• <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 ?

    融合低階特征與全局特征的圖像語義分割方法

    2021-09-07 00:48:34董立紅李宇星符立梅
    計算機工程與應用 2021年17期
    關鍵詞:低階全局語義

    董立紅,李宇星,符立梅

    西安科技大學 計算機科學與技術學院,西安710600

    圖像語義分割是計算機視覺領域中的一項基本任務。其主要目標是通過某個特定的算法,將輸入的整幅圖像分割成多個具有特定含義的像素區(qū)域塊,并對每個像素區(qū)域標注特定的語義標簽,最終得到一幅像素級的語義分割圖像[1]。目前,在圖像語義分割方面的研究特別廣泛,自動駕駛、遙感測繪、人機交互和醫(yī)療影像分割等領域都有深入的研究與應用[2-3]。例如,在自動駕駛領域,車體配備有圖像采集裝置,通過對采集到的圖像進行語義分割,精確定位車輛、道路、建筑物等目標,輔助駕駛系統(tǒng)做出正確的決策,從而提高駕駛之安全性。

    隨著深度學習的興起,基于卷積神經網絡(Convolutional Neural Network,CNN)的圖像語義分割方法取得了突破性的成就。卷積神經網絡能夠自動地從圖像中學習像素的特征表示,有效減少了人工提取特征的工作量。通過在大量的圖像樣本中反復訓練,可以學到深層的語義特征。近年,基于全卷積的圖像語義分割算法得到了快速的發(fā)展[4-7],為計算機視覺領域的發(fā)展帶來了新的契機。

    2015年,Long等人[4]提出的全卷積神經網絡(Fully Convolutional Networks,F(xiàn)CN)用卷積層替換了分類網絡的全連接層,然后通過上采樣將特征圖擴展到原始尺寸,實現(xiàn)了像素到像素的類別預測,然而經過多次連續(xù)的卷積池化操作后使得特征圖的分辨率降低,導致上下文信息丟失。Kendall等人[8]提出的SegNet網絡是一種基于“編碼器—解碼器”的結構。編碼過程中,通過卷積層提取特征,利用池化法擴大感受野。在解碼過程中,通過相應編碼器在最大池化過程中存儲的索引來進行非線性上采樣,減少了對上采樣過程的學習,雖然在一定程度上降低了時間復雜度,卻以犧牲分割精度為代價。Chen等人[9]提出的DeepLab網絡采用了空洞卷積層,在不增加參數(shù)的同時擴大感受野,可以更出色地提取全局信息,結合馬爾科夫隨機場的概率模型以提高分割圖的邊界信息來提升精度,但將不同尺度的特征圖裁剪成相同尺度后進行簡單求和,容易造成局部區(qū)域誤識別。并且這些方法也沒有充分利用全局信息來提升語義分割結果。

    本文設計了一個用于圖像語義分割的深度全卷積網絡,該網絡采用了“編碼器—解碼器”的結構,編碼器前端通過下采樣來減少模型參數(shù)以加深網絡深度;編碼器后端通過空洞卷積替換傳統(tǒng)的卷積下采樣組合來緩解因多次下采樣造成的信息損失;加入了低階特征融合模塊將淺層語義信息融合到解碼過程來精細化邊緣信息;通過引入全局特征融合模塊來提升模型的感知能力。

    1 相關理論與方法

    1.1 基于全卷積神經網絡的語義分割方法

    一個全卷積神經網絡模型如圖1所示。

    圖1 全卷積神經網絡模型Fig.1 Fully convolutional neural network model

    (1)輸入層。若干張圖片組成的像素矩陣。

    (2)卷積層。組成卷積神經網絡的重要部分。一個卷積層由多個尺寸相同的卷積核構成,每個卷積核經過多次迭代后學習到圖像的不同特征參數(shù)。學習過程可以表示為:

    其中,x代表卷積層的輸入,y代表卷積層的輸出,w為卷積核,?為卷積運算操作,b為偏移量,f(?)為非線性激活函數(shù)。

    (3)池化層。池化層又稱為聚合層,用下采樣的方法將前一層特征圖中一定鄰域內的特征值在本層特征圖中用一個特征值表示,即用一個像素值來代表一個鄰域內的像素信息。在多層卷積運算中,會產生大量的可學習參數(shù),采用池化的方法可以降低參數(shù)數(shù)量,從而降低學習代價。在連續(xù)的下采樣過程中,可以逐漸擴大感受野,隨著感受野的擴大,卷積核所覆蓋的特征范圍越大,可以學習到的全局特征范圍也越大。目前常用的池化法主要有平均池化法(Average-Pooling)和最大池化法(Max-Pooling),平均池化法是用本層特征圖中一個特征值表示對應上層特征圖中一定領域內特征的平均值,最大池化法是用本層特征圖中一個特征值表示對應上層特征圖中一定領域內特征的最大值。

    (4)上采樣層。上采樣是一種使圖像變成更高分辨率的技術,此處的主要目的是將特征圖逐層恢復至輸入圖像尺寸。

    (5)輸出層。輸出具有像素級的語義分割圖像。在圖像分割任務中,常見的輸出層為Softmax層。它把所有輸入映射為0~1之間的實數(shù),并保證這些值的總和為1,第i類特征的概率定義為:

