• <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(wú)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(guò)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(guò)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(guò)ISIC2016 數(shù)據(jù)集(2016年國(guó)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(guò)掩蓋技術(shù)對(duì)ISIC2017 數(shù)據(jù)集(2017年國(guó)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(wú)法得到大規(guī)模的醫(yī)療數(shù)據(jù).數(shù)據(jù)量過(guò)小就容易出現(xiàn)過(guò)擬合的問(wèn)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(wèn)題,它首先通過(guò)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(wàn)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(guò)程中過(guò)擬合的問(wèn)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(guò)擬合問(wèn)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(zhǎng)的問(wèn)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(guò)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(guò)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(guò)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(wèn)題.盡管正則化等方法已經(jīng)優(yōu)化了梯度消失問(wèn)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(wèn)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(guò)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(jué)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(wèn)題.具體原理是殘差網(wǎng)絡(luò)通過(guò)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(guò)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(guò)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(guò)3個(gè)block1 殘差模塊后,轉(zhuǎn)化為56×56×256 大小;再經(jīng)過(guò)4個(gè)block2 殘差模塊,轉(zhuǎn)化為28×28×512 大小;其次通過(guò)6個(gè)block3 模塊,轉(zhuǎn)化為14×14×1024 大小;再通過(guò)3個(gè)block4 殘差模塊,轉(zhuǎn)化為7×7×2048 大小;最后通過(guò)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(guò)多,容易出現(xiàn)過(guò)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(guò)1×1的卷積核來(lái)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(lái)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(wèn)題,但是該網(wǎng)絡(luò)中的參數(shù)數(shù)量過(guò)大,訓(xùn)練時(shí)間長(zhǎng).