• <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DSception模塊和注意力機制的皮膚病分類識別

    2021-10-21 08:19:26李家成葉哲江楊嘉林張鵬飛
    電視技術(shù) 2021年8期
    關(guān)鍵詞:皮膚病殘差準確率

    李家成,葉哲江,楊嘉林,張鵬飛

    (昆明理工大學 信息工程與自動化學院,云南 昆明 650500)

    0 引 言

    世 界 衛(wèi) 生 組 織(World Health Organization,WHO)的統(tǒng)計數(shù)據(jù)表明,全球每年發(fā)生200萬至300萬例非黑色素瘤皮膚癌和132萬例黑色素瘤皮膚癌[1]。在美國,雖然黑色素瘤在所有皮膚癌中所占比例不到5%,但它們約占所有皮膚癌相關(guān)死亡病例的75%,每年造成10 000多人死亡[2]。皮膚病早期的診斷與預防已經(jīng)成為遏制皮膚病癌變惡化的有效手段,尤其是黑色素瘤,早期的診斷與治療能有效降低致死率[3-4]。

    臨床上一般通過有豐富經(jīng)驗的皮膚科專家結(jié)合自己的經(jīng)驗和特定的方法如CASH方法[5]、Menzies方法[6]、ABCDE方法[7]等對病理圖片進行診斷。人工診斷存在有診斷經(jīng)驗的皮膚科專家的缺乏、不同專家診斷水平參差不齊、準確率難以保證、費時費力等缺點。隨著深度學習的發(fā)展,基于深度學習的皮膚病診斷在以往研究中獲得了可觀的成果。ESTEVA[2]等整合多個皮膚病數(shù)據(jù)集,構(gòu)建了一個包含2 000多種皮膚病種類的大型皮膚病數(shù)據(jù)集,使用GoogLeNet作為其分類網(wǎng)絡并將遷移學習技術(shù)應用到自己的數(shù)據(jù)庫上,最終準確率能與皮膚科專家診斷結(jié)果相媲美,證明了基于深度學習的皮膚病自動分類的可行性。李航等[8]采用深度學習和傳統(tǒng)機器學習相結(jié)合的方式,先使用預訓練的ResNet152模型遷移學習提取皮膚病病灶特征信息,再通過支持向量機(Support Vector Machine,SVM)進行診斷分類。LEQUAN Y等[9]提出方法先用一個全卷積殘差網(wǎng)絡(Fully Convolutional Residual Networks,F(xiàn)CRN)對皮膚病圖像病灶進行分割,緩解數(shù)據(jù)量不足問題,再使用ResNet50網(wǎng)絡進行分類。CODELLA[10]等提出將卷積神經(jīng)網(wǎng)絡、稀疏編碼和支持向量機(SVM)集成到黑色素瘤識別中。MAHBOD[11]等提出了基于6種不同大小輸入圖像、3種成熟CNN模型(EfficientNetB0、EfficientNetB1、SeRe-NeXt50)多尺度多模型方法,表明了輸入圖像尺寸對皮膚病診斷有影響。

    上述研究都取得了一定的成果,但使用的模型參數(shù)量都非常大,訓練的時間長,準確率也有提升的空間。隨著皮膚病數(shù)據(jù)庫的日益豐富,減少模型參數(shù)、設(shè)計輕量型網(wǎng)絡可以避免過擬合,提高識別準確率。針對以上問題,本文設(shè)計了一個基于DSception結(jié)構(gòu)和SE模塊的輕量型網(wǎng)絡。文章主要內(nèi)容如下:

    (1)引進深度可分離卷積(Depthwise Separable Convolution,DS),大量地減少參數(shù),保證網(wǎng)絡加深提取不同深度特征的可能性。

    (2)將DS卷積和Inception結(jié)構(gòu)相結(jié)合,提出DSception模塊,增加了網(wǎng)絡的寬度,多尺度提取圖像特征的同時,大量減少參數(shù),降低時間復雜度。

