• <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Inception深度殘差網(wǎng)絡(luò)的皮膚黑色素癌圖像分類算法①

    2021-08-02 11:08:40張榮梅劉院英
    關(guān)鍵詞:模型

    張榮梅,張 琦,劉院英

    (河北經(jīng)貿(mào)大學(xué) 信息技術(shù)學(xué)院,石家莊 050061)

    皮膚黑色素癌[1]是由一種黑素細(xì)胞引起的惡性皮膚癌.傳統(tǒng)的基于機(jī)器學(xué)習(xí)的皮膚黑色素癌圖像識(shí)別方法[2–4]主要包括兩部分:圖像特征提取和圖像識(shí)別.由于皮膚黑色素癌圖像的特殊性,皮膚黑色素癌與非黑色素癌之間的類內(nèi)差異大,類間差異小.利用傳統(tǒng)的人工特征提取方法無法精確地提取出皮膚黑色素癌圖像的特征,診斷準(zhǔn)確率偏低.近幾年,卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別技術(shù)中表現(xiàn)良好,基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的皮膚黑色素癌圖像識(shí)別技術(shù)可以通過網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)學(xué)習(xí)提取訓(xùn)練集圖像中的特征并用于分類,分類效果顯著.

    2016年,Kawahara 等人[5]利用CNN 網(wǎng)絡(luò)識(shí)別皮膚癌圖像,并利用Dermofit 皮膚癌數(shù)據(jù)集訓(xùn)練,得到的診斷準(zhǔn)確率為78.1%.2018年,Dorj 等人[6]提出利用AlexNet 網(wǎng)絡(luò)提取皮膚癌圖像的特征,通過收集3753幅皮膚癌圖像訓(xùn)練,得到的分類準(zhǔn)確率為95.1%.2019年,管秋等人[7]利用深度殘差網(wǎng)絡(luò)識(shí)別皮膚黑色素癌,并通過ISIC2016 數(shù)據(jù)集(2016年國際皮膚影像協(xié)會(huì)ISIC皮膚癌數(shù)據(jù)集)訓(xùn)練,識(shí)別準(zhǔn)確率為86.8%.胡海根等人[8]通過掩蓋技術(shù)對(duì)ISIC2017 數(shù)據(jù)集(2017年國際皮膚影像協(xié)會(huì)ISIC 皮膚癌數(shù)據(jù)集)進(jìn)行隨機(jī)掩蓋與非隨機(jī)掩蓋增強(qiáng),形成兩個(gè)不同的數(shù)據(jù)集,利用深度殘差網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練,同時(shí)對(duì)兩個(gè)訓(xùn)練模型集成學(xué)習(xí),得到的識(shí)別準(zhǔn)確率為86.7%.

    基于CNN 網(wǎng)絡(luò)的圖像識(shí)別技術(shù)需要大量的訓(xùn)練數(shù)據(jù)集為基礎(chǔ),但是在醫(yī)療影像識(shí)別領(lǐng)域,醫(yī)療數(shù)據(jù)的獲取途徑有限,無法得到大規(guī)模的醫(yī)療數(shù)據(jù).數(shù)據(jù)量過小就容易出現(xiàn)過擬合的問題.遷移學(xué)習(xí)可以有效地解決數(shù)據(jù)集數(shù)量小的問題,它首先通過依靠其他圖像數(shù)據(jù)集訓(xùn)練獲取網(wǎng)絡(luò)模型參數(shù),再遷移應(yīng)用到目標(biāo)網(wǎng)絡(luò)模型中,從而提高目標(biāo)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率.因此,很多學(xué)者開始使用遷移學(xué)習(xí)技術(shù)識(shí)別皮膚黑色素癌圖像.2017年,Esteva 等人[9]收集整理了12 萬張由專業(yè)的皮膚癌醫(yī)生標(biāo)注的皮膚癌圖像,利用遷移學(xué)習(xí)在InceptionV3結(jié)構(gòu)中訓(xùn)練,達(dá)到了91%的準(zhǔn)確率.Bi 等人[10]將ISIC 2017 數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù),使用ResNet 網(wǎng)絡(luò)進(jìn)行遷移訓(xùn)練,識(shí)別的準(zhǔn)確率達(dá)到了91.5%.2018年,董青青等人[11]利用ISIC 2016 數(shù)據(jù)集在改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練,利用CNN 網(wǎng)絡(luò)做遷移訓(xùn)練,準(zhǔn)確率達(dá)到了91.92%.2019年,柏朋成[12]利用深度殘差網(wǎng)絡(luò)識(shí)別皮膚黑色素癌,并利用ISIC 2017 數(shù)據(jù)集遷移訓(xùn)練,識(shí)別準(zhǔn)確率為85.3%.

    基于遷移學(xué)習(xí)的皮膚癌影像識(shí)別技術(shù)都是依靠其他領(lǐng)域的圖像數(shù)據(jù)(如ImageNet 數(shù)據(jù)集[13]) 訓(xùn)練獲取特征,這種方法只能提取皮膚黑色素癌圖像的高層次卷積層的特征,即全局特征,并不能充分挖掘圖像的局部特征.而在皮膚黑色素癌影像中,局部紋理結(jié)構(gòu)信息是區(qū)分黑色素瘤的重要標(biāo)志.深度殘差網(wǎng)絡(luò)(deep Residual Network,ResNet)可以訓(xùn)練學(xué)習(xí)皮膚黑色素癌圖像的局部特征和全局特征,同時(shí)解決訓(xùn)練過程中過擬合的問題,在皮膚黑色素癌識(shí)別中的效果優(yōu)良.

    雖然ResNet 網(wǎng)絡(luò)解決了深層次網(wǎng)絡(luò)中的過擬合問題,但是該網(wǎng)絡(luò)仍然存在訓(xùn)練參數(shù)多、訓(xùn)練時(shí)間長的問題.為了提高網(wǎng)絡(luò)的訓(xùn)練效率,提高皮膚黑色素癌的識(shí)別準(zhǔn)確率,本文提出了IDRN 算法,通過將Inception模塊與殘差模塊結(jié)合,利用Inception 模型代替?zhèn)鹘y(tǒng)ResNet 網(wǎng)絡(luò)中的卷積層、池化層,并利用SeLU 函數(shù)作為網(wǎng)絡(luò)的激活函數(shù)對(duì)皮膚黑色素癌圖像進(jìn)行識(shí)別診斷.最后利用旋轉(zhuǎn)、翻轉(zhuǎn)操作對(duì)ISIC2017 皮膚癌數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)后,將增強(qiáng)后的數(shù)據(jù)集在IDRN 模型中進(jìn)行訓(xùn)練.實(shí)驗(yàn)結(jié)果表明,本文提出的IDRN 算法在皮膚黑色素癌分類中準(zhǔn)確率達(dá)到了94.32%,遠(yuǎn)遠(yuǎn)超過了其他網(wǎng)絡(luò)模型.