針對(duì)以上的問(wèn)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(guò)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(guò)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(guò)Inception 結(jié)構(gòu)實(shí)現(xiàn)了將輸入圖像分別通過(guò)不同大小的來(lái)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(guò)一層激活函數(shù)變化來(lái)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(lái)解決梯度消失的問(wèn)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(jiàn)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(guò)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(guò)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(guò)多的問(wèn)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(guò)改進(jìn)Inception 結(jié)構(gòu),經(jīng)過(guò)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(guò)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(guò)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(guò)6個(gè)ResNet_3 模塊,將特征向量轉(zhuǎn)化為14×14×1024 大小;再通過(guò)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(guò)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(guò)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(guó)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(cè)試集,圖像數(shù)據(jù)為JPG 格式.為了防止網(wǎng)絡(luò)過(guò)擬合,通過(guò)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(guò)數(shù)據(jù)增強(qiáng)后的ISIC2017 皮膚癌訓(xùn)練集有10000 張,測(cè)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(guò)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(guò)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(zhǎng)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(zhǎng),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(guò)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(guò)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(guò)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(guò)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(zhǎng).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(cè)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(cè)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(guò)表4可以得知,IDRN 算法在測(cè)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(guò)擬合問(wèn)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(wèn)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(guò)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(guò)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(lái)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
    亚洲不卡免费看| 亚洲av一区综合| 国产亚洲5aaaaa淫片| 夜夜看夜夜爽夜夜摸| 国产黄片美女视频| 国产成人精品福利久久| 久久久久国产网址| 日韩国内少妇激情av| 国产精品不卡视频一区二区| 亚洲精品一二三| 特级一级黄色大片| av专区在线播放| 久久久久久久大尺度免费视频| 人妻系列 视频| 成年人午夜在线观看视频| 人妻少妇偷人精品九色| 在线免费观看不下载黄p国产| 建设人人有责人人尽责人人享有的 | 建设人人有责人人尽责人人享有的 | 成年女人看的毛片在线观看| 国产熟女欧美一区二区| 欧美日韩综合久久久久久| 欧美日韩综合久久久久久| 一个人看的www免费观看视频| 国产白丝娇喘喷水9色精品| 国产欧美亚洲国产| 三级经典国产精品| 亚洲经典国产精华液单| 国产av码专区亚洲av| 中文天堂在线官网| 中文字幕av成人在线电影| 亚洲精品自拍成人| 只有这里有精品99| 少妇猛男粗大的猛烈进出视频 | 国产精品蜜桃在线观看| 国产亚洲一区二区精品| 欧美成人精品欧美一级黄| 干丝袜人妻中文字幕| 超碰97精品在线观看| 欧美成人精品欧美一级黄| 久久久久久久大尺度免费视频| 直男gayav资源| 新久久久久国产一级毛片| 国产成人a区在线观看| 国产日韩欧美在线精品| 亚洲在线观看片| av专区在线播放| 91狼人影院| 亚洲在久久综合| 三级经典国产精品| 成年女人看的毛片在线观看| 夜夜看夜夜爽夜夜摸| 亚洲av日韩在线播放| 亚洲精品aⅴ在线观看| 亚洲精品自拍成人| 看非洲黑人一级黄片| 亚洲av成人精品一二三区| 欧美亚洲 丝袜 人妻 在线| 日本色播在线视频| 99热国产这里只有精品6| 日本wwww免费看| 最近最新中文字幕免费大全7| av免费在线看不卡| 久久人人爽人人爽人人片va| 又粗又硬又长又爽又黄的视频| 国产一区亚洲一区在线观看| 少妇的逼好多水| 久久久精品欧美日韩精品| 国产国拍精品亚洲av在线观看| 亚洲精品国产色婷婷电影| 亚洲,一卡二卡三卡| 国产综合精华液| 男女国产视频网站| 一级毛片久久久久久久久女| 69av精品久久久久久| 亚洲综合精品二区| 成年人午夜在线观看视频| 亚洲人与动物交配视频| 欧美3d第一页| 中文字幕免费在线视频6| 亚洲精品一区蜜桃| 国产成人a区在线观看| 日韩成人伦理影院| 国产精品一区二区三区四区免费观看| 大香蕉久久网| 日本免费在线观看一区| 天堂中文最新版在线下载 | 草草在线视频免费看| 日韩大片免费观看网站| 少妇人妻久久综合中文| 亚洲av男天堂| 综合色av麻豆| 久久韩国三级中文字幕| 久久精品夜色国产| 国产精品伦人一区二区| 青春草视频在线免费观看| 99久久精品一区二区三区| 内射极品少妇av片p| 大陆偷拍与自拍| av在线蜜桃| 成人毛片a级毛片在线播放| 免费看a级黄色片| 美女主播在线视频| 亚洲国产精品专区欧美| 九色成人免费人妻av| 欧美一区二区亚洲| 一区二区三区免费毛片| 简卡轻食公司| 热re99久久精品国产66热6| 欧美日韩亚洲高清精品| 成人美女网站在线观看视频| 国产精品久久久久久精品电影小说 | 国产亚洲av片在线观看秒播厂| 91久久精品国产一区二区三区| 亚洲在线观看片| av在线老鸭窝| 男人添女人高潮全过程视频| 久久精品熟女亚洲av麻豆精品| 搞女人的毛片| 成年女人看的毛片在线观看| 自拍偷自拍亚洲精品老妇| 五月伊人婷婷丁香| 亚洲国产av新网站| 免费观看a级毛片全部| 成人国产av品久久久| 亚洲精品乱久久久久久| 只有这里有精品99| 日本与韩国留学比较| 国产成人免费观看mmmm| 一级毛片电影观看| 亚洲欧美日韩卡通动漫| 亚洲精品影视一区二区三区av| 亚洲精品影视一区二区三区av| 国产老妇伦熟女老妇高清| 建设人人有责人人尽责人人享有的 | 日本免费在线观看一区| .