• <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
    一边摸一边做爽爽视频免费| 熟妇人妻久久中文字幕3abv| 91成年电影在线观看| 免费av毛片视频| 长腿黑丝高跟| 麻豆国产97在线/欧美 | 日本a在线网址| 麻豆国产97在线/欧美 | 久久香蕉激情| 久久性视频一级片| 99在线视频只有这里精品首页| 欧美成狂野欧美在线观看| 欧美成狂野欧美在线观看| 最近在线观看免费完整版| 亚洲人成电影免费在线| 国产成人av教育| 51国产日韩欧美| 国产人妻一区二区三区在| 国产真实乱freesex| 国产69精品久久久久777片| 天堂影院成人在线观看| 国产午夜福利久久久久久| www.色视频.com| 色播亚洲综合网| 欧美丝袜亚洲另类| 久久久久久久久久成人| 国产 一区精品| 青春草亚洲视频在线观看| 乱系列少妇在线播放| 国内精品久久久久精免费| av.在线天堂| www日本黄色视频网| 我的女老师完整版在线观看| 国国产精品蜜臀av免费| 久久午夜福利片| 非洲黑人性xxxx精品又粗又长| 啦啦啦韩国在线观看视频| av.在线天堂| 在线免费观看的www视频| 日韩欧美精品免费久久| 国产又黄又爽又无遮挡在线| 不卡一级毛片| 久久久精品94久久精品| 啦啦啦啦在线视频资源| 国产伦在线观看视频一区| 天天躁夜夜躁狠狠久久av| 最近的中文字幕免费完整| 99热这里只有精品一区| 欧美激情久久久久久爽电影| 3wmmmm亚洲av在线观看| 成人无遮挡网站| 国内久久婷婷六月综合欲色啪| 亚洲经典国产精华液单| 国产精品,欧美在线| 美女内射精品一级片tv| 亚洲在线自拍视频| 久久热精品热| 美女xxoo啪啪120秒动态图| 99热6这里只有精品| 午夜视频国产福利| 天天躁夜夜躁狠狠久久av| 国产成人福利小说| 美女cb高潮喷水在线观看| 最近最新中文字幕大全电影3| 在线a可以看的网站| 男女做爰动态图高潮gif福利片| 免费人成视频x8x8入口观看| 九九爱精品视频在线观看| 国产精品一区二区三区四区免费观看| 国产精品av视频在线免费观看| 色播亚洲综合网| 亚洲美女搞黄在线观看| 免费观看在线日韩| 亚洲无线在线观看| 干丝袜人妻中文字幕| 亚洲在久久综合| 亚洲国产精品sss在线观看| 综合色丁香网| 夜夜夜夜夜久久久久| 尾随美女入室| 国产一区二区在线观看日韩| 国产亚洲av嫩草精品影院| 又黄又爽又刺激的免费视频.| 亚洲电影在线观看av| 国产精品国产三级国产av玫瑰| 99久久精品国产国产毛片| 成人综合一区亚洲| 自拍偷自拍亚洲精品老妇| 美女xxoo啪啪120秒动态图| 又爽又黄无遮挡网站| 少妇熟女aⅴ在线视频| 精品久久久久久久久亚洲| 丝袜美腿在线中文| 真实男女啪啪啪动态图| 国产精品久久久久久亚洲av鲁大| 两个人视频免费观看高清| 欧美成人免费av一区二区三区| 黄色一级大片看看| 亚洲av男天堂| 亚洲欧美中文字幕日韩二区| 日本熟妇午夜| 国产成年人精品一区二区| 欧美色视频一区免费| 国产欧美日韩精品一区二区| av免费观看日本| 少妇裸体淫交视频免费看高清| 人妻系列 视频| 亚洲丝袜综合中文字幕| 超碰av人人做人人爽久久| 久久韩国三级中文字幕| 美女 人体艺术 gogo| 亚洲一区高清亚洲精品| 国内久久婷婷六月综合欲色啪| 国产成人午夜福利电影在线观看| kizo精华| h日本视频在线播放| 99视频精品全部免费 在线| 精品一区二区三区人妻视频| 日本成人三级电影网站| 