    1 深度殘差網(wǎng)絡(luò)與Inception 結(jié)構(gòu)

    1.1 深度殘差網(wǎng)絡(luò)

    在CNN 模型中,通過增加網(wǎng)絡(luò)層數(shù),可以整合低、中、高不同層次的圖像特征,包含了局部圖像到全局圖像等不同的特征.因此在一定程度下,卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)越大,提取的圖像特征就越豐富,識(shí)別準(zhǔn)確率越高.但是這樣就會(huì)出現(xiàn)梯度消失和網(wǎng)絡(luò)退化的問題.盡管正則化等方法已經(jīng)優(yōu)化了梯度消失問題,但是當(dāng)網(wǎng)絡(luò)層數(shù)絕對(duì)增加時(shí),梯度消失仍然存在,模型會(huì)產(chǎn)生退化現(xiàn)象.2016年,He 等[14]提出了ResNet 網(wǎng)絡(luò)結(jié)構(gòu),解決了深度網(wǎng)絡(luò)存在的問題.

    ResNet 網(wǎng)絡(luò)由多組殘差網(wǎng)絡(luò)結(jié)構(gòu)組成,每個(gè)殘差網(wǎng)絡(luò)結(jié)構(gòu)包含了若干個(gè)殘差學(xué)習(xí)模塊(又稱為殘差塊).一個(gè)殘差學(xué)習(xí)結(jié)構(gòu)是通過多個(gè)卷積層以及快捷連接(shortcut connection)構(gòu)成,圖1為一個(gè)殘差學(xué)習(xí)結(jié)構(gòu).

    根據(jù)圖1可知,在殘差學(xué)習(xí)結(jié)構(gòu)中輸入為X,輸出為H(X),H(X)主要由殘差映射函數(shù)F(X)和快捷連接X兩部分組成,即H(X)=F(X)+X.其中,F(X)是X在主路徑上的輸出.而快捷連接可以實(shí)現(xiàn)殘差學(xué)習(xí),可以將某一層神經(jīng)元的輸出直接跨越多層網(wǎng)絡(luò)直接傳送給后面的某一層網(wǎng)絡(luò)中.恒等映射可以解決多層網(wǎng)絡(luò)中出現(xiàn)的網(wǎng)絡(luò)退化的問題.具體原理是殘差網(wǎng)絡(luò)通過訓(xùn)練殘差映射函數(shù)F(X)中的參數(shù)訓(xùn)練學(xué)習(xí),當(dāng)模型判斷當(dāng)前殘差塊為冗余層時(shí),就會(huì)將F(X)的參數(shù)訓(xùn)練為0,使結(jié)構(gòu)的輸出為輸入X,保證經(jīng)過該恒等層的輸入X和輸出H(X)完全相同,從而實(shí)現(xiàn)恒等映射.

    圖1 殘差學(xué)習(xí)結(jié)構(gòu)

    在ResNet 網(wǎng)絡(luò)中,由于網(wǎng)絡(luò)模型參數(shù)量較大,通常會(huì)先利用1×1的卷積核將X降維.同時(shí),考慮到殘差層F(X)與輸入數(shù)據(jù)X的維度是否一致,何愷明教授提出了恒等映射殘差模塊以及卷積殘差模塊(如圖2和圖3所示).當(dāng)F(X)與X的維度相同時(shí),使用恒等映射殘差模塊實(shí)現(xiàn);計(jì)算公式為:

    圖2 恒等映射殘差模塊

    圖3 卷積殘差模塊

    其中,X為殘差塊的輸入,H(X)為殘差塊的輸出,F(X)為殘差映射函數(shù),ReLU()為激活函數(shù).

    而當(dāng)F(X)與X的維度不同時(shí),使用卷積殘差模塊,利用 φ (X)線性投影將輸入數(shù)據(jù)X進(jìn)行維度變化,再與F(X)相加.計(jì)算公式為:

    其中,φ (X)為線性投影.

    深度殘差網(wǎng)絡(luò)ResNet50 由恒等映射殘差模塊以及卷積殘差模塊組成,圖4為ResNet50的網(wǎng)絡(luò)結(jié)構(gòu).其中Conv_block 模塊為卷積殘差模塊,idebtity_block模塊為恒等映射殘差模塊.ResNet50 網(wǎng)絡(luò)包含50 層網(wǎng)絡(luò)結(jié)構(gòu),分別為1 層卷積層、48 層殘差結(jié)構(gòu)和1 層全連接層.

    圖4 ResNet50 網(wǎng)絡(luò)結(jié)構(gòu)

    在ResNet50 網(wǎng)絡(luò)中,輸入圖像大小為224×224×3,經(jīng)過7×7 卷積層以及池化層后變?yōu)?6×56×64 大小的特征向量,然后經(jīng)過3個(gè)block1 殘差模塊后,轉(zhuǎn)化為56×56×256 大小;再經(jīng)過4個(gè)block2 殘差模塊,轉(zhuǎn)化為28×28×512 大小;其次通過6個(gè)block3 模塊,轉(zhuǎn)化為14×14×1024 大小;再通過3個(gè)block4 殘差模塊,轉(zhuǎn)化為7×7×2048 大小;最后通過平均池化以及全連接層將特征圖像拉伸為2048個(gè)神經(jīng)元后利用Softmax 分類輸出.

    1.2 Inception 結(jié)構(gòu)

    2014年,Szegedy 等[15]提出GoogLeNet 模型,第一次提出Inception 結(jié)構(gòu).由于皮膚黑色素癌數(shù)據(jù)集的數(shù)量有限,采用傳統(tǒng)的ResNet 網(wǎng)絡(luò)訓(xùn)練參數(shù)過多,容易出現(xiàn)過擬合的情況.利用Inception 結(jié)構(gòu)提取圖像特征可以在橫向增加網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)多尺度提取輸入圖像特征向量,實(shí)現(xiàn)了在增加網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)并大大地減少網(wǎng)絡(luò)參數(shù)數(shù)量.