    (3)在ResNet50的基礎(chǔ)上,用通道注意力(Squeeze-and-Excitation,SE)模塊替換原來的瓶頸結(jié)構(gòu),使得模型參數(shù)量減少,有效加權(quán)了重要圖像通道特征,抑制了無用信息。

    1 本文方法

    本文基于ResNet50模型[12]的主體結(jié)構(gòu),提出了包含DSception模塊的SE模塊的Conv_block和包含SE模塊的Identity_block。改進的Conv_block、Identity_block保留了原有的殘差結(jié)構(gòu),解決由于網(wǎng)絡深度加深而產(chǎn)生的學習效率變低與準確率無法有效提升的問題。殘差結(jié)構(gòu)如圖1所示。

    圖1 殘差結(jié)構(gòu)

    圖1 中,X為輸入,F(xiàn)(x)表示特征提取塊的輸出,H(x)為整個殘差結(jié)構(gòu)的輸出,包含了特征提取塊的輸出F(x)和原輸入X。H(x)表達式如下:

    如式(1)所示,殘差結(jié)構(gòu)的最后輸出H(x)是F(x)與X的和。加入了原輸入x,在前向傳播時,H(x)包含了輸入信息特征,有效解決網(wǎng)絡模型退化問題;在反向傳播時,能有效解決梯度消失問題。

    1.1 DSception模塊

    1.1.1 DS卷積

    深度可分離卷DS由深度卷積(Depthwise Convolution,DW)和 點 積(Pointwise Convolution,PW)組成[13]。

    (1)DW卷積。DW卷積如圖2所示,輸入特征圖維度為(W,H,C),通過C個3×3×1卷積核對輸入特征圖逐通道進行卷積,得到的C個(W,H,1)特征圖按通道維度拼接,最終輸出的特征圖維度為(W,H,C)。

    圖3 PW卷積示意圖

    圖23 ×3D×W1卷積示意圖

    (3)DS卷 積。DS卷 積 如 圖4所 示。DS卷積所需的參數(shù)包括:DW卷積所需的參數(shù)C×3×3×1,PW所需的參數(shù)N×1×1×C,總的DS卷積參數(shù)為C×3×3×1+N×1×1×C,普通卷積所需的參數(shù)為N×3×3×C。顯然,DS模塊使用的參數(shù)量遠遠小于普通卷積,有效地節(jié)省了計算機資源,提高了運算速度。

    圖4 PW卷積示意圖

    1.1.2 Inception結(jié)構(gòu)

    InceptionV1結(jié)構(gòu)由Google團隊于2017年提出[14],如圖5所示。先前的特征圖并列輸入到4個分支,提取不同感受野的特征信息,增加了網(wǎng)絡寬度。通過1×1卷積有效地減小了網(wǎng)絡參數(shù),降低隨著網(wǎng)絡深度的增加模型過擬合的風險。

    圖5 Inception結(jié)構(gòu)示意圖

    1.1.3 DSception結(jié)構(gòu)

    DSception結(jié)構(gòu)如圖6所示。本文創(chuàng)造性地將DS卷積和Inception模塊結(jié)合起來,提出了DSception模塊。輸入特征圖維度(W,H,C),Conv1×1分支的通道數(shù)為C/4,DS Conv3×3分支的通道數(shù)為C/2,DS Conv5×5分支的通道數(shù)為C/8,Maxpool分支的通道數(shù)為C/8。DSception模塊與Inception模塊相比,可觀地減少了參數(shù)量,降低了時間復雜度。

    圖6 DSception結(jié)構(gòu)示意圖

    1.2 SE模塊

    SE模塊由DANIEL Z等[15]于2017年提出,其設(shè)計理念為學習通道之間的相關(guān)性,篩選出針對通道的注意力。SE模塊分為壓縮(Squeeze)、激勵(Excitation)、重標定(Scale)3部分,如圖7所示。

