品一区二区三区| 七月丁香在线播放| 久久久久久久久久久丰满| 免费人妻精品一区二区三区视频| 日韩 亚洲 欧美在线| 成人免费观看视频高清| 成人18禁高潮啪啪吃奶动态图 | 一本一本综合久久| 国产精品.久久久| 成人影院久久| 80岁老熟妇乱子伦牲交| 有码 亚洲区| av黄色大香蕉| 日韩不卡一区二区三区视频在线| 特大巨黑吊av在线直播| 国产精品成人在线| 少妇熟女欧美另类| 亚洲激情五月婷婷啪啪| 在线免费十八禁| 最近中文字幕2019免费版| 亚洲色图综合在线观看| 欧美人与善性xxx| 国产精品免费大片| 精品视频人人做人人爽| 国产精品人妻久久久影院| 中文字幕亚洲精品专区| 国产 一区精品| 国产黄色视频一区二区在线观看| 91久久精品电影网| 国产片特级美女逼逼视频| 最近中文字幕2019免费版| 国精品久久久久久国模美| 欧美日本视频| 在线观看国产h片| 精品视频人人做人人爽| 亚洲精品久久久久久婷婷小说| 日韩免费高清中文字幕av| 人妻制服诱惑在线中文字幕| 18禁在线播放成人免费| 日韩欧美一区视频在线观看 | 高清欧美精品videossex| 女性生殖器流出的白浆| 91精品国产国语对白视频| 99re6热这里在线精品视频| 久久ye,这里只有精品| 中文字幕久久专区| 最近最新中文字幕免费大全7| 99热这里只有精品一区| 黄片wwwwww| 超碰97精品在线观看| 男女边摸边吃奶| av女优亚洲男人天堂| 国产精品久久久久久久电影| 嫩草影院入口| 久久国产精品大桥未久av | 亚洲成人一二三区av| 大话2 男鬼变身卡| 国产精品熟女久久久久浪| 插逼视频在线观看| 日本一二三区视频观看| 熟女电影av网| 18禁在线无遮挡免费观看视频| 国产精品99久久久久久久久| 中国国产av一级| 赤兔流量卡办理| 麻豆国产97在线/欧美| 一级爰片在线观看| 亚洲精品色激情综合| 老熟女久久久| 色婷婷av一区二区三区视频| 熟妇人妻不卡中文字幕| 国产一区二区在线观看日韩| 特大巨黑吊av在线直播| 黄片wwwwww| 如何舔出高潮| 精品久久久久久久久亚洲| 干丝袜人妻中文字幕| 久久久午夜欧美精品| 精品一区二区三区视频在线| 永久免费av网站大全| 亚洲精品国产av成人精品| 亚洲成色77777| 亚洲,一卡二卡三卡| 日韩国内少妇激情av| 中国国产av一级| 国产精品不卡视频一区二区| 欧美一区二区亚洲| 久久久久久久久久成人| 午夜免费鲁丝| 色综合色国产| 在线观看免费高清a一片| 色综合色国产| 国产免费一区二区三区四区乱码| 欧美日韩综合久久久久久| 嫩草影院入口| 高清午夜精品一区二区三区| 国语对白做爰xxxⅹ性视频网站| 国产av精品麻豆| 能在线免费看毛片的网站| 一个人看的www免费观看视频| 亚洲欧美日韩卡通动漫| 亚洲在久久综合| 视频中文字幕在线观看| 亚洲,欧美,日韩| 在线观看美女被高潮喷水网站| 91狼人影院| 国产亚洲最大av| 老熟女久久久| 欧美三级亚洲精品| 黑人猛操日本美女一级片| 国产视频内射| 精品酒店卫生间| 欧美少妇被猛烈插入视频| 晚上一个人看的免费电影| 成人免费观看视频高清| 又粗又硬又长又爽又黄的视频| 熟女人妻精品中文字幕| 中国美白少妇内射xxxbb| 欧美精品一区二区免费开放| 插阴视频在线观看视频| 日韩一区二区视频免费看| 亚洲欧美精品专区久久| 嫩草影院入口| 国产伦理片在线播放av一区| 精品一区二区免费观看| 狂野欧美白嫩少妇大欣赏| .国产精品久久| 国产精品爽爽va在线观看网站| 新久久久久国产一级毛片| 日韩av不卡免费在线播放| 成人无遮挡网站| 中国美白少妇内射xxxbb| 亚洲av成人精品一二三区| 少妇人妻精品综合一区二区| h日本视频在线播放| 超碰av人人做人人爽久久| 在线观看一区二区三区激情| av免费观看日本| 黄色视频在线播放观看不卡| 国产av码专区亚洲av| 久久久久久久久久人人人人人人| 国产伦理片在线播放av一区| 有码 亚洲区| 在线观看一区二区三区激情| 免费播放大片免费观看视频在线观看| 三级国产精品片| 纵有疾风起免费观看全集完整版| 日韩欧美精品免费久久| 国产一区二区三区综合在线观看 | 高清午夜精品一区二区三区| 久久久精品94久久精品| 丝袜喷水一区| 久久久久精品久久久久真实原创| 美女视频免费永久观看网站| 亚洲精品亚洲一区二区| 美女cb高潮喷水在线观看| 国产精品一区二区在线观看99| 啦啦啦中文免费视频观看日本| 欧美日本视频| 一本—道久久a久久精品蜜桃钙片| 极品教师在线视频| 国产极品天堂在线| 亚洲欧美日韩另类电影网站 | 色吧在线观看| av线在线观看网站| 亚洲欧美成人综合另类久久久| 