久久久久久九九精品二区国产| 哪个播放器可以免费观看大片| 国产成人精品婷婷| av视频在线观看入口| 亚洲成人久久爱视频| 又爽又黄a免费视频| 国产伦理片在线播放av一区 | 黄片无遮挡物在线观看| 亚洲欧洲国产日韩| a级毛片免费高清观看在线播放| 禁无遮挡网站| 午夜福利成人在线免费观看| 国产在线男女| 1000部很黄的大片| 色吧在线观看| 午夜激情欧美在线| 黄色日韩在线| 亚洲国产欧美在线一区| 成年免费大片在线观看| 成年版毛片免费区| 久久久久久久午夜电影| 高清毛片免费看| 亚洲第一区二区三区不卡| 高清日韩中文字幕在线| 色综合站精品国产| 亚洲国产精品成人久久小说 | 嫩草影院新地址| 99久久人妻综合| 国产女主播在线喷水免费视频网站 | 国产色爽女视频免费观看| 我的老师免费观看完整版| 我要看日韩黄色一级片| 级片在线观看| 2021天堂中文幕一二区在线观| 91久久精品国产一区二区成人| 老师上课跳d突然被开到最大视频| 不卡一级毛片| 岛国在线免费视频观看| 国产探花在线观看一区二区| 久久99蜜桃精品久久| 嫩草影院入口| 在线国产一区二区在线| 久久精品国产清高在天天线| 麻豆乱淫一区二区| 欧美日韩综合久久久久久| 91aial.com中文字幕在线观看| 淫秽高清视频在线观看| 日本三级黄在线观看| 三级国产精品欧美在线观看| 有码 亚洲区| 中国美女看黄片| 联通29元200g的流量卡| 身体一侧抽搐| 长腿黑丝高跟| 亚洲精品乱码久久久v下载方式| 成人毛片a级毛片在线播放| 97超视频在线观看视频| 一级黄片播放器| 欧美激情久久久久久爽电影| 色综合站精品国产| 乱码一卡2卡4卡精品| 精品一区二区三区人妻视频| 精品免费久久久久久久清纯| 99精品在免费线老司机午夜| 久久亚洲精品不卡| 欧美色欧美亚洲另类二区| h日本视频在线播放| 国产国拍精品亚洲av在线观看| 久久99热6这里只有精品| 亚洲经典国产精华液单| 美女xxoo啪啪120秒动态图| 久久精品国产鲁丝片午夜精品| 22中文网久久字幕| 18禁在线无遮挡免费观看视频| 日韩大尺度精品在线看网址| 18禁黄网站禁片免费观看直播| 男女视频在线观看网站免费| 大又大粗又爽又黄少妇毛片口| 村上凉子中文字幕在线| 亚洲五月天丁香| 国产色婷婷99| ponron亚洲| 亚洲国产欧美在线一区| 欧美成人a在线观看| 三级毛片av免费| 国产高清三级在线| 久久精品国产亚洲av涩爱 | 青春草亚洲视频在线观看| 国产精华一区二区三区| 精品99又大又爽又粗少妇毛片| 国产探花极品一区二区| 亚洲第一区二区三区不卡| 成人特级av手机在线观看| 少妇熟女欧美另类| 亚洲精品乱码久久久v下载方式| 99精品在免费线老司机午夜| 黄色一级大片看看| 少妇被粗大猛烈的视频| 我要搜黄色片| 乱系列少妇在线播放| 精品久久久噜噜| 麻豆成人av视频| 久久国产乱子免费精品| 91在线精品国自产拍蜜月| 亚洲国产精品成人久久小说 | 人人妻人人澡欧美一区二区| 国产黄a三级三级三级人| 国产亚洲精品久久久com| 老女人水多毛片| .