    特征值越大的類,輸出的概率值越大。最后取最大輸出值的類標簽作為預測類標簽。

    1.2 批歸一化

    批歸一化(Batch Normalization,BN)是Ioffe等人[10]在2015年提出的,該方法保證了網絡中數(shù)據(jù)傳輸?shù)囊恢滦?。特別在較深的神經網絡模型中,訓練過程容易出現(xiàn)“梯度爆炸”“梯度消失”的現(xiàn)象,導致訓練結果難以收斂。批歸一化在一些網絡模型[11-12]中表現(xiàn)出了良好的性能,加快了模型的訓練,提高了模型的泛化能力。

    神經網絡中每層的特征分布在訓練過程中會不斷變化,使得網絡訓練困難。歸一化方法標準化了每層的均值與方差,使網絡中任何一層參數(shù)學習到的都是比較穩(wěn)定的分布,從而提高網絡的訓練速度。對于給定一批特征圖x∈RN×C×H×W,公式如下:

    其中,μ(x)、δ(x)是特征圖的均值和標準差,γ和β是數(shù)據(jù)優(yōu)化的仿射參數(shù)。通常,批量歸一化方法在批量較大、數(shù)據(jù)分布相近的情形下作用更加明顯。

    1.3 空洞卷積

    空洞卷積(Dilated Convolution)又稱膨脹卷積,由Yu等人[13-14]提出,空洞卷積可被視為一種特殊的卷積操作。在圖像語義分割領域中,輸出的標簽尺寸需要同輸入圖像保持一致,而深度卷積網絡結構中都包含有多次下采樣操作,隨著網絡的加深語義信息更加抽象,但是在這個過程中不可避免地損失了大量的細節(jié)信息,且不可恢復??斩淳矸e在一定程度上緩解了這個問題,在不降低特征圖分辨率的同時擴大了感受野,并且不會增加卷積核的可學習參數(shù)。

    在一維情形中,公式可表示為:

    其中,一維卷積核為w[n],n為卷積核長度,y[i]為空洞卷積的輸出,r對應了輸入的采樣步長,其值為1時即標準卷積。二維情形如圖2所示。

    圖2 空洞卷積感受野Fig.2 Receptive field of dilated convolution

    圖2中的(a)對應了大小為3×3,步長r為1的卷積核,即標準卷積核。(b)對應了大小為3×3,步長r為2的卷積核。此時卷積核大小實質上仍為3×3,但空洞為1,即對7×7的區(qū)域只有9個點參與了運算,其他點可視為對應的卷積核權重為0。所以在步長r為2的情況下,大小為3×3的卷積核將感受野擴展到了7×7。

    1.4 反卷積

    反卷積(Deconvolution)由Zeiler等人[15]于2010年提出,在圖像語義分割領域中主要用來上采樣。反卷積運算是卷積運算的逆過程,即反卷積運算的前向傳播過程即為卷積運算的反向傳播過程,所以也可以視反卷積的相乘矩陣為卷積的置換矩陣,故也常稱作置換卷積。反卷積運算可以增大特征圖的分辨率,擴大感受野。

    反卷積過程如圖3所示,輸入特征圖尺寸為3×3,卷積核大小為3×3,步長為2,填充為1,計算得到的輸出特征圖大小為5×5。公式如下:

    其中,i為輸入,o為輸出,s為步長,k為卷積核大小,p為填充。

    2 融合低階特征與全局特征的圖像語義分割

    在圖像語義分割領域,深度全卷積網絡通常需要進行多次連續(xù)的下采樣操作,在下采樣過程中特征圖的分辨率不斷降低,最終導致大量的語義特征信息丟失,容易造成分割精度的損失。針對這個問題,本文方法基于深度全卷積網絡進行改進,融合低階語義信息和全局語義信息進行圖像語義分割,使得分割結果更加精細,有效提高分割精度。

    2.1 低階特征融合模塊設計

    在基于深度學習的圖像語義分割任務中,融合低階特征是提高分割性能的一種重要方法。低階語義信息通常在深度網絡的前幾層,經過的卷積和下采樣操作比較少,相較高階語義特征而言,其語義性低,但分辨率高,存在豐富的邊緣紋理等低階信息。而高階特征雖有更抽象的語義特征,但經過多次卷積和下采樣操作降低了分辨率,缺乏低階特征的細節(jié)信息。

    通過設計一個簡單的特征融合方案,對每次下采樣前產生的低階語義特征進行降維保存,然后將這些不同分辨率的低階特征融合到每次上采樣后對應分辨率的高階特征上,然后通過卷積和上采樣繼續(xù)對融合后的特征圖進行運算,直到特征圖恢復至初始分辨率大小。為了達到更好的融合效果,本文采用了特征圖通道疊加的方法進行融合。

    在網絡解碼器端得到的融合特征既包含了低階語義信息又包含了高階語義信息,相較于只經過編碼器和解碼器提取的特征,融合低階語義特征后可以提供更多的細節(jié)信息,有利于提高分割精度,如圖4所示。

    圖4 低階特征融合模塊Fig.4 Low order feature fusion module

    2.2 全局特征融合模塊設計

    在以往的研究中[16],卷積神經網絡在提取高階特征信息的任務中展示了良好的性能,對經過多層卷積操作提取的高階語義信息進行分類時經常會丟失一部分全局信息,容易使目標的邊緣部分或者復雜場景中的物體出現(xiàn)誤分類。