国产精品久久| 大陆偷拍与自拍| 91午夜精品亚洲一区二区三区| 五月伊人婷婷丁香| 国产精品一及| 一级毛片久久久久久久久女| 国语对白做爰xxxⅹ性视频网站| 97精品久久久久久久久久精品| 国产精品伦人一区二区| 成年女人在线观看亚洲视频 | 麻豆国产97在线/欧美| 啦啦啦中文免费视频观看日本| 婷婷色综合www| 热re99久久精品国产66热6| 国产乱人偷精品视频| 赤兔流量卡办理| 内射极品少妇av片p| 免费观看在线日韩| 国产精品偷伦视频观看了| 搡女人真爽免费视频火全软件| 国产精品三级大全| 日日摸夜夜添夜夜爱| 国内精品宾馆在线| 成人二区视频| 欧美日韩亚洲高清精品| 成人美女网站在线观看视频| 国产精品99久久久久久久久| 你懂的网址亚洲精品在线观看| 只有这里有精品99| 中国三级夫妇交换| 亚洲av男天堂| 国产成人福利小说| 日本爱情动作片www.在线观看| 大香蕉97超碰在线| 欧美日韩亚洲高清精品| 日韩欧美一区视频在线观看 | 亚洲色图综合在线观看| 国产精品熟女久久久久浪| 免费看av在线观看网站| 亚洲精品乱码久久久v下载方式| 欧美潮喷喷水| 天天一区二区日本电影三级| 欧美xxⅹ黑人| 成人黄色视频免费在线看| 亚洲精品乱久久久久久| 亚洲色图综合在线观看| 下体分泌物呈黄色| 欧美 日韩 精品 国产| 欧美潮喷喷水| 夫妻性生交免费视频一级片| 男人舔奶头视频| av免费在线看不卡| 偷拍熟女少妇极品色| 国内精品宾馆在线| 熟妇人妻不卡中文字幕| 久热这里只有精品99| 亚洲经典国产精华液单| 2022亚洲国产成人精品| 日韩中字成人| 激情五月婷婷亚洲| 欧美激情在线99| 狂野欧美白嫩少妇大欣赏| 观看免费一级毛片| 少妇高潮的动态图| 中文字幕av成人在线电影| 爱豆传媒免费全集在线观看| 啦啦啦中文免费视频观看日本| 亚洲国产色片| 新久久久久国产一级毛片| 欧美激情国产日韩精品一区| 国产免费福利视频在线观看| 哪个播放器可以免费观看大片| 国产亚洲最大av| 久久久久网色| 日日啪夜夜爽| 网址你懂的国产日韩在线| 2021天堂中文幕一二区在线观| 亚州av有码| 久久99热这里只频精品6学生| 男人和女人高潮做爰伦理| 99热这里只有精品一区| 十八禁网站网址无遮挡 | 欧美 日韩 精品 国产| 国产毛片在线视频| 婷婷色麻豆天堂久久| 97超视频在线观看视频| 一区二区三区四区激情视频| 韩国av在线不卡| a级一级毛片免费在线观看| 免费观看av网站的网址| 亚洲欧洲国产日韩| 黄色怎么调成土黄色| 久久精品夜色国产| 久久精品熟女亚洲av麻豆精品| 大话2 男鬼变身卡| 国产精品人妻久久久影院| 亚洲四区av| 国产 一区 欧美 日韩| 三级经典国产精品| 国内揄拍国产精品人妻在线| 尾随美女入室| 人妻夜夜爽99麻豆av| 中国三级夫妇交换| 97热精品久久久久久| 欧美成人精品欧美一级黄| 80岁老熟妇乱子伦牲交| 亚洲电影在线观看av| 免费av毛片视频| 少妇猛男粗大的猛烈进出视频 | 91aial.com中文字幕在线观看| 欧美国产精品一级二级三级 | 日韩av不卡免费在线播放| 亚洲内射少妇av| 最后的刺客免费高清国语| 国产v大片淫在线免费观看| 亚洲无线观看免费| 久久99精品国语久久久| 国国产精品蜜臀av免费| 国产 精品1| 日韩视频在线欧美| 亚洲精品aⅴ在线观看| 亚洲国产欧美人成| 精品人妻熟女av久视频| 亚洲丝袜综合中文字幕| av网站免费在线观看视频| 在线观看三级黄色| 日韩亚洲欧美综合| 久热这里只有精品99| 欧美三级亚洲精品| 免费不卡的大黄色大毛片视频在线观看| 全区人妻精品视频| eeuss影院久久| 欧美日韩国产mv在线观看视频 | tube8黄色片| 亚洲国产高清在线一区二区三| 五月玫瑰六月丁香| 国产片特级美女逼逼视频| 日韩欧美一区视频在线观看 | 老女人水多毛片| 在线a可以看的网站| 亚洲精品乱久久久久久| 久久精品久久精品一区二区三区| 日本一二三区视频观看| 免费黄频网站在线观看国产| 国产久久久一区二区三区| 欧美人与善性xxx| 中文欧美无线码| 一个人观看的视频www高清免费观看| 国产欧美日韩一区二区三区在线 | 亚洲精品乱码久久久久久按摩| 丰满乱子伦码专区| 免费在线观看成人毛片| 人妻一区二区av| 99热国产这里只有精品6| 性插视频无遮挡在线免费观看| 丝袜喷水一区| 免费观看在线日韩| 一边亲一边摸免费视频| 