国产精品久久| 精品国产三级普通话版| 99久久无色码亚洲精品果冻| 成人亚洲精品av一区二区| 不卡视频在线观看欧美| 国产 一区精品| 观看美女的网站| 亚洲人与动物交配视频| 国产日韩欧美在线精品| 久久久久久久久久久免费av| 成人三级黄色视频| 久久6这里有精品| 91精品国产九色| 国内精品美女久久久久久| 欧美日韩乱码在线| 日韩大尺度精品在线看网址| 亚洲av.av天堂| 久久久国产成人精品二区| 身体一侧抽搐| 免费搜索国产男女视频| 欧美+日韩+精品| 天堂√8在线中文| 高清毛片免费看| 亚洲精品亚洲一区二区| 久久久色成人| 你懂的网址亚洲精品在线观看 | 国产一级毛片在线| 午夜福利高清视频| 亚洲四区av| 国产伦在线观看视频一区| 日本色播在线视频| 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 | 亚洲国产精品久久男人天堂| 内射极品少妇av片p| 国产一区二区三区av在线 | 特级一级黄色大片| 哪个播放器可以免费观看大片| 日本免费a在线| 亚洲欧美精品综合久久99| 精品久久久久久久人妻蜜臀av| 国产精品国产高清国产av| 亚洲中文字幕一区二区三区有码在线看| 2022亚洲国产成人精品| 亚洲欧洲国产日韩| 成年女人永久免费观看视频| 丝袜美腿在线中文| 精品无人区乱码1区二区| 黄色欧美视频在线观看| 成人亚洲欧美一区二区av| 亚洲精品自拍成人| 国产精品女同一区二区软件| 女的被弄到高潮叫床怎么办| 高清午夜精品一区二区三区 | 青春草视频在线免费观看| 国产爱豆传媒在线观看| 日日干狠狠操夜夜爽| 国产久久久一区二区三区| 在线观看免费视频日本深夜| 久久久久久久午夜电影| 国产又黄又爽又无遮挡在线| 亚洲av.av天堂| 欧美极品一区二区三区四区| 3wmmmm亚洲av在线观看| 亚洲欧美精品综合久久99| 日产精品乱码卡一卡2卡三| 一本一本综合久久| 亚洲国产高清在线一区二区三| 卡戴珊不雅视频在线播放| av专区在线播放| 国产精品久久久久久亚洲av鲁大| 中文字幕熟女人妻在线| 久久精品国产鲁丝片午夜精品| 男的添女的下面高潮视频| 亚洲av一区综合| 最近最新中文字幕大全电影3| 日本五十路高清| 久久久色成人| 国产免费一级a男人的天堂| 最后的刺客免费高清国语| 久久亚洲精品不卡| 女人被狂操c到高潮| 国产精品久久久久久亚洲av鲁大| 成人性生交大片免费视频hd| 欧美一区二区精品小视频在线| 禁无遮挡网站| 国产成人精品久久久久久| videossex国产| 国产精品国产高清国产av| 免费观看人在逋| 国产精品人妻久久久久久| 国产一区二区在线av高清观看| 国产综合懂色| 菩萨蛮人人尽说江南好唐韦庄 | 国产成人a区在线观看| 美女国产视频在线观看| 欧美丝袜亚洲另类| 人人妻人人澡人人爽人人夜夜 | 国产乱人视频| 国产精品av视频在线免费观看| 亚洲精品久久国产高清桃花| 亚洲人成网站在线观看播放| av国产免费在线观看| 毛片女人毛片| 欧美人与善性xxx| 菩萨蛮人人尽说江南好唐韦庄 | 卡戴珊不雅视频在线播放| 国内精品久久久久精免费| 亚洲乱码一区二区免费版| 精品久久久久久久末码| 免费人成在线观看视频色| 深夜a级毛片| 男插女下体视频免费在线播放| av在线亚洲专区| 国产精品免费一区二区三区在线| 免费在线观看成人毛片| 国产精品一区二区在线观看99 | 国产av麻豆久久久久久久| 久久精品国产亚洲av香蕉五月| 国产精品一二三区在线看| 成人特级黄色片久久久久久久| 黄色视频,在线免费观看| 亚洲人成网站在线观看播放| 听说在线观看完整版免费高清| 国产成人午夜福利电影在线观看| a级毛片a级免费在线| 亚洲丝袜综合中文字幕| 97在线视频观看| 美女被艹到高潮喷水动态| 国产亚洲91精品色在线| 99久久精品一区二区三区| 变态另类丝袜制服| 国产精品野战在线观看| 97在线视频观看| 赤兔流量卡办理| 久久久久久大精品| kizo精华| 日本av手机在线免费观看| 亚洲,欧美,日韩| 我要搜黄色片| 大香蕉久久网| 亚洲婷婷狠狠爱综合网| 日本黄色视频三级网站网址| 一本一本综合久久| 中文字幕av成人在线电影| 狂野欧美白嫩少妇大欣赏| 国产三级中文精品| 免费看av在线观看网站| 久久精品国产自在天天线| 人妻久久中文字幕网| eeuss影院久久| 亚洲av电影不卡..