    傳統(tǒng)的Inception 模塊將1×1、3×3、以及5×5的卷積層與池化層并行連接,并將結(jié)果連接輸出.Inception 模塊主要通過1×1的卷積核來降低圖像的維度,達(dá)到減少網(wǎng)絡(luò)參數(shù)的效果.在后續(xù)Inception V2 模型中,為了進(jìn)一步地減少網(wǎng)絡(luò)的參數(shù),Google 團(tuán)隊(duì)提出將5×5的卷積核用兩個(gè)3×3的卷積核代替,更小的卷積核來減少模型的參數(shù),實(shí)現(xiàn)了卷積核感受野不變的情況下,降低了模型的參數(shù)數(shù)量,具體網(wǎng)絡(luò)如圖5所示.之后,Inception V3 模型提出了將7×7的卷積核分解為1×7和7×1的兩個(gè)一維卷積,進(jìn)一步減少了模型參數(shù)量,增加了網(wǎng)絡(luò)的深度.

    圖5 Inception V2 模塊

    2 基于Inception 深度殘差網(wǎng)絡(luò)皮膚黑色素癌分類識(shí)別算法

    2.1 基于深度殘差網(wǎng)絡(luò)的改進(jìn)

    深度殘差網(wǎng)絡(luò)模型解決了極深卷積神經(jīng)網(wǎng)絡(luò)中存在的梯度消失和網(wǎng)絡(luò)退化的問題,但是該網(wǎng)絡(luò)中的參數(shù)數(shù)量過大,訓(xùn)練時(shí)間長.針對(duì)以上的問題,本文提出了IDRN 算法,將Inception 結(jié)構(gòu)引入到傳統(tǒng)的ResNet網(wǎng)絡(luò)中,代替原始網(wǎng)絡(luò)中的卷積層和池化層,從而減少算法的時(shí)間復(fù)雜度;同時(shí)改進(jìn)網(wǎng)絡(luò)的激活函數(shù),提高了算法對(duì)皮膚黑色素癌圖像的識(shí)別準(zhǔn)確率.

    2.1.1 引入Inception 模塊

    Inception 模塊實(shí)現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)橫向維度的擴(kuò)展,從廣度出發(fā),提高網(wǎng)絡(luò)模型的準(zhǔn)確率,極大地減少了網(wǎng)絡(luò)模型的參數(shù)數(shù)量.本文利用改進(jìn)后的Inception V2 模塊代替?zhèn)鹘y(tǒng)ResNet50 網(wǎng)絡(luò)中的第1 層卷積層與第2 層池化層,通過對(duì)輸入圖像并行地執(zhí)行多個(gè)卷積操作,最后將結(jié)果拼接為一個(gè)特征向量輸入到殘差模塊中.利用Inception 模型代替?zhèn)鹘y(tǒng)ResNet50 網(wǎng)絡(luò)中的卷積池化層,可以實(shí)現(xiàn)通過多種不同大小的卷積核多尺度提取皮膚黑色素癌圖像的特征,豐富圖像特征信息.同時(shí),改進(jìn)后的Inception 結(jié)構(gòu)也大大地減少了ResNet50 網(wǎng)絡(luò)的參數(shù)數(shù)量,結(jié)構(gòu)如圖6所示.

    圖6中第1 列包括3個(gè)3×3的卷積核,實(shí)現(xiàn)了7×7 卷積核卷積效果,第2 列包括2個(gè)3×3的卷積核,實(shí)現(xiàn)了5×5的卷積核卷積的效果,第3 列為池化層.經(jīng)過Inception 結(jié)構(gòu)實(shí)現(xiàn)了將輸入圖像分別通過不同大小的來提取不同尺度的信息,豐富了圖像的特征信息,提高圖像識(shí)別的準(zhǔn)確率.同時(shí),傳統(tǒng)的ResNet50 網(wǎng)絡(luò)為7×7的卷積層和池化層,在這一層中訓(xùn)練參數(shù)為9408個(gè).而本文改進(jìn)后的Inception 結(jié)構(gòu)將參數(shù)數(shù)量減少為1296個(gè),提高了模型的訓(xùn)練速度.

    圖6 改進(jìn)后的Inception 結(jié)構(gòu)

    2.1.2 改用SeLU 激活函數(shù)

    卷積神經(jīng)網(wǎng)絡(luò)中,卷積池化操作為線性操作,通常還需要通過一層激活函數(shù)變化來提高模型的非線性.傳統(tǒng)的激活函數(shù)包括Sigmod 函數(shù)、tanh 函數(shù)、ReLU函數(shù)等,而ResNet 使用ReLU 激活函數(shù),用來解決梯度消失的問題.但是ReLU 函數(shù)處于負(fù)半軸時(shí)梯度為0,會(huì)出現(xiàn)神經(jīng)元死亡的情況,影響之后的計(jì)算;其次,ReLU函數(shù)具有稀疏處理作用,容易丟失圖像的有效特征;并且ReLU 函數(shù)的正半軸部分的導(dǎo)數(shù)恒為1,當(dāng)梯度極小時(shí)依然存在梯度消失.

    針對(duì)ReLU 函數(shù)的缺點(diǎn),IDRN 算法提出使用SeLU函數(shù)[16]作為激活函數(shù),SeLU 函數(shù)如式(3)所示.

    其中,λ>1.由式(3)可知,SeLU 激活函數(shù)的正半軸導(dǎo)數(shù)為λ,這樣就可以進(jìn)一步減少梯度消失;同時(shí),在函數(shù)的負(fù)半軸不為零,防止了神經(jīng)元死亡情況的出現(xiàn),能夠全面地學(xué)習(xí)圖像特征,改進(jìn)后的殘差學(xué)習(xí)模塊如圖7所示.

    圖7 改進(jìn)后的殘差學(xué)習(xí)模塊

    2.2 Inception 深度殘差網(wǎng)絡(luò)結(jié)構(gòu)

    本文在ResNet50 網(wǎng)絡(luò)的基礎(chǔ)上,利用Inception結(jié)構(gòu)代替了ResNet50 網(wǎng)絡(luò)初始階段的卷積池化層,同時(shí)利用SeLU 函數(shù)作為網(wǎng)絡(luò)中的激活函數(shù),并修改了輸出節(jié)點(diǎn)的個(gè)數(shù).改進(jìn)后的IDRN 模型主要包括改進(jìn)后的Inception 結(jié)構(gòu)和殘差網(wǎng)絡(luò).其中,Inception 結(jié)構(gòu)是由3 條卷積池化網(wǎng)絡(luò)并行連接而成(具體結(jié)構(gòu)見圖6).殘差網(wǎng)絡(luò)則是IDRN 網(wǎng)絡(luò)的主要部分,它由4個(gè)殘差網(wǎng)絡(luò)結(jié)構(gòu)組成,每個(gè)殘差結(jié)構(gòu)均由若干個(gè)殘差塊構(gòu)成.最后通過均值池化層以及Softmax 線性分類器對(duì)皮膚黑色素癌進(jìn)行分類,得到輸出結(jié)果.整體網(wǎng)絡(luò)結(jié)構(gòu)包含54 層,分別為4 層Inception 結(jié)構(gòu),以及由殘差塊組成的48 層殘差結(jié)構(gòu)和平均池化層、全連接層,IDRN 模型與ResNet50 模型結(jié)構(gòu)對(duì)比.