97精品久久久久久久久久精品| 欧美日本视频| 亚洲熟女精品中文字幕| 国产av国产精品国产| 中文字幕人妻熟人妻熟丝袜美| 肉色欧美久久久久久久蜜桃 | 中文字幕人妻熟人妻熟丝袜美| 人人妻人人澡人人爽人人夜夜| 七月丁香在线播放| 免费观看的影片在线观看| 国产欧美日韩精品一区二区| 日日啪夜夜撸| 国产综合精华液| 亚洲不卡免费看| 制服丝袜香蕉在线| 成人特级av手机在线观看| 国产69精品久久久久777片| 精品少妇黑人巨大在线播放| 搡女人真爽免费视频火全软件| 亚洲高清免费不卡视频| 内地一区二区视频在线| 肉色欧美久久久久久久蜜桃 | 国产成人精品一,二区| 国产乱人视频| 校园人妻丝袜中文字幕| 中文字幕亚洲精品专区| 三级男女做爰猛烈吃奶摸视频| 免费不卡的大黄色大毛片视频在线观看| 国产黄片视频在线免费观看| 亚洲精品乱码久久久v下载方式| 免费观看av网站的网址| 2018国产大陆天天弄谢| 日韩一区二区三区影片| 久久精品国产亚洲av涩爱| 菩萨蛮人人尽说江南好唐韦庄| 好男人在线观看高清免费视频| 欧美老熟妇乱子伦牲交| 免费播放大片免费观看视频在线观看| 国产在视频线精品| 国产色婷婷99| 国产黄频视频在线观看| 午夜福利视频精品| 国产成人a区在线观看| 日日啪夜夜撸| 色播亚洲综合网| 国产探花在线观看一区二区| 免费高清在线观看视频在线观看| 精品少妇久久久久久888优播| 熟妇人妻不卡中文字幕| 国产有黄有色有爽视频| 国产av不卡久久| 日本黄色片子视频| 老司机影院毛片| 一级毛片电影观看| 国产精品蜜桃在线观看| 肉色欧美久久久久久久蜜桃 | 黄色欧美视频在线观看| 久久久午夜欧美精品| 亚洲精品影视一区二区三区av| 久久精品熟女亚洲av麻豆精品| 日韩欧美精品v在线| 国语对白做爰xxxⅹ性视频网站| 中国美白少妇内射xxxbb| 一级毛片 在线播放| 少妇人妻精品综合一区二区| 国产精品一区二区三区四区免费观看| 国产成年人精品一区二区| 建设人人有责人人尽责人人享有的 | 亚洲无线观看免费| 久久99蜜桃精品久久| 国语对白做爰xxxⅹ性视频网站| 免费av观看视频| 菩萨蛮人人尽说江南好唐韦庄| 精品人妻熟女av久视频| 日本熟妇午夜| 精品久久久久久电影网| 在线免费十八禁| 一个人看视频在线观看www免费| 美女国产视频在线观看| 男人和女人高潮做爰伦理| 日日摸夜夜添夜夜添av毛片| 久久久成人免费电影| 久久精品夜色国产| 国产黄片美女视频| 麻豆国产97在线/欧美| 欧美 日韩 精品 国产| 天堂中文最新版在线下载 | 少妇熟女欧美另类| 三级经典国产精品| 欧美国产精品一级二级三级 | 亚洲av免费在线观看| 啦啦啦啦在线视频资源| av.在线天堂| 视频中文字幕在线观看| 亚洲人成网站高清观看| 日日啪夜夜撸| 天天躁日日操中文字幕| 精品久久久久久久人妻蜜臀av| 欧美日韩精品成人综合77777| 久久久久网色| 伦精品一区二区三区| 亚洲av.av天堂| 国产精品一二三区在线看| 国产老妇女一区| 欧美国产精品一级二级三级 | 18禁裸乳无遮挡动漫免费视频 | 久久精品人妻少妇| 91久久精品国产一区二区成人| 一级毛片aaaaaa免费看小| 3wmmmm亚洲av在线观看| 熟女人妻精品中文字幕| 国产黄片美女视频| 综合色av麻豆| 老师上课跳d突然被开到最大视频| 自拍偷自拍亚洲精品老妇| 日本一二三区视频观看| 91狼人影院| 亚洲自偷自拍三级| 国产精品久久久久久精品古装| 肉色欧美久久久久久久蜜桃 | 亚洲无线观看免费| 国产成人免费观看mmmm| 国产精品久久久久久精品电影小说 | 国产69精品久久久久777片| 熟女电影av网| 久久人人爽av亚洲精品天堂 | 别揉我奶头 嗯啊视频| 2022亚洲国产成人精品| 一级毛片我不卡| 国产毛片在线视频| 亚洲av免费在线观看| 一级av片app| 22中文网久久字幕| 一区二区三区免费毛片| 欧美老熟妇乱子伦牲交| 大码成人一级视频| 成年av动漫网址| 国产精品一区二区性色av| 一个人观看的视频www高清免费观看| 小蜜桃在线观看免费完整版高清| 精品一区二区免费观看| 日本黄色片子视频| 亚洲精品aⅴ在线观看| 久久韩国三级中文字幕| 国产午夜精品一二区理论片| 日韩不卡一区二区三区视频在线| 国产中年淑女户外野战色| 寂寞人妻少妇视频99o| 久久韩国三级中文字幕| 亚洲无线观看免费| 精品午夜福利在线看| av线在线观看网站| 2021天堂中文幕一二区在线观| 国产老妇伦熟女老妇高清| 夫妻性生交免费视频一级片| 天美传媒精品一区二区| 日韩视频在线欧美| 亚洲国产精品专区欧美| 欧美 日韩 精品 国产| 