国产精品蜜桃在线观看| 日韩av不卡免费在线播放| 午夜福利影视在线免费观看| 亚洲成色77777| 亚洲色图综合在线观看| 在线亚洲精品国产二区图片欧美 | 日韩三级伦理在线观看| 高清毛片免费看| 26uuu在线亚洲综合色| 欧美3d第一页| 国产乱人视频| 女性被躁到高潮视频| 国产v大片淫在线免费观看| 国产女主播在线喷水免费视频网站| av不卡在线播放| 久久人妻熟女aⅴ| 亚洲va在线va天堂va国产| 国产高清不卡午夜福利| 亚洲高清免费不卡视频| 亚洲经典国产精华液单| 伦理电影免费视频| kizo精华| 国产高清国产精品国产三级 | 国产精品爽爽va在线观看网站| 久久婷婷青草| 五月玫瑰六月丁香| 新久久久久国产一级毛片| 日本黄色日本黄色录像| 国产亚洲欧美精品永久| 久久久久久久亚洲中文字幕| 少妇人妻久久综合中文| 国产久久久一区二区三区| av免费观看日本| 免费看av在线观看网站| 亚洲精品,欧美精品| 最近的中文字幕免费完整| 国产女主播在线喷水免费视频网站| 亚洲av免费高清在线观看| 国产精品一区二区三区四区免费观看| 中国国产av一级| 99久久精品一区二区三区| 色吧在线观看| 又爽又黄a免费视频| 观看av在线不卡| 国产精品久久久久久精品古装| 哪个播放器可以免费观看大片| 美女高潮的动态| 汤姆久久久久久久影院中文字幕| 老司机影院成人| 人妻夜夜爽99麻豆av| 丝袜脚勾引网站| 男人舔奶头视频| 国产乱来视频区| 午夜福利在线在线| 熟女人妻精品中文字幕| 人妻夜夜爽99麻豆av| 女性被躁到高潮视频| 中文天堂在线官网| 欧美xxxx性猛交bbbb| 亚洲精品久久久久久婷婷小说| 乱系列少妇在线播放| 永久免费av网站大全| av不卡在线播放| 日本黄大片高清| 在线 av 中文字幕| 在线看a的网站| 久久久久精品性色| 亚洲精品亚洲一区二区| 中文字幕av成人在线电影| 精品国产乱码久久久久久小说| 香蕉精品网在线| 亚洲一区二区三区欧美精品| 免费在线观看成人毛片| 这个男人来自地球电影免费观看 | 国产 一区 欧美 日韩| 亚洲国产欧美在线一区| 成年女人在线观看亚洲视频| av一本久久久久| 精品视频人人做人人爽| 成人特级av手机在线观看| 国产精品国产av在线观看| 成人影院久久| 中国美白少妇内射xxxbb| 啦啦啦中文免费视频观看日本| 少妇高潮的动态图| 成人无遮挡网站| 亚洲精品aⅴ在线观看| 少妇 在线观看| av在线观看视频网站免费| 干丝袜人妻中文字幕| 黄片无遮挡物在线观看| 三级国产精品片| 精品人妻偷拍中文字幕| 国产精品一区www在线观看| 日韩欧美 国产精品| av女优亚洲男人天堂| 婷婷色麻豆天堂久久| 麻豆乱淫一区二区| 久久久午夜欧美精品| 成人国产麻豆网| 又爽又黄a免费视频| 国产成人精品婷婷| 久久这里有精品视频免费| 精品一区在线观看国产| av视频免费观看在线观看| 国产精品精品国产色婷婷| 色5月婷婷丁香| 日本爱情动作片www.在线观看| 精品酒店卫生间| 亚洲激情五月婷婷啪啪| 欧美精品亚洲一区二区| 日韩av不卡免费在线播放| 国产黄色视频一区二区在线观看| 欧美精品一区二区大全| 国产人妻一区二区三区在| 亚洲av国产av综合av卡| 午夜精品国产一区二区电影| 国产成人免费观看mmmm| 日韩视频在线欧美| 国产精品爽爽va在线观看网站| 看免费成人av毛片| 日韩欧美精品免费久久| av网站免费在线观看视频| a级毛色黄片| 国内揄拍国产精品人妻在线| tube8黄色片| 精品久久久久久久久av| 国产又色又爽无遮挡免| 免费观看无遮挡的男女| 你懂的网址亚洲精品在线观看| 黄色视频在线播放观看不卡| 深夜a级毛片| 老熟女久久久| 高清av免费在线| 99re6热这里在线精品视频| 成人无遮挡网站| 永久免费av网站大全| 久久精品国产亚洲网站| 一区在线观看完整版| 纯流量卡能插随身wifi吗| 菩萨蛮人人尽说江南好唐韦庄| 国产日韩欧美在线精品| 九色成人免费人妻av| 国产午夜精品一二区理论片| 成人漫画全彩无遮挡| 国产成人精品福利久久| 欧美成人a在线观看| 成人亚洲欧美一区二区av| 国产精品熟女久久久久浪| 日日啪夜夜撸| 亚洲国产成人一精品久久久| 久久久久久伊人网av| 美女中出高潮动态图| 婷婷色麻豆天堂久久| 国产精品秋霞免费鲁丝片| 国产久久久一区二区三区| 日韩三级伦理在线观看| 国产欧美日韩精品一区二区| 成人漫画全彩无遮挡| 日本黄色日本黄色录像| 国产高清有码在线观看视频| 老司机影院毛片| 少妇人妻精品综合一区二区| 亚洲欧美成人综合另类久久久| 黄色欧美视频在线观看| 久久综合国产亚洲精品| 国产熟女欧美一区二区| 久久99热6这里只有精品|