    通過表1模型結(jié)構(gòu)可以計(jì)算,對(duì)于一張像素為224×224 大小的RGB 皮膚黑色素癌圖像作為模型的輸入圖像,采用本文改進(jìn)的Inception 深度殘差網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練參數(shù)為1.79×107個(gè).若采用傳統(tǒng)的ResNet50網(wǎng)絡(luò)模型,則訓(xùn)練參數(shù)高達(dá)2.55×107個(gè).從理論上分析,本文提出的IDRN 算法相較于ResNet50 網(wǎng)絡(luò)減少7.6×106個(gè)訓(xùn)練參數(shù),可以解決深度殘差網(wǎng)絡(luò)訓(xùn)練參數(shù)數(shù)量過多的問題,可以有效地降低模型的訓(xùn)練時(shí)間和時(shí)間復(fù)雜度.

    表1 IDRN 模型與ResNet50 模型結(jié)構(gòu)對(duì)比

    圖8為IDRN 算法的網(wǎng)絡(luò)結(jié)構(gòu)圖,輸入的皮膚鏡圖像大小為224×224 像素,通道數(shù)為RGB 三通道.輸入圖像首先通過改進(jìn)Inception 結(jié)構(gòu),經(jīng)過不同大小的卷積核并行提取圖像特征并進(jìn)行連接,轉(zhuǎn)換為56×56×64 大小的特征向量;然后經(jīng)過3個(gè)ResNet_1 殘差模塊后,將圖像的特征向量轉(zhuǎn)化為56×56×256 大小;再經(jīng)過4個(gè)ResNet_2 殘差模塊,將圖像特征向量變化成28×28×512 大小;其次通過6個(gè)ResNet_3 模塊,將特征向量轉(zhuǎn)化為14×14×1024 大小;再通過3個(gè)ResNet_4 殘差模塊,將特征圖像轉(zhuǎn)化為7×7×2048 大小;最后通過平均池化以及全連接層將特征圖像拉伸為2048個(gè)神經(jīng)元后,通過Softmax 分類器將皮膚癌圖像分為黑色素癌、黑色素痣以及脂溢性角化病3 類.

    圖8 IDRN 網(wǎng)絡(luò)結(jié)構(gòu)

    3 實(shí)驗(yàn)

    3.1 實(shí)驗(yàn)數(shù)據(jù)及數(shù)據(jù)增強(qiáng)

    本文實(shí)驗(yàn)數(shù)據(jù)采用2017年國際皮膚影像協(xié)會(huì)提供的黑色素皮膚癌病變識(shí)別的皮膚鏡數(shù)據(jù)集[17].該數(shù)據(jù)集包括惡性黑色素癌、黑色素痣以及脂溢性角化病3 類,其中包括2000 張訓(xùn)練集,600 張測試集,圖像數(shù)據(jù)為JPG 格式.為了防止網(wǎng)絡(luò)過擬合,通過圖像旋轉(zhuǎn)的方式對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng),主要包括順時(shí)針旋轉(zhuǎn)90 度、180 度、270 度以及水平翻轉(zhuǎn)4 種操作.經(jīng)過數(shù)據(jù)增強(qiáng)后的ISIC2017 皮膚癌訓(xùn)練集有10000 張,測試集3000 張.同時(shí),因?yàn)榫W(wǎng)絡(luò)中存在全連接層,本文將皮膚癌數(shù)據(jù)集進(jìn)行了預(yù)處理,將數(shù)據(jù)統(tǒng)一為224×224 像素大小的圖像.

    3.2 參數(shù)設(shè)置

    本文實(shí)驗(yàn)在Windows10 64 位平臺(tái)環(huán)境上運(yùn)行,基本配置是Intel Core i5-4590 四核處理器,16 GB DDR3內(nèi)存,NVIDIA GTX1050 Ti 獨(dú)立顯卡.同時(shí)使用Keras 開源框架驗(yàn)證IDRN 算法對(duì)皮膚黑色素癌圖像的識(shí)別效果.

    3.2.1 學(xué)習(xí)率

    本文實(shí)驗(yàn)學(xué)習(xí)率的調(diào)整采用固定更新策略,通過保持實(shí)驗(yàn)環(huán)境、迭代次數(shù)、激活函數(shù)不變,分別運(yùn)行學(xué)習(xí)率為1×10?2、1×10?3、1×10?4以及1×10?5時(shí),IDRN 算法在皮膚癌數(shù)據(jù)集上的識(shí)別準(zhǔn)確率,當(dāng)網(wǎng)絡(luò)模型的迭代次數(shù)為25 次,每次迭代的Batch-size為10 時(shí),運(yùn)行結(jié)果如圖9所示.

    通過圖9可以得到,學(xué)習(xí)率為1×10?4時(shí)與學(xué)習(xí)率為1×10?5時(shí)相差不大,僅高于1%.但是相比于學(xué)習(xí)率為1×10?3時(shí),增長了18%左右的準(zhǔn)確率.同時(shí),由于學(xué)習(xí)率越小,模型收斂的速度越慢,運(yùn)行時(shí)間越長,因此本文采用學(xué)習(xí)率為1×10?4作為本文IDRN 算法的學(xué)習(xí)率.

    圖9 學(xué)習(xí)率對(duì)比實(shí)驗(yàn)

    3.2.2 SeLU 激活函數(shù)

    本文利用SeLU 激活函數(shù)代替?zhèn)鹘y(tǒng)ResNet 網(wǎng)絡(luò)中的ReLU 激活函數(shù).通過實(shí)驗(yàn)表明,在僅僅改變激活函數(shù)的情況下,IDRN 算法在ISIC2017 皮膚癌數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),當(dāng)網(wǎng)絡(luò)模型的迭代次數(shù)為10 次,每次迭代的Batch-size為10,學(xué)習(xí)率為1×10?4時(shí),實(shí)驗(yàn)結(jié)果如表2所示.通過表2數(shù)據(jù)可以得知,采用SeLU 激活函數(shù)的模型訓(xùn)練準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于采用ReLU 激活函數(shù)的模型.