王馨瑶露胸无遮挡在线观看| av黄色大香蕉| 欧美日韩视频精品一区| 欧美xxxx性猛交bbbb| 高清午夜精品一区二区三区| 观看美女的网站| 黄色欧美视频在线观看| 亚洲伊人久久精品综合| 超碰97精品在线观看| 国产女主播在线喷水免费视频网站| 一二三四中文在线观看免费高清| 中文资源天堂在线| 丰满乱子伦码专区| 亚洲在线观看片| 久久久久久伊人网av| 91精品国产九色| 欧美精品人与动牲交sv欧美| 精品久久久精品久久久| 国产探花极品一区二区| 国产视频首页在线观看| 老师上课跳d突然被开到最大视频| 少妇人妻一区二区三区视频| 亚洲成人久久爱视频| 天堂中文最新版在线下载 | 尤物成人国产欧美一区二区三区| 哪个播放器可以免费观看大片| 青春草国产在线视频| 寂寞人妻少妇视频99o| 欧美成人a在线观看| 91狼人影院| 久久ye,这里只有精品| 男人添女人高潮全过程视频| 亚洲av免费在线观看| 亚洲精品国产av蜜桃| 国产 一区精品| 麻豆乱淫一区二区| 在线观看av片永久免费下载| 亚洲av免费高清在线观看| 精品国产一区二区三区久久久樱花 | 亚洲国产日韩一区二区| 国产精品精品国产色婷婷| 国产在线男女| 国产国拍精品亚洲av在线观看| 日韩电影二区| 免费不卡的大黄色大毛片视频在线观看| 99久国产av精品国产电影| kizo精华| 综合色av麻豆| 免费人成在线观看视频色| 日韩三级伦理在线观看| 国产亚洲av片在线观看秒播厂| 99久久精品热视频| 高清毛片免费看| 最新中文字幕久久久久| 欧美成人精品欧美一级黄| 国产一区二区三区av在线| 建设人人有责人人尽责人人享有的 | 97精品久久久久久久久久精品| 国产高潮美女av| 美女cb高潮喷水在线观看| 精品国产露脸久久av麻豆| 美女内射精品一级片tv| 人人妻人人澡人人爽人人夜夜| 91在线精品国自产拍蜜月| 国产精品99久久久久久久久| 听说在线观看完整版免费高清| 免费看不卡的av| 精品久久国产蜜桃| 99久久精品一区二区三区| 久久久国产一区二区| 国产免费又黄又爽又色| 97超视频在线观看视频| 中文在线观看免费www的网站| 少妇人妻久久综合中文| 伊人久久国产一区二区| 26uuu在线亚洲综合色| 欧美高清性xxxxhd video| 视频区图区小说| 高清在线视频一区二区三区| 日韩不卡一区二区三区视频在线| 久久久久久久国产电影| 中文欧美无线码| 欧美丝袜亚洲另类| 亚洲精品久久久久久婷婷小说| 国产精品嫩草影院av在线观看| 身体一侧抽搐| 在线免费十八禁| 久久久亚洲精品成人影院| 国产精品一区www在线观看| 成人毛片a级毛片在线播放| 亚洲精品日本国产第一区| 91久久精品电影网| 下体分泌物呈黄色| 国内少妇人妻偷人精品xxx网站| 97精品久久久久久久久久精品| 亚洲精品久久久久久婷婷小说| 久久人人爽人人片av| 国产精品福利在线免费观看| 美女高潮的动态| 国产 一区精品| 欧美极品一区二区三区四区| 在线观看一区二区三区| 亚洲av在线观看美女高潮| 亚洲av成人精品一二三区| 亚洲久久久久久中文字幕| 日本wwww免费看| 久久精品国产鲁丝片午夜精品| 久久久久久久久大av| 黄色欧美视频在线观看| 国产亚洲最大av| 国产伦在线观看视频一区| 深爱激情五月婷婷| 亚洲在久久综合| 国产成人免费无遮挡视频| 黄色日韩在线| 久久久久九九精品影院| 我的老师免费观看完整版| 在线免费观看不下载黄p国产| 亚洲精品日韩在线中文字幕| 嘟嘟电影网在线观看| 99久久精品热视频| 国产大屁股一区二区在线视频| 我的女老师完整版在线观看| 男女那种视频在线观看| 亚洲欧洲日产国产| 91精品一卡2卡3卡4卡| 超碰av人人做人人爽久久| 久久鲁丝午夜福利片| 欧美xxxx黑人xx丫x性爽| 全区人妻精品视频| 人妻少妇偷人精品九色| 亚洲自拍偷在线| 97在线人人人人妻| 久久人人爽人人爽人人片va| 小蜜桃在线观看免费完整版高清| 久久影院123| 天天一区二区日本电影三级| 在线观看免费高清a一片| 三级经典国产精品| 热99国产精品久久久久久7| 日韩av不卡免费在线播放| 久久精品久久久久久久性| 国产一区二区在线观看日韩| 精品人妻一区二区三区麻豆| 高清av免费在线| 久久亚洲国产成人精品v| 观看美女的网站| 亚洲成色77777| 禁无遮挡网站| 男女啪啪激烈高潮av片| 成人鲁丝片一二三区免费| 99热国产这里只有精品6| 观看免费一级毛片| 亚洲内射少妇av| 日日摸夜夜添夜夜添av毛片| 少妇猛男粗大的猛烈进出视频 | 精品久久久久久久末码| 大话2 男鬼变身卡| 人妻系列 视频| 日韩精品有码人妻一区| 亚洲美女搞黄在线观看| 亚洲精品色激情综合|