    全局特征可以進一步提高網絡模型對場景的感知能力,從而提高模型的分割性能。全局結構主要以特征圖的全局信息為特征,在逐像素分類過程中起到一定的作用。如圖5所示,本文引入了一個全局特征融合模塊,其由池化層和卷積層共同構成。全局池化層對輸入大小為C×H×W的特征圖的每個通道都進行了全局池化,形成大小為C×1×1的全局特征圖。其中,C為特征圖的通道大小,H為特征圖的高度,W為特征圖的寬度。

    圖5 全局特征融合模塊Fig.5 Global feature fusion module

    C×1×1的全局特征圖包含了所有通道的全局信息,然后用1×1的卷積運算降低全局特征的通道數(shù),并通過復制特征值的方法對全局特征的每個通道擴張分辨率,最后將學習到的全局特征融合到解碼器產生的高階特征當中。

    2.3 總體結構

    本文的網絡架構由一個16層的編碼器和一個10層的解碼器組成,對網絡輸出的特征圖進行逐像素分類。同時,通過引入低階語義融合模塊將編碼階段產生的不同分辨率下的低階特征融合到解碼過程,補充淺層特征以精細化特征圖目標的邊緣信息,并且在網絡中引入了全局特征融合模塊,進一步提高網絡模型對場景的感知能力。所以,整個網絡是26層的全卷積網絡結構,其結構如圖6所示。

    圖6 融合低價特征與全局特征的網絡結構Fig.6 Network structure with fusion of global and low order features

    在該網絡的16層編碼結構中,前8層采用了VGG-19[17]的前8層卷積層,每一組卷積核將前一部分的輸出進行卷積操作生成一組特征圖,卷積操作均采用了大小為3×3的卷積核。為了維持數(shù)據(jù)傳輸過程的一致性,將每層卷積生成的特征圖通過BN層進行批正則化處理,接著再通過修正線性單元(Rectified Linear Unit,ReLU)進行非線性映射。在下采樣過程中采用了核大小為2×2,步長為2的最大池化法來擴大感受野,為保存邊緣信息,采用了邊緣擴充的方法。經過3組連續(xù)的卷積池化操作將特征圖大小降低到了原始分辨率的1/8。同時,低階語義信息提取模塊將每組池化前的特征圖通過1×1的卷積核將維度降低至原來的1/4作為低階語義信息,以期融合到解碼過程。

    編碼器后8層使用了8層空洞卷積進行特征提取。由于池化層對特征圖進行降采樣后,雖然在一定程度上擴大了感受野,但每經過一層池化操作特征圖尺寸就會縮小為原來的1/2,多次池化后會使圖像的細節(jié)信息嚴重損失。為了緩解這個問題,故而采用空洞卷積在不降低特征分辨率的同時來擴大感受野。為了不因空洞卷積采樣步長過大而過多地損失細節(jié)信息,本網絡將前4層空洞卷積層的采樣步長r設為2,后4層的采樣步長r設為4。然后將前四層空洞卷積層的輸出與后四層空洞卷積的輸出按1∶1進行融合作為編碼器的輸出。經過多層空洞卷積后能有效獲取特征圖的全局特征信息,用全局特征提取模塊將編碼器的輸出進行全局平均池化,然后用1×1的卷積核進行降維,以期融合到最后的解碼過程。

    在解碼過程中,本文方法采用了反卷積操作進行上采樣,通過每次上采樣將上一組輸出特征圖的尺寸擴展為原來的2倍,經過三次上采樣操作將特征圖尺寸恢復到原始輸入尺寸。并且在每次上采樣后,將低階特征融合模塊提取的低階語義特征以維度擴展的形式融合到解碼過程中對應尺寸的高階語義特征圖中,本文低階特征與高階特征的比例設為1∶4。最后將全局特征融合模塊提取的全局特征融合到解碼器后端,全局特征與高階特征比例設為1∶8。并在表1中列出了網絡主結構的配置參數(shù)。

    表1 網絡配置參數(shù)Table 1 Network parameter configuration

    3 實驗結果與分析

    3.1 實驗環(huán)境與數(shù)據(jù)集

    為了節(jié)約時間,通過Google發(fā)布的tesorflow深度學習框架來構建網絡。采用的GPU型號為RTX 2080Ti,該卡顯存大小為11 GB,352位顯存位寬與4 352個CUDA核心單元。實驗環(huán)境的主要參數(shù)如表2所示。

    表2 實驗環(huán)境參數(shù)Table 2 Experimental environmental parameters

    在本次任務中采用CamVid(Cambridge-driving labelled Video database)[18]數(shù)據(jù)集來訓練網絡。其中,標簽圖為單通道,每一個像素值對應了物體類別的ID號。將數(shù)據(jù)集中的所有像素區(qū)域共分成了11種目標的語義標簽,即sky、building、pole、road、pavement、tree、signsymbol、fence、car、pedestrian、cycle。因此在本次實驗中將對以上11種目標實現(xiàn)語義分割。

    3.2 實驗方案及結果分析

    在訓練網絡時,為了增強網絡的泛化能力,輸入圖像在第一層卷積前經過了局部響應歸一化(Local Response Normalization)處理,α=0.000 1,β=0.75。通過使用學習率為0.001的Adam算法優(yōu)化目標損失函數(shù),并迭代至損失函數(shù)收斂。在訓練過程中,訓練數(shù)據(jù)集隨機打亂,然后將每5個訓練圖像作為一個批次,即batchsize設為5。網絡的目標函數(shù)選用了交叉熵損失(cross-entropy loss)函數(shù),并在網絡最后一層加入了L2正則化防止過擬合。由于數(shù)據(jù)集中各個類別的像素數(shù)量偏差較大,通過中值頻率均衡法進行類間平衡處理。