    表2 激活函數(shù)對(duì)比實(shí)驗(yàn)

    3.3 實(shí)驗(yàn)結(jié)果

    在本文實(shí)驗(yàn)中,由于內(nèi)存限制,每一個(gè)batch_size只能設(shè)置為10,因此本文實(shí)驗(yàn)是在學(xué)習(xí)率為1×10?4,迭代次數(shù)為25 次,batch_size為10,激活函數(shù)為SeLU 函數(shù),輸入圖像尺寸為224×224 大小的情況下進(jìn)行的.同時(shí),為驗(yàn)證本文模型的有效性,將本文提出的IDRN 算法與幾種不同深度的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型在同一實(shí)驗(yàn)參數(shù)下進(jìn)行對(duì)比實(shí)驗(yàn).通過將AlexNet[18]、VGG16[19]、GoogLeNet 以及ResNet50 模型分別在ISIC2017 皮膚黑色素癌數(shù)據(jù)集中進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表3所示.

    從表3中可以得到,本文提出的IDRN 算法模型在皮膚黑色素癌數(shù)據(jù)集中的表現(xiàn)最好,識(shí)別準(zhǔn)確率達(dá)到了90%,相比于AlexNet、VGG16、GoogLeNet 以及ResNet50,本文提出的算法模型在準(zhǔn)確率得到了提升.同時(shí),對(duì)于網(wǎng)絡(luò)的訓(xùn)練參數(shù),IDRN 算法比ResNet50、

    表3 實(shí)驗(yàn)對(duì)比結(jié)果

    Alexnet 算法模型的訓(xùn)練參數(shù)少,VGG16 模型的訓(xùn)練參數(shù)最多,GoogLeNet 模型的訓(xùn)練參數(shù)最少;對(duì)于模型訓(xùn)練過程中平均每張圖片的訓(xùn)練時(shí)間,IDRN 算法模型比ResNet50的訓(xùn)練時(shí)間短,AlexNet 模型的訓(xùn)練時(shí)間最小,VGG16 模型的訓(xùn)練時(shí)間最長.綜合比較得知,本文提出的IDRN 算法的訓(xùn)練參數(shù)以及每張圖像的平均訓(xùn)練時(shí)間都比ResNet50 模型得到了減少,同時(shí)對(duì)于皮膚癌圖像的識(shí)別準(zhǔn)確率得到了提高.

    將測試集作為輸入數(shù)據(jù)在訓(xùn)練好的IDRN 模型中進(jìn)行預(yù)測與評(píng)估后,得到的評(píng)估結(jié)果如表4所示.

    表4 IDRN 模型實(shí)驗(yàn)結(jié)果

    通過表4可以得知,IDRN 算法在測試集中表現(xiàn)良好,證明本文提出的網(wǎng)絡(luò)模型具有很好地泛化能力,對(duì)于皮膚黑色素癌識(shí)別診斷可以起到輔助診斷的效果.

    4 結(jié)論

    本文針對(duì)皮膚黑色素癌圖像識(shí)別困難,利用深度殘差網(wǎng)絡(luò)可以有效地解決過擬合問題,提高識(shí)別準(zhǔn)確率.但是針對(duì)傳統(tǒng)的深度殘差網(wǎng)絡(luò)識(shí)別皮膚黑色素癌圖像存在訓(xùn)練參數(shù)多、時(shí)間效率低等問題,本文提出了基于Inception 深度殘差網(wǎng)絡(luò)的IDRN 皮膚黑色素癌分類識(shí)別算法.通過理論分析深度殘差網(wǎng)絡(luò)結(jié)構(gòu),利用Inception 模型代替網(wǎng)絡(luò)層中的卷積層和池化層,減少模型的訓(xùn)練參數(shù)數(shù)量.同時(shí)使用SeLU 函數(shù)作為網(wǎng)絡(luò)的激活函數(shù),提高算法的識(shí)別準(zhǔn)確率.通過實(shí)驗(yàn)表明,本文提出的IDRN 算法比其他傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在ISIC2017 皮膚癌數(shù)據(jù)集中的表現(xiàn)要好,識(shí)別準(zhǔn)確率提高為94.32%.在未來的研究中需要進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),可以考慮對(duì)任意尺寸的輸入圖像進(jìn)行識(shí)別,進(jìn)一步提高實(shí)驗(yàn)準(zhǔn)確率.

    本文的IDRN 算法同樣適用于其他領(lǐng)域的圖像識(shí)別研究,對(duì)其他領(lǐng)域圖像識(shí)別任務(wù)具有良好的泛化性能,有一定的研究意義.