在线观看| 色综合亚洲欧美另类图片| 极品教师在线视频| 国产高清激情床上av| 色尼玛亚洲综合影院| 久久久成人免费电影| 午夜久久久久精精品| 免费电影在线观看免费观看| 国产色婷婷99| 91久久精品国产一区二区三区| 国产在线男女| 欧美日韩乱码在线| h日本视频在线播放| 欧美成人一区二区免费高清观看| 天堂中文最新版在线下载 | 九九在线视频观看精品| 亚洲四区av| 国产高潮美女av| 亚洲人与动物交配视频| 国产精品无大码| 如何舔出高潮| 久久久久久久久大av| 国产在线精品亚洲第一网站| 久久精品综合一区二区三区| av在线亚洲专区| 搡老妇女老女人老熟妇| 欧美最新免费一区二区三区| 久久久色成人| 欧美又色又爽又黄视频| 欧美丝袜亚洲另类| 黄片wwwwww| 久久久久久久久久久丰满| 国产精品,欧美在线| 成人美女网站在线观看视频| 亚洲精品国产成人久久av| 欧美日韩国产亚洲二区| 一个人观看的视频www高清免费观看| 变态另类成人亚洲欧美熟女| 欧美色视频一区免费| 91午夜精品亚洲一区二区三区| 精品无人区乱码1区二区| 亚洲自拍偷在线| 中文字幕免费在线视频6| 搡女人真爽免费视频火全软件| 乱码一卡2卡4卡精品| 长腿黑丝高跟| 国产亚洲精品av在线| 国产黄片视频在线免费观看| 三级男女做爰猛烈吃奶摸视频| 男插女下体视频免费在线播放| 12—13女人毛片做爰片一| 狂野欧美白嫩少妇大欣赏| 91aial.com中文字幕在线观看| 校园春色视频在线观看| 色吧在线观看| 小蜜桃在线观看免费完整版高清| 69人妻影院| 在线a可以看的网站| 亚洲四区av| 男女啪啪激烈高潮av片| 亚洲一区高清亚洲精品| www.色视频.com| 亚洲av成人精品一区久久| 国产精品三级大全| 国产成人freesex在线| 亚洲高清免费不卡视频| 亚洲成人久久性| 韩国av在线不卡| av免费观看日本| av黄色大香蕉| 99在线人妻在线中文字幕| 久久久久久久亚洲中文字幕| 男人舔女人下体高潮全视频| 干丝袜人妻中文字幕| 日本与韩国留学比较| 国产真实乱freesex| 日韩人妻高清精品专区| 91精品国产九色| 亚洲综合色惰| 国产激情偷乱视频一区二区| 亚洲七黄色美女视频| 一级黄色大片毛片| 最近2019中文字幕mv第一页| 精品久久久久久久久亚洲| 一本精品99久久精品77| 国产欧美日韩精品一区二区| 久久99精品国语久久久| 亚洲不卡免费看| 国产精品人妻久久久影院| 日韩欧美在线乱码| 男女视频在线观看网站免费| 亚洲成人久久性| 丰满的人妻完整版| 免费观看精品视频网站| 免费看美女性在线毛片视频| 小说图片视频综合网站| 欧美xxxx性猛交bbbb| 91av网一区二区| 一本精品99久久精品77| 淫秽高清视频在线观看| 网址你懂的国产日韩在线| 一本一本综合久久| 亚洲自拍偷在线| 又爽又黄a免费视频| 国产精品三级大全| 亚洲国产精品合色在线| 欧美成人a在线观看| 欧美不卡视频在线免费观看| 欧美性猛交╳xxx乱大交人| 日韩欧美在线乱码| 淫秽高清视频在线观看| 久久这里有精品视频免费| 少妇的逼好多水| 欧美一级a爱片免费观看看| 免费电影在线观看免费观看| 