    實驗評估過程中使用了如下的評估指標:全局平均精度(PA)和平均交并比(mIoU),公式如下:

    其中,nij表示第i類像素被預測為第j類像素的數(shù)量,ncl表示目標的類別數(shù),表示第i類目標的像素總數(shù)。

    由于mIoU的代表性強,高效簡潔,已經成為目前通用的語義分割評價指標,所以,將mIoU作為本實驗主要的評價指標,而PA值作為mIoU的一個補充。

    由于CamVid數(shù)據(jù)集比較小,為了防止在訓練網絡的過程中發(fā)生過擬合現(xiàn)象,通過裁剪和左右翻轉的方法對其進行了數(shù)據(jù)增強。本次實驗中數(shù)據(jù)集的語義類別總共分為11類,在測試過程中將分割出11種語義目標。經過50 epochs后停止訓練,訓練過程中驗證集的mIoU值、平均像素精度和損失值的變化如圖7所示。

    圖7 mIoU、PA與Loss曲線圖Fig.7 Curves of mIoU,PA and Loss

    從圖7中可以看出,網絡訓練到第12個epoch時mIoU值就達到了70%,迭代到27個epoch后mIoU達到了80%,在之后的訓練中,mIoU雖然有非常緩慢的提升,但效果并不明顯。PA值在網絡迭代到37個epoch時就達到了95%。Loss值在網絡迭代到21個epoch時降低到10%左右,在接下來的訓練過程中,模型基本開始收斂。經過50個epoch迭代之后模型的mIoU達到了83%,PA值基本保持在了95%左右,Loss降低到了7%以下。

    當網絡在訓練過程中精度不再顯著提高后,用測試集對此時的網絡模型進行測試,并使用PA和mIoU作為評價指標。將測試結果與近期文獻所提的一些網絡結構[19-23]進行了比較,各方法評價結果的具體數(shù)值如表3所示。結果表明本文方法的mIoU值高于當前大多方法,并且PA值也達到了90%,特別在區(qū)域平滑方面有很好的性能。

    表3 與其他網絡的比較Table 3 Comparison with other networks %

    同時為了測試本文各個模塊的性能,在表4中列出了消融實驗的結果,D表示加入了空洞卷積,L表示為融合低階語義特征,G表示為融合全局語義特征。

    表4 消融實驗測試結果Table 4 Ablation experiments %

    從表4可以看出,本文所使用的各模塊都能對分割精度提升起到一定的作用,各模塊相互組合可以進一步提高網絡的分割結果。當所有改進模塊聯(lián)合訓練時,測試結果最終達到了90.14%的PA值和71.95%的mIoU值。加入空洞卷積后網絡結構變深,可以提取更加豐富的高階特征,并且沒有降低特征圖的分辨率,保留了更多的特征信息。融合低階語義特征后,結合豐富的邊緣紋理等細節(jié)信息,使分割結果的邊界更加精確。在分割特征圖時融合全局特征信息后提高了模型的感知能力,可以有效降低誤分類的概率。實驗表明,融合低階特征和全局特征的深度全卷積網絡可以在輸入圖像中預測出更加平滑的像素級標簽,深層網絡架構可以有效提高圖像語義分割精度。

    最后,圖8展示了本文設計的網絡在訓練了50個epoch后得到模型在測試集上分割的結果。其第一行為輸入圖像;第二行為手工標注圖;第三行為本網絡分割結果。在CamVid數(shù)據(jù)集中,地面、天空、建筑物等大型目標在圖像中占據(jù)了很大的比例,對這些目標的分割效果極大地影響著全局分割精度。

    圖8 CamVid測試集上的分割結果Fig.8 Results on CamVid test dataset

    4 結束語

    本文設計了一個用于圖像語義分割的26層深度全卷積網絡。該網絡基于“編碼器—解碼器”的結構,采用了空洞卷積來降低信息損失,并且設計了低階特征融合模塊和全局特征融合模塊通過融入低階語義信息和全局語義信息來提升分割精度。最后,在CamVid數(shù)據(jù)集上進行了訓練和測試。實驗結果表明,在樣本數(shù)量充足的情況下,本文的網絡可以很好地學習圖像特征,并且準確保留圖像的邊緣信息,特別在區(qū)域平滑方面有很大的提升。