    猜你喜歡
    模型
    一半模型
    一種去中心化的域名服務(wù)本地化模型
    適用于BDS-3 PPP的隨機(jī)模型
    提煉模型 突破難點(diǎn)
    函數(shù)模型及應(yīng)用
    p150Glued在帕金森病模型中的表達(dá)及分布
    函數(shù)模型及應(yīng)用
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    3D打印中的模型分割與打包
    熟女人妻精品中文字幕| 色综合色国产| 肉色欧美久久久久久久蜜桃 | 国产精品99久久99久久久不卡 | 亚洲av成人精品一二三区| 中文字幕av成人在线电影| 亚洲天堂av无毛| 麻豆国产97在线/欧美| 亚洲国产精品成人综合色| 亚洲欧洲日产国产| 日韩免费高清中文字幕av| 免费观看性生交大片5| 国产淫片久久久久久久久| av在线app专区| 天天一区二区日本电影三级| 亚洲av中文av极速乱| 大码成人一级视频| 日本欧美国产在线视频| 国产日韩欧美亚洲二区| 亚洲成人av在线免费| 日本午夜av视频| 国产亚洲最大av| 插阴视频在线观看视频| 尤物成人国产欧美一区二区三区| 夫妻性生交免费视频一级片| 国产黄频视频在线观看| 久久久久久久午夜电影| 五月天丁香电影| 亚洲天堂国产精品一区在线| 人体艺术视频欧美日本| 亚洲精品乱久久久久久| 国产精品嫩草影院av在线观看| 日韩 亚洲 欧美在线| 欧美成人精品欧美一级黄| 人妻少妇偷人精品九色| 亚洲av国产av综合av卡| 成年女人看的毛片在线观看| 国内精品美女久久久久久| 99视频精品全部免费 在线| 日本一本二区三区精品| 亚洲怡红院男人天堂| av网站免费在线观看视频| 男的添女的下面高潮视频| 日产精品乱码卡一卡2卡三| 2021天堂中文幕一二区在线观| 在线精品无人区一区二区三 | 男人和女人高潮做爰伦理| 久久97久久精品| 少妇裸体淫交视频免费看高清| 亚洲成人中文字幕在线播放| 亚洲国产高清在线一区二区三| 高清午夜精品一区二区三区| 精品酒店卫生间| 国产欧美亚洲国产| 久久亚洲国产成人精品v| 久久精品国产亚洲网站| 中文字幕制服av| 男人添女人高潮全过程视频| 精品久久久久久久人妻蜜臀av| 久久久久久久久久成人| 看免费成人av毛片| 99精国产麻豆久久婷婷| 免费观看av网站的网址| 午夜福利在线在线| 精品久久久久久电影网| 国产精品国产三级国产av玫瑰| 听说在线观看完整版免费高清| 久久6这里有精品| 国产片特级美女逼逼视频| 免费在线观看成人毛片| 日日啪夜夜爽| 亚洲性久久影院| 久久鲁丝午夜福利片| 国产高潮美女av| 久久精品国产自在天天线| 国产国拍精品亚洲av在线观看| 国产高清有码在线观看视频| 国产片特级美女逼逼视频| 在线亚洲精品国产二区图片欧美 | 干丝袜人妻中文字幕| 久久精品国产亚洲av天美| 午夜精品一区二区三区免费看| 十八禁网站网址无遮挡 | 亚洲aⅴ乱码一区二区在线播放| 日韩欧美精品免费久久| 成年免费大片在线观看| 日本三级黄在线观看| 亚洲av成人精品一区久久| 国产久久久一区二区三区| 在线观看人妻少妇| 男女无遮挡免费网站观看| 精品久久久久久久人妻蜜臀av| 欧美人与善性xxx| 插逼视频在线观看| 精品人妻视频免费看| 国产一区二区在线观看日韩| 丰满人妻一区二区三区视频av| 男女边吃奶边做爰视频| 校园人妻丝袜中文字幕| 午夜老司机福利剧场| 亚洲欧美一区二区三区国产| 国产91av在线免费观看| 日韩一区二区视频免费看| 午夜福利网站1000一区二区三区| 舔av片在线| 国产精品国产三级国产专区5o| 秋霞伦理黄片| 97人妻精品一区二区三区麻豆| 久久精品久久精品一区二区三区| 中文字幕亚洲精品专区| 亚洲第一区二区三区不卡| 国产精品人妻久久久影院| 男人和女人高潮做爰伦理| 中文字幕久久专区| 国产真实伦视频高清在线观看| 日本av手机在线免费观看| 国产精品蜜桃在线观看| 高清午夜精品一区二区三区| 成人特级av手机在线观看| 免费在线观看成人毛片| 欧美激情国产日韩精品一区| 99久久中文字幕三级久久日本| 2021少妇久久久久久久久久久| 大又大粗又爽又黄少妇毛片口| 国内少妇人妻偷人精品xxx网站| 久久久久久久午夜电影| 国产爽快片一区二区三区| 国产男女超爽视频在线观看| 国国产精品蜜臀av免费| 蜜臀久久99精品久久宅男| 国产成年人精品一区二区| 五月天丁香电影| 欧美变态另类bdsm刘玥| 看非洲黑人一级黄片| 精品久久久久久久末码| 久热这里只有精品99| 婷婷色麻豆天堂久久| 国产综合精华液| 中文字幕制服av| 最近中文字幕2019免费版| 亚洲精品成人久久久久久| 又粗又硬又长又爽又黄的视频| 亚洲av日韩在线播放| 夜夜爽夜夜爽视频| 波多野结衣巨乳人妻| 人人妻人人爽人人添夜夜欢视频 | 美女主播在线视频| 国产成人精品婷婷| 国产精品三级大全| 少妇裸体淫交视频免费看高清| 在线 av 中文字幕| 国产精品久久久久久久久免| av黄色大香蕉| 欧美+日韩+精品| 欧美xxⅹ黑人| 少妇人妻一区二区三区视频| 日韩大片免费观看网站| 国产成人a∨麻豆精品| av黄色大香蕉| 欧美精品人与动牲交sv欧美| 亚洲国产精品成人综合色| 又黄又爽又刺激的免费视频.