国产精品永久免费网站| 国产成人91sexporn| 亚洲欧美日韩高清在线视频| 亚洲av成人av| 国产精品野战在线观看| 国产一区二区三区在线臀色熟女| 中文资源天堂在线| 日本免费a在线| 老熟妇乱子伦视频在线观看| 亚洲av第一区精品v没综合| 久久精品国产亚洲av涩爱 | 18+在线观看网站| 久久久精品94久久精品| 联通29元200g的流量卡| АⅤ资源中文在线天堂| 可以在线观看毛片的网站| 深夜精品福利| 日韩视频在线欧美| 哪里可以看免费的av片| 亚洲欧美日韩高清在线视频| 国产黄a三级三级三级人| 青春草视频在线免费观看| 欧美日韩精品成人综合77777| 美女高潮的动态| 欧美日韩精品成人综合77777| 国产精品久久久久久久久免| 2022亚洲国产成人精品| 热99re8久久精品国产| 欧美+亚洲+日韩+国产| 国产黄色视频一区二区在线观看 | 国产一级毛片七仙女欲春2| 国产老妇伦熟女老妇高清| 22中文网久久字幕| a级毛色黄片| avwww免费| 99热这里只有是精品50| 男女边吃奶边做爰视频| 99精品在免费线老司机午夜| 99在线人妻在线中文字幕| 欧美一级a爱片免费观看看| 国产一区亚洲一区在线观看| 日韩欧美国产在线观看| 久久精品国产亚洲av香蕉五月| 成人亚洲精品av一区二区| 美女大奶头视频| 欧美成人精品欧美一级黄| 亚洲精品成人久久久久久| 人妻久久中文字幕网| 国产一区二区在线观看日韩| 日本在线视频免费播放| 国产精品av视频在线免费观看| 老女人水多毛片| 少妇的逼好多水| 国产亚洲精品av在线| 女人十人毛片免费观看3o分钟| 亚洲人成网站在线播放欧美日韩| 精品一区二区三区视频在线| 男的添女的下面高潮视频| 日本撒尿小便嘘嘘汇集6| 哪个播放器可以免费观看大片| 蜜桃久久精品国产亚洲av| 美女黄网站色视频| 又黄又爽又刺激的免费视频.| 亚洲国产欧洲综合997久久,| 亚洲三级黄色毛片| 国产一区二区在线av高清观看| 午夜免费男女啪啪视频观看| 欧美性感艳星| 91精品一卡2卡3卡4卡| 少妇裸体淫交视频免费看高清| 国产毛片a区久久久久| 男女视频在线观看网站免费| 欧美日韩综合久久久久久| 老司机影院成人| 我的老师免费观看完整版| 日本欧美国产在线视频| 不卡一级毛片| 久久精品久久久久久久性| 亚洲欧洲国产日韩| 久久久久久久亚洲中文字幕| 久久久久久国产a免费观看| 91狼人影院| 女人十人毛片免费观看3o分钟| 波野结衣二区三区在线| 亚洲va在线va天堂va国产| 夜夜看夜夜爽夜夜摸| 国产老妇伦熟女老妇高清| 神马国产精品三级电影在线观看| 能在线免费观看的黄片| 午夜福利高清视频| 最近2019中文字幕mv第一页| 久久热精品热| 非洲黑人性xxxx精品又粗又长| 亚洲av中文av极速乱| 麻豆乱淫一区二区| 久久亚洲精品不卡| 最近最新中文字幕大全电影3| 久久精品综合一区二区三区| 日本熟妇午夜| 插阴视频在线观看视频| 国产精品综合久久久久久久免费| 日本撒尿小便嘘嘘汇集6| 久久亚洲精品不卡| 日韩大尺度精品在线看网址| 91久久精品国产一区二区三区| 日韩一区二区视频免费看| a级毛片a级免费在线| 国产亚洲精品av在线| 69av精品久久久久久| 欧美三级亚洲精品| 在线免费十八禁| 亚洲精品久久久久久婷婷小说 | 少妇的逼好多水| 免费一级毛片在线播放高清视频| 欧美一区二区国产精品久久精品| 看黄色毛片网站| 我要搜黄色片| 免费无遮挡裸体视频| 亚洲精品久久国产高清桃花| 身体一侧抽搐| 人妻系列 视频| 日韩精品有码人妻一区|