    猜你喜歡
    低階全局語義
    Cahn-Hilliard-Brinkman系統(tǒng)的全局吸引子
    量子Navier-Stokes方程弱解的全局存在性
    山西低階煤分布特征分析和開發(fā)利用前景
    礦產勘查(2020年11期)2020-12-25 02:55:34
    語言與語義
    一類具低階項和退化強制的橢圓方程的有界弱解
    落子山東,意在全局
    金橋(2018年4期)2018-09-26 02:24:54
    Extended Fisher-Kolmogorov方程的一類低階非協(xié)調混合有限元方法
    “上”與“下”語義的不對稱性及其認知闡釋
    國內外低階煤煤層氣開發(fā)現(xiàn)狀和我國開發(fā)潛力研究
    中國煤層氣(2015年3期)2015-08-22 03:08:23
    認知范疇模糊與語義模糊
    高清欧美精品videossex| 9热在线视频观看99| 国产乱来视频区| 国产又爽黄色视频| 成人亚洲欧美一区二区av| 日韩大码丰满熟妇| 成人影院久久| 少妇 在线观看| 欧美97在线视频| 精品国产乱码久久久久久男人| 欧美日韩一级在线毛片| 久久韩国三级中文字幕| 另类精品久久| 啦啦啦 在线观看视频| 免费人妻精品一区二区三区视频| 欧美日韩国产mv在线观看视频| 在现免费观看毛片| 老熟女久久久| 黑丝袜美女国产一区| 久久精品久久久久久噜噜老黄| 亚洲国产精品一区三区| 丰满饥渴人妻一区二区三| tube8黄色片| 午夜福利免费观看在线| 久久久精品国产亚洲av高清涩受| 女人爽到高潮嗷嗷叫在线视频| 自线自在国产av| 九草在线视频观看| 中文字幕人妻熟女乱码| 国产伦理片在线播放av一区| 国产免费福利视频在线观看| 熟女少妇亚洲综合色aaa.| 亚洲自偷自拍图片 自拍| 国产在线一区二区三区精| 日本黄色日本黄色录像| 99精品久久久久人妻精品| 天美传媒精品一区二区| 曰老女人黄片| 日韩电影二区| 日韩av在线免费看完整版不卡| 极品人妻少妇av视频| av卡一久久| 男人舔女人的私密视频| 欧美日韩综合久久久久久| 国产 一区精品| 91老司机精品| 999久久久国产精品视频| 啦啦啦 在线观看视频| 一区在线观看完整版| 色视频在线一区二区三区| 国产精品一二三区在线看| 国产不卡av网站在线观看| 日韩av不卡免费在线播放| 国产精品免费大片| 国产乱来视频区| 人妻一区二区av| 91国产中文字幕| 成人漫画全彩无遮挡| 韩国av在线不卡| 国产精品国产av在线观看| 亚洲精品自拍成人| 亚洲精品久久午夜乱码| 亚洲国产精品国产精品| 国产福利在线免费观看视频| 一级毛片电影观看| 亚洲熟女毛片儿| 国产av一区二区精品久久| 亚洲精品aⅴ在线观看| 午夜激情久久久久久久| 久久 成人 亚洲| 婷婷色av中文字幕| www.av在线官网国产| 亚洲欧美精品自产自拍| 日韩制服骚丝袜av| av电影中文网址| 久久久久久人人人人人| 久久精品国产a三级三级三级| 国语对白做爰xxxⅹ性视频网站| 欧美精品一区二区大全| 一区二区三区精品91| 菩萨蛮人人尽说江南好唐韦庄| 在线免费观看不下载黄p国产| 国产成人a∨麻豆精品| 欧美人与性动交α欧美软件| 日韩中文字幕欧美一区二区 | 日韩伦理黄色片| 欧美另类一区| 久久久久人妻精品一区果冻| 久久久精品国产亚洲av高清涩受| 亚洲av成人精品一二三区| 看非洲黑人一级黄片| 精品一区二区三区四区五区乱码 | 一二三四中文在线观看免费高清| netflix在线观看网站| 国产精品国产三级国产专区5o| 自拍欧美九色日韩亚洲蝌蚪91| 精品第一国产精品| 亚洲欧美一区二区三区久久| 女性被躁到高潮视频| 成年av动漫网址| 中文字幕人妻丝袜一区二区 | 我的亚洲天堂| 国产在视频线精品| av天堂久久9| 高清欧美精品videossex| 亚洲欧美精品综合一区二区三区| 亚洲av电影在线进入| av女优亚洲男人天堂| 在线免费观看不下载黄p国产| 国产精品国产三级国产专区5o| 欧美日韩国产mv在线观看视频| 午夜福利视频精品| 老司机在亚洲福利影院| 国产精品麻豆人妻色哟哟久久| 一级爰片在线观看| 黄色一级大片看看| 精品国产露脸久久av麻豆| 99精国产麻豆久久婷婷| 色网站视频免费| h视频一区二区三区| 人妻 亚洲 视频| 热99久久久久精品小说推荐| 1024香蕉在线观看| 亚洲成人国产一区在线观看 | 啦啦啦在线免费观看视频4| 色综合欧美亚洲国产小说| 桃花免费在线播放| 午夜福利免费观看在线| 国产一区二区三区综合在线观看| 亚洲久久久国产精品| 亚洲在久久综合| 