| 午夜福利高清视频| 亚洲国产精品成人综合色| 观看免费一级毛片| 国产 一区精品| 91在线精品国自产拍蜜月| 高清在线视频一区二区三区| 蜜臀久久99精品久久宅男| 女人十人毛片免费观看3o分钟| 亚洲国产精品国产精品| 午夜福利在线在线| 国产亚洲精品久久久com| 国产又色又爽无遮挡免| 99久久中文字幕三级久久日本| 亚洲成人久久爱视频| 欧美激情国产日韩精品一区| 午夜激情久久久久久久| 狠狠精品人妻久久久久久综合| 日本免费在线观看一区| 观看美女的网站| 涩涩av久久男人的天堂| 在线观看av片永久免费下载| 大片免费播放器 马上看| 亚洲三级黄色毛片| 国内揄拍国产精品人妻在线| 国产黄色视频一区二区在线观看| 成人亚洲精品一区在线观看 | 久久久精品欧美日韩精品| 成年av动漫网址| 身体一侧抽搐| 嫩草影院新地址| 老女人水多毛片| 中文字幕av成人在线电影| av在线播放精品| 国产 一区 欧美 日韩| 天天躁夜夜躁狠狠久久av| 亚洲精品久久午夜乱码| 国产淫语在线视频| 少妇人妻久久综合中文| 国产亚洲一区二区精品| 亚洲av日韩在线播放| 综合色丁香网| 日韩欧美一区视频在线观看 | 久久精品人妻少妇| 18禁裸乳无遮挡免费网站照片| 精品久久久久久久人妻蜜臀av| 少妇被粗大猛烈的视频| 97精品久久久久久久久久精品| 五月开心婷婷网| 免费电影在线观看免费观看| 蜜桃亚洲精品一区二区三区| 美女脱内裤让男人舔精品视频| 精品一区在线观看国产| 观看免费一级毛片| 精品国产乱码久久久久久小说| 禁无遮挡网站| 色综合色国产| 欧美性感艳星| 男女无遮挡免费网站观看| 日本午夜av视频| 国产精品嫩草影院av在线观看| 欧美激情国产日韩精品一区| 夫妻午夜视频| 中文在线观看免费www的网站| 蜜臀久久99精品久久宅男| 成人无遮挡网站| 80岁老熟妇乱子伦牲交| 亚洲精品乱久久久久久| 18禁动态无遮挡网站| 亚洲av日韩在线播放| 91在线精品国自产拍蜜月| 国产色婷婷99| 日本色播在线视频| 少妇人妻精品综合一区二区| 国产免费福利视频在线观看| 精品久久久久久久末码| 亚洲欧美日韩东京热| 久久久国产一区二区| 欧美日韩亚洲高清精品| av在线观看视频网站免费| 午夜老司机福利剧场| 国产伦理片在线播放av一区| 我的女老师完整版在线观看| 18禁动态无遮挡网站| 男的添女的下面高潮视频| 男男h啪啪无遮挡| 99久久精品一区二区三区| 久久精品久久久久久噜噜老黄| 亚洲成人久久爱视频| 成人免费观看视频高清| 国产精品女同一区二区软件| 亚洲丝袜综合中文字幕| 一级毛片 在线播放| 亚洲人与动物交配视频| 大话2 男鬼变身卡| 性插视频无遮挡在线免费观看| 精品久久久久久久人妻蜜臀av| www.色视频.com| 天堂俺去俺来也www色官网| 精品国产一区二区三区久久久樱花 | 欧美成人午夜免费资源| 欧美日韩视频精品一区| 最近2019中文字幕mv第一页| 欧美三级亚洲精品| 嫩草影院入口| 国产伦精品一区二区三区四那| 国产精品久久久久久精品电影| 麻豆乱淫一区二区| 亚洲欧美精品自产自拍| 大片免费播放器 马上看| 中文资源天堂在线| 热re99久久精品国产66热6| 在线天堂最新版资源| 校园人妻丝袜中文字幕| 亚洲欧美成人精品一区二区| 啦啦啦在线观看免费高清www| 高清毛片免费看| 日产精品乱码卡一卡2卡三| 亚洲精品国产av成人精品| 国产探花极品一区二区| 一级毛片电影观看| 青春草视频在线免费观看| 欧美日韩精品成人综合77777| 欧美xxxx性猛交bbbb| 亚洲经典国产精华液单| 欧美激情在线99| 另类亚洲欧美激情| 一级片'在线观看视频| 直男gayav资源| 亚洲精品,欧美精品| 麻豆成人午夜福利视频| 99精国产麻豆久久婷婷| 精品久久久久久久末码| 中国美白少妇内射xxxbb| av又黄又爽大尺度在线免费看| 欧美日韩亚洲高清精品| 亚洲欧美精品专区久久| 国产视频内射| 国内少妇人妻偷人精品xxx网站| 久久久久九九精品影院| 人人妻人人澡人人爽人人夜夜| 欧美一区二区亚洲| 久久久欧美国产精品| 亚洲av福利一区| 九九爱精品视频在线观看| 日本与韩国留学比较| 中文乱码字字幕精品一区二区三区| 一个人看的www免费观看视频| 在线观看美女被高潮喷水网站| 欧美一级a爱片免费观看看| 日韩伦理黄色片| 国产精品一二三区在线看| 午夜福利在线观看免费完整高清在| 国产免费视频播放在线视频| 十八禁网站网址无遮挡 | 亚洲av成人精品一二三区| 99热这里只有是精品在线观看| 国产成人精品久久久久久| 久久午夜福利片| 国产精品99久久久久久久久| 亚洲精品国产成人久久av| 天堂网av新在线| 日日撸夜夜添| 亚洲av在线观看美女高潮| 国产 一区精品| 狂野欧美激情性bbbbbb| 日韩av不卡免费在线播放| 国产亚洲精品久久久com| 亚洲色图av天堂| 久久久久久久精品精品| 国产毛片在线视频| 成人漫画全彩无遮挡| 大又大粗又爽又黄少妇毛片口| 免费电影在线观看免费观看| 国产亚洲av片在线观看秒播厂| 美女主播在线视频| 蜜桃亚洲精品一区二区三区| 日韩欧美精品v在线| 99热6这里只有精品| 国产精品一区二区性色av| 一本久久精品| 人体艺术视频欧美日本| 亚洲国产最新在线播放| 插逼视频在线观看| 一级毛片我不卡| h日本视频在线播放| 超碰av人人做人人爽久久| 国产精品国产av在线观看| 久久久国产一区二区| 亚洲av成人精品一区久久| 菩萨蛮人人尽说江南好唐韦庄| 18禁动态无遮挡网站| 亚洲熟女精品中文字幕| 又爽又黄无遮挡网站| 汤姆久久久久久久影院中文字幕| 一级黄片播放器| 国产乱人视频| 亚洲人与动物交配视频| 午夜日本视频在线| 99热6这里只有精品| 久久久亚洲精品成人影院| 久久久久网色| 我的老师免费观看完整版| 久久久色成人| 亚洲第一区二区三区不卡| 日韩免费高清中文字幕av| 在线a可以看的网站| 亚洲,一卡二卡三卡| 在线精品无人区一区二区三 | 三级国产精品片| 中文天堂在线官网| 午夜激情福利司机影院| freevideosex欧美| 日本黄色片子视频| 日韩欧美精品v在线| 成年免费大片在线观看| 只有这里有精品99| 最近2019中文字幕mv第一页| 国产极品天堂在线| 在线免费十八禁| 永久免费av网站大全| 最近手机中文字幕大全| 亚洲电影在线观看av| 久久久久九九精品影院| 高清午夜精品一区二区三区| 在现免费观看毛片| 天天一区二区日本电影三级| 久久人人爽人人爽人人片va| 男女边吃奶边做爰视频| 国产亚洲午夜精品一区二区久久 | 午夜免费男女啪啪视频观看| 日本wwww免费看| 久久久久精品性色| 网址你懂的国产日韩在线| 亚洲最大成人av| 精品人妻一区二区三区麻豆| 天天躁夜夜躁狠狠久久av| 久久久精品94久久精品| videos熟女内射| 