日韩熟女老妇一区二区性免费视频| 成人免费观看视频高清| 丝袜人妻中文字幕| 最新的欧美精品一区二区| 男的添女的下面高潮视频| 亚洲激情五月婷婷啪啪| 免费高清在线观看视频在线观看| 国产精品一国产av| 国产一区二区在线观看av| 最近最新中文字幕免费大全7| 最近最新中文字幕免费大全7| 少妇的丰满在线观看| 国产精品欧美亚洲77777| 久久午夜综合久久蜜桃| 久久综合国产亚洲精品| 日日爽夜夜爽网站| 777久久人妻少妇嫩草av网站| 亚洲成人一二三区av| 亚洲国产欧美日韩在线播放| 亚洲国产成人一精品久久久| 少妇精品久久久久久久| 国产免费现黄频在线看| 欧美日韩亚洲综合一区二区三区_| 满18在线观看网站| 汤姆久久久久久久影院中文字幕| 波多野结衣一区麻豆| 99热网站在线观看| 99九九在线精品视频| 一区二区三区乱码不卡18| 国语对白做爰xxxⅹ性视频网站| 亚洲成人国产一区在线观看 | 久久精品亚洲av国产电影网| 亚洲精品美女久久久久99蜜臀 | 黄色 视频免费看| 亚洲成人国产一区在线观看 | 亚洲熟女精品中文字幕| 成人影院久久| 国产亚洲av高清不卡| 亚洲视频免费观看视频| 18在线观看网站| 天美传媒精品一区二区| 如何舔出高潮| 午夜福利一区二区在线看| 欧美精品一区二区大全| 亚洲国产av影院在线观看| 日本av手机在线免费观看| 午夜91福利影院| 国产爽快片一区二区三区| 国产探花极品一区二区| 91国产中文字幕| 亚洲精品久久午夜乱码| 亚洲图色成人| 成人毛片60女人毛片免费| 视频区图区小说| 99久久综合免费| 极品少妇高潮喷水抽搐| 久久女婷五月综合色啪小说| 久久99精品国语久久久| www.熟女人妻精品国产| 天堂俺去俺来也www色官网| 国产成人午夜福利电影在线观看| 大话2 男鬼变身卡| 精品国产乱码久久久久久小说| 9色porny在线观看| 老司机在亚洲福利影院| 丁香六月天网| 久久久久久久久久久免费av| 日本午夜av视频| 波多野结衣一区麻豆| 最新在线观看一区二区三区 | 日韩欧美精品免费久久| 国精品久久久久久国模美| 99九九在线精品视频| 国产日韩欧美视频二区| 精品亚洲乱码少妇综合久久| 午夜福利一区二区在线看| 亚洲av成人不卡在线观看播放网 | 精品国产露脸久久av麻豆| 国产黄色免费在线视频| 久久久精品国产亚洲av高清涩受| 欧美日韩亚洲国产一区二区在线观看 | 亚洲国产精品一区三区| 侵犯人妻中文字幕一二三四区| 国产日韩欧美亚洲二区| 免费观看人在逋| av片东京热男人的天堂| 91精品伊人久久大香线蕉| 国产精品国产三级国产专区5o| 日韩欧美一区视频在线观看| 久久久亚洲精品成人影院| 99精品久久久久人妻精品| 欧美精品av麻豆av| 女性生殖器流出的白浆| 国产精品一区二区在线观看99| 久久久亚洲精品成人影院| 亚洲精品自拍成人| 亚洲av国产av综合av卡| 黑人猛操日本美女一级片| 婷婷色综合www| 午夜福利视频在线观看免费| 色网站视频免费| 街头女战士在线观看网站| 在线观看三级黄色| 黑人欧美特级aaaaaa片| 水蜜桃什么品种好| 丝袜喷水一区| 19禁男女啪啪无遮挡网站| 亚洲色图 男人天堂 中文字幕| 男女高潮啪啪啪动态图| 一区二区三区乱码不卡18| 国产野战对白在线观看| 51午夜福利影视在线观看| 一本色道久久久久久精品综合| 热99国产精品久久久久久7| 久久精品熟女亚洲av麻豆精品| 男的添女的下面高潮视频| 男女高潮啪啪啪动态图| 亚洲熟女毛片儿| 看免费成人av毛片| 午夜老司机福利片| 精品卡一卡二卡四卡免费| 国产精品麻豆人妻色哟哟久久| 母亲3免费完整高清在线观看| 国产高清国产精品国产三级| 亚洲三区欧美一区| 不卡视频在线观看欧美| 日本一区二区免费在线视频| 婷婷色综合www| 一区福利在线观看| 一级,二级,三级黄色视频| av一本久久久久| 麻豆精品久久久久久蜜桃| 一本一本久久a久久精品综合妖精| 国产熟女午夜一区二区三区| 毛片一级片免费看久久久久| 精品亚洲成a人片在线观看| 肉色欧美久久久久久久蜜桃| 亚洲综合色网址| 国产 精品1| 久久av网站| 久久久久精品久久久久真实原创| 午夜91福利影院| 美女中出高潮动态图| 亚洲精品自拍成人| 久久99热这里只频精品6学生| 国产乱人偷精品视频| 纵有疾风起免费观看全集完整版| 青青草视频在线视频观看| 黑人巨大精品欧美一区二区蜜桃| 精品福利永久在线观看| 少妇猛男粗大的猛烈进出视频| 国产精品国产av在线观看| 中文字幕色久视频| 新久久久久国产一级毛片| 国产熟女午夜一区二区三区| 婷婷色av中文字幕| 中文欧美无线码| 亚洲四区av| 国产免费现黄频在线看| 国产成人免费无遮挡视频| 熟女av电影| 国产精品免费大片| 天天影视国产精品| 国产一区亚洲一区在线观看| 丁香六月天网| 一级毛片 在线播放| 国产精品蜜桃在线观看| 国产一区二区三区av在线| 少妇人妻精品综合一区二区| 中文天堂在线官网| 亚洲国产精品成人久久小说| 纵有疾风起免费观看全集完整版| 成年人午夜在线观看视频| 成人亚洲欧美一区二区av| 丁香六月欧美| 国产欧美亚洲国产| 啦啦啦视频在线资源免费观看| 宅男免费午夜| 国产日韩一区二区三区精品不卡| 久久亚洲国产成人精品v| 熟女少妇亚洲综合色aaa.