国产亚洲5aaaaa淫片| 老司机影院成人| 波野结衣二区三区在线| 激情五月婷婷亚洲| 香蕉精品网在线| av福利片在线观看| 有码 亚洲区| 熟妇人妻不卡中文字幕| 久久国产乱子免费精品| 久久精品夜色国产| 精品国产一区二区三区久久久樱花 | 久久99热6这里只有精品| 欧美+日韩+精品| 久久99精品国语久久久| 美女内射精品一级片tv| 观看免费一级毛片| 人人妻人人澡人人爽人人夜夜| 久久久久久国产a免费观看| 亚洲成人一二三区av| 在线a可以看的网站| 久久久久久久午夜电影| 亚洲不卡免费看| 久久精品人妻少妇| 日韩成人av中文字幕在线观看| 97在线人人人人妻| 午夜福利在线在线| 午夜免费鲁丝| 成年女人在线观看亚洲视频 | 人妻少妇偷人精品九色| 黄色日韩在线| 亚洲综合精品二区| 亚洲欧美精品自产自拍| 97精品久久久久久久久久精品| 亚洲激情五月婷婷啪啪| 亚洲精品中文字幕在线视频 | 欧美激情国产日韩精品一区| 女人十人毛片免费观看3o分钟| 白带黄色成豆腐渣| 一个人看视频在线观看www免费| 大片电影免费在线观看免费| 亚洲精华国产精华液的使用体验| 欧美一区二区亚洲| 看十八女毛片水多多多| 国语对白做爰xxxⅹ性视频网站| 亚洲欧美精品自产自拍| 亚洲精品第二区| 神马国产精品三级电影在线观看| 免费看日本二区| 伦精品一区二区三区| 天天躁日日操中文字幕| 晚上一个人看的免费电影| 亚洲电影在线观看av| 深爱激情五月婷婷| 美女被艹到高潮喷水动态| 啦啦啦在线观看免费高清www| 少妇猛男粗大的猛烈进出视频 | 欧美性猛交╳xxx乱大交人| 可以在线观看毛片的网站| 国产成人精品婷婷| 成人午夜精彩视频在线观看| 一级a做视频免费观看| 一级爰片在线观看| 日韩欧美精品v在线| 国产乱来视频区| 婷婷色麻豆天堂久久| 国产成人免费无遮挡视频| 岛国毛片在线播放| 午夜福利视频精品| av福利片在线观看| 一区二区三区免费毛片| 肉色欧美久久久久久久蜜桃 | 亚洲精品aⅴ在线观看| 亚洲国产色片| 男女啪啪激烈高潮av片| 久久精品夜色国产| 国产精品无大码| 热re99久久精品国产66热6| 中文资源天堂在线| 国产欧美日韩一区二区三区在线 | 九九在线视频观看精品| av免费观看日本| 校园人妻丝袜中文字幕| 中文字幕免费在线视频6| 看十八女毛片水多多多| 美女主播在线视频| 69人妻影院| 国语对白做爰xxxⅹ性视频网站| 久久综合国产亚洲精品| 高清毛片免费看| 人妻一区二区av| 国产女主播在线喷水免费视频网站| 亚洲av成人精品一二三区| 欧美日韩视频高清一区二区三区二| av卡一久久| 婷婷色av中文字幕| 亚洲国产精品国产精品| 国产免费一区二区三区四区乱码| 亚洲国产最新在线播放| 久久99热6这里只有精品| tube8黄色片| 久久精品国产亚洲av涩爱| 亚洲真实伦在线观看| 久久久精品欧美日韩精品| 黄色视频在线播放观看不卡| 国产久久久一区二区三区| 黄色一级大片看看| 亚洲精品自拍成人| 国产国拍精品亚洲av在线观看| 狂野欧美白嫩少妇大欣赏| 欧美高清成人免费视频www| 亚洲熟女精品中文字幕| xxx大片免费视频| 丝袜脚勾引网站| 日日啪夜夜爽| 夫妻性生交免费视频一级片| 有码 亚洲区| 国产精品久久久久久久久免| 国产av码专区亚洲av| 日韩av免费高清视频| 国产老妇伦熟女老妇高清| 国产成人精品一,二区| 欧美三级亚洲精品| 免费观看在线日韩| 精品国产三级普通话版| 熟女人妻精品中文字幕| 国产精品人妻久久久久久| 精华霜和精华液先用哪个| 春色校园在线视频观看| 熟女av电影| 夫妻性生交免费视频一级片| 大片电影免费在线观看免费| 欧美xxxx性猛交bbbb| 亚洲丝袜综合中文字幕| 天天躁夜夜躁狠狠久久av| 国产精品偷伦视频观看了| 亚洲av国产av综合av卡| 国产综合精华液| 久久久久久久国产电影| 精品酒店卫生间| 老女人水多毛片| 亚洲三级黄色毛片| 亚洲人成网站高清观看| 成人亚洲欧美一区二区av| 纵有疾风起免费观看全集完整版| 在线天堂最新版资源| 美女国产视频在线观看| 最近手机中文字幕大全| 黄色欧美视频在线观看| 全区人妻精品视频| 99久久精品热视频| 大片电影免费在线观看免费| 深爱激情五月婷婷| 最近最新中文字幕免费大全7| 91精品伊人久久大香线蕉| 久久久久久久久久久丰满| 白带黄色成豆腐渣| 亚洲精品成人久久久久久| 天天躁日日操中文字幕| 特大巨黑吊av在线直播| 国产成人精品福利久久| 亚洲自拍偷在线| 免费观看无遮挡的男女| 丝瓜视频免费看黄片| 久久久欧美国产精品| 黄片无遮挡物在线观看| 啦啦啦中文免费视频观看日本| 亚洲av在线观看美女高潮| 成年女人看的毛片在线观看| 听说在线观看完整版免费高清| 色视频www国产| 国产精品福利在线免费观看| 欧美成人精品欧美一级黄| av免费在线看不卡| 丝瓜视频免费看黄片| 久久人人爽人人爽人人片va| 久久精品国产亚洲av天美| 亚洲国产高清在线一区二区三| 边亲边吃奶的免费视频| 国产一区亚洲一区在线观看| 国内精品宾馆在线| 成人亚洲精品一区在线观看 | 亚洲精品日韩在线中文字幕| 久久久久精品久久久久真实原创| 麻豆成人午夜福利视频| 九草在线视频观看| 深爱激情五月婷婷| av在线老鸭窝| 哪个播放器可以免费观看大片| 狂野欧美激情性bbbbbb| 日本免费在线观看一区| 欧美成人a在线观看| 成人高潮视频无遮挡免费网站| 亚洲精品久久午夜乱码| 日本熟妇午夜| 欧美性猛交╳xxx乱大交人| 老师上课跳d突然被开到最大视频| 插逼视频在线观看| 国产成人a∨麻豆精品| 成人高潮视频无遮挡免费网站| 欧美另类一区| 日本一本二区三区精品| av播播在线观看一区| 欧美成人一区二区免费高清观看| 免费看光身美女| 综合色av麻豆| 80岁老熟妇乱子伦牲交| 精品一区二区免费观看| a级毛色黄片| 久久久久久久久久久免费av| 欧美一区二区亚洲| 欧美老熟妇乱子伦牲交| 欧美另类一区| 一级毛片aaaaaa免费看小| 久久久久久伊人网av| 午夜精品国产一区二区电影 |