| 免费黄频网站在线观看国产| 亚洲一级一片aⅴ在线观看| 嫩草影视91久久| 别揉我奶头~嗯~啊~动态视频 | 丰满少妇做爰视频| 最近中文字幕2019免费版| 久久久久久久久中文| 免费高清视频大片| 精品国产乱子伦一区二区三区| 亚洲视频免费观看视频| 欧美大码av| 久热这里只有精品99| 老司机福利观看| 村上凉子中文字幕在线| 亚洲成国产人片在线观看| 神马国产精品三级电影在线观看 | 大香蕉久久成人网| 动漫黄色视频在线观看| 亚洲成av人片免费观看| 麻豆久久精品国产亚洲av| 日韩大码丰满熟妇| 激情视频va一区二区三区| 一夜夜www| 欧美大码av| 超碰成人久久| 男女午夜视频在线观看| 国产高清有码在线观看视频 | 久热爱精品视频在线9| 亚洲欧美日韩无卡精品| 高清黄色对白视频在线免费看| 精品久久久久久久久久免费视频| 亚洲第一av免费看| 国产欧美日韩一区二区精品| 又黄又粗又硬又大视频| 日韩欧美一区二区三区在线观看| 欧美日韩一级在线毛片| 成年版毛片免费区| 国产三级黄色录像| 免费久久久久久久精品成人欧美视频| 丝袜在线中文字幕| 狠狠狠狠99中文字幕| 免费在线观看日本一区| 午夜福利欧美成人| 性少妇av在线| 久久精品91蜜桃| 久久中文字幕人妻熟女| 91大片在线观看| 精品久久久久久,| 波多野结衣一区麻豆| 亚洲最大成人中文| 欧美激情极品国产一区二区三区| 一卡2卡三卡四卡精品乱码亚洲| 一区二区三区高清视频在线| a级毛片在线看网站| 欧美乱码精品一区二区三区| 国产私拍福利视频在线观看| 在线av久久热| 欧美亚洲日本最大视频资源| 免费女性裸体啪啪无遮挡网站| 国产成人欧美在线观看| 国产一级毛片七仙女欲春2 | 亚洲av第一区精品v没综合| 最新美女视频免费是黄的| 丝袜美足系列| 看黄色毛片网站| 国产精品久久久久久精品电影 | 香蕉国产在线看| 亚洲专区字幕在线| 亚洲精品美女久久久久99蜜臀| 色尼玛亚洲综合影院| 亚洲美女黄片视频| 免费在线观看黄色视频的| 女性被躁到高潮视频| 国产精品日韩av在线免费观看 | 久久久久久人人人人人| 日日干狠狠操夜夜爽| 91老司机精品| 午夜a级毛片| 久久久国产成人免费| 中文字幕av电影在线播放| 日韩欧美一区视频在线观看| 欧美色欧美亚洲另类二区 | 成年人黄色毛片网站| 成人国产综合亚洲| 久久久久久久午夜电影| 午夜久久久久精精品| 亚洲自拍偷在线| 久久香蕉激情| 黑人巨大精品欧美一区二区mp4| 久久人妻福利社区极品人妻图片| 久久久久久久久免费视频了| 国产一区在线观看成人免费| 久久这里只有精品19| 妹子高潮喷水视频| 一级,二级,三级黄色视频| 亚洲专区字幕在线| videosex国产| 50天的宝宝边吃奶边哭怎么回事| 欧美黑人精品巨大| 两人在一起打扑克的视频| 国产成人欧美| 久久久久国内视频| 又黄又爽又免费观看的视频| 亚洲av电影在线进入| 人妻丰满熟妇av一区二区三区| 一进一出好大好爽视频| 中出人妻视频一区二区| av视频免费观看在线观看| 国产日韩一区二区三区精品不卡| 天堂√8在线中文| 免费一级毛片在线播放高清视频 | 曰老女人黄片| 国产精华一区二区三区| ponron亚洲| 久久久精品国产亚洲av高清涩受| 97人妻精品一区二区三区麻豆 | 一级毛片女人18水好多| 亚洲av电影在线进入| 亚洲自偷自拍图片 自拍| 国产成人精品久久二区二区91| www日本在线高清视频| 啪啪无遮挡十八禁网站| 国产午夜福利久久久久久| 可以在线观看的亚洲视频| 国产精品久久久久久亚洲av鲁大| 精品午夜福利视频在线观看一区| 国产91精品成人一区二区三区| 成人18禁在线播放| 女人高潮潮喷娇喘18禁视频| 午夜精品久久久久久毛片777| 老司机在亚洲福利影院| 亚洲性夜色夜夜综合| 国产片内射在线| 久久精品aⅴ一区二区三区四区| 国产成人欧美在线观看| 国产男靠女视频免费网站| 性色av乱码一区二区三区2| 久久久国产精品麻豆| 欧美黄色淫秽网站| 国产高清视频在线播放一区| 日韩大码丰满熟妇| 国产精品98久久久久久宅男小说| 99国产综合亚洲精品| 人妻丰满熟妇av一区二区三区| 国产主播在线观看一区二区| 国产区一区二久久| 波多野结衣高清无吗| 真人一进一出gif抽搐免费| 亚洲精品一卡2卡三卡4卡5卡| 国产亚洲精品久久久久5区| 视频在线观看一区二区三区| 一区二区三区国产精品乱码| 亚洲男人天堂网一区| 午夜久久久在线观看| 亚洲国产毛片av蜜桃av| 久久这里只有精品19| 麻豆久久精品国产亚洲av| 这个男人来自地球电影免费观看| 757午夜福利合集在线观看| 俄罗斯特黄特色一大片| 国产1区2区3区精品| 99国产综合亚洲精品| 亚洲av五月六月丁香网| 亚洲色图 男人天堂 中文字幕| 日韩精品青青久久久久久| 久久久久国产一级毛片高清牌| 久久精品aⅴ一区二区三区四区| 久久人人爽av亚洲精品天堂| 亚洲狠狠婷婷综合久久图片| 又黄又爽又免费观看的视频| 99riav亚洲国产免费| 在线观看免费视频日本深夜| 夜夜爽天天搞| 性欧美人与动物交配| 又黄又粗又硬又大视频| 国产亚洲欧美在线一区二区| 久久久久久久久免费视频了| av视频免费观看在线观看| 婷婷丁香在线五月| 亚洲精品一区av在线观看| 欧美日韩福利视频一区二区| 亚洲国产高清在线一区二区三 | 亚洲美女黄片视频| 久久这里只有精品19| 老司机靠b影院| 给我免费播放毛片高清在线观看| 精品不卡国产一区二区三区| cao死你这个sao货| av电影中文网址| 大陆偷拍与自拍| 国产成人精品久久二区二区免费| 亚洲熟妇中文字幕五十中出| 黑人欧美特级aaaaaa片| 日韩欧美三级三区| 级片在线观看| 国产精品,欧美在线| 久久国产精品人妻蜜桃| 极品教师在线免费播放| 国产亚洲精品久久久久久毛片| 国产精品秋霞免费鲁丝片| avwww免费| 久久青草综合色| 成在线人永久免费视频| 韩国av一区二区三区四区| 国产精品精品国产色婷婷| 一本久久中文字幕| 丝袜美足系列| 99国产综合亚洲精品| 国产成人精品久久二区二区免费| 亚洲中文av在线| 高潮久久久久久久久久久不卡| 国产av一区二区精品久久| 法律面前人人平等表现在哪些方面| 亚洲国产毛片av蜜桃av| 久久久国产成人精品二区| 自线自在国产av| 亚洲人成电影免费在线| 一区二区三区高清视频在线| 精品欧美国产一区二区三| 亚洲 欧美 日韩 在线 免费| 午夜免费激情av| 亚洲成人免费电影在线观看| 高清毛片免费观看视频网站| 亚洲欧美日韩另类电影网站| 一级,二级,三级黄色视频| 国产精品1区2区在线观看.| 亚洲av第一区精品v没综合| 亚洲av五月六月丁香网| 国产精品久久视频播放| 亚洲五月色婷婷综合| 亚洲精品久久国产高清桃花| 亚洲熟女毛片儿| 夜夜夜夜夜久久久久| 在线免费观看的www视频| 亚洲专区字幕在线| 国产欧美日韩一区二区精品| 国产精品香港三级国产av潘金莲| 久久 成人 亚洲| a级毛片在线看网站| 国产精品影院久久| 国产日韩一区二区三区精品不卡| 91精品三级在线观看| 波多野结衣巨乳人妻| 免费看美女性在线毛片视频| 国产成人欧美在线观看| 国产亚洲av高清不卡| 男女下面插进去视频免费观看| 老熟妇乱子伦视频在线观看| 最近最新免费中文字幕在线| 亚洲中文字幕一区二区三区有码在线看 | av在线播放免费不卡| 精品日产1卡2卡| 美女午夜性视频免费| 99久久综合精品五月天人人| 亚洲国产精品999在线| 可以免费在线观看a视频的电影网站| 亚洲精品一区av在线观看| x7x7x7水蜜桃| 伊人久久大香线蕉亚洲五| 亚洲人成电影免费在线| 国产高清视频在线播放一区| 一进一出抽搐动态| 亚洲欧美日韩无卡精品| 国产精品亚洲av一区麻豆| 久久国产乱子伦精品免费另类| 国产成人欧美在线观看| 欧美黑人精品巨大| 久久人妻av系列| 国产午夜精品久久久久久| 亚洲av片天天在线观看| 黄频高清免费视频| 夜夜看夜夜爽夜夜摸| 欧美日韩一级在线毛片| 午夜免费成人在线视频| www国产在线视频色| 男女做爰动态图高潮gif福利片 | 亚洲国产欧美日韩在线播放| 99久久国产精品久久久| 日本五十路高清| 欧美一级毛片孕妇| 精品人妻在线不人妻| xxx96com| av有码第一页| av电影中文网址| 亚洲av熟女| 国产亚洲精品久久久久久毛片| 真人一进一出gif抽搐免费| 天天躁夜夜躁狠狠躁躁| 大码成人一级视频| 99国产精品免费福利视频| 国产免费男女视频| 嫁个100分男人电影在线观看| 男人舔女人的私密视频| 精品日产1卡2卡| 在线天堂中文资源库| 亚洲国产日韩欧美精品在线观看 | 亚洲国产毛片av蜜桃av| 午夜久久久在线观看| 亚洲,欧美精品.| 欧美最黄视频在线播放免费| 亚洲人成77777在线视频| 欧美性长视频在线观看| 久久精品91无色码中文字幕|