    圖7 SE模塊結(jié)構(gòu)圖

    (1)壓縮部分Fsq。輸入特征圖UW×H×C,U=[u1,u2,…,uC],先 通 過 全 局 平 均 池 化(Global Average Pooling,GAP)順著空間維度W×H來進行特征壓縮,得到具有全局的感受野的特征圖ZC,Z=[z1,z2,…,zC]。

    (2)激勵部分Fex。如式(3)所示,特征圖Z通過個神經(jīng)元的全連接層FC1,其權(quán)重、非線性激活函數(shù)δ(Relu);接著通過C個神經(jīng)元的全連接層FC2,其權(quán)重、非線性激活函數(shù)σ(Sigmoid)輸出特征圖SC,S=[s1,s2,…,sC]。參考原文參數(shù)r的設(shè)置,rstage1,rstage2設(shè)為16,rstage3設(shè)32,rstage4設(shè)為64。

    (3)重標定部分Fscale。原特征圖輸入U與激勵部分輸出S結(jié)果相乘,完成對通道的重新標定:

    SE模塊不僅在通道維度上對有著重要皮膚病特征的通道進行加權(quán)處理,對無用皮膚病特征通道進行抑制,其參數(shù)對于深度網(wǎng)絡而言可以忽略 不計。

    1.3 卷積塊

    改進的卷積塊保留卷積分支和殘差連接分支兩個分支,如圖8所示。

    圖8 卷積塊結(jié)構(gòu)圖

    (1)卷積分支。特征圖輸入先通過卷積核為1×1、步長為2的卷積層來減小特征圖尺寸,恢復通道數(shù);之后連接BN層和Relu層,BN層加快模型收斂速度,防止網(wǎng)絡模型過擬合,Relu增加非線性因素。DSception層多尺度提取特征,擴大感受野,增加網(wǎng)絡寬度。SE層通道注意力層實現(xiàn)對通道的重新標定。

    (2)殘差連接分支。殘差連接分支預防隨著網(wǎng)絡的加深梯度消失的風險。輸出為卷積分支輸出與殘差連接分支輸出相加,Relu輸出結(jié)果。

    1.4 恒等卷積塊

    改進的恒等映射塊網(wǎng)絡主路上,用SE模塊代替原來的瓶頸結(jié)構(gòu),輸出結(jié)果與輸入特征圖的恒等映射相加得到最終結(jié)果,大量減少了模型訓練參數(shù),避免網(wǎng)絡過擬合。恒等映射塊結(jié)構(gòu)如圖9所示。

    圖9 恒等映射塊結(jié)構(gòu)圖

    1.5 模型結(jié)構(gòu)

    本文模型沿用了ResNet50的主體框架,分為輸入、主網(wǎng)絡、輸出3個部分,如圖10所示。

    圖10 本文模型結(jié)構(gòu)圖

    (1)輸入部分。將皮膚病圖像裁剪成(224,224,3)維度作為模型輸入,經(jīng)過Conv7×7(stride= 2)+BN+Relu+Maxpool3×3(stride=2)輸出特征圖維度為(56,56,64)。

    (2)主網(wǎng)絡部分。主網(wǎng)絡分為4個Stage。Stage1 由1個卷積塊和2個恒等映射塊組成,輸出特征圖維度為(28,28,256)。Stage2由1個卷積塊和3個恒等映射塊組成,輸出特征圖維度為(14,14,512)。Stage3由1個卷積塊和5個恒等映射塊組成,輸出特征圖維度為(7,7,1 024)。Stage4由1個卷積塊和2個恒等映射塊組成,輸出特征圖維度為(4,4,2 048)。

    (3)輸出部分。主網(wǎng)絡輸出特征圖(4,4, 2 048)經(jīng)過全局平均池化層(GAP)輸出特征圖維度(1,1,2 048),再連接3個神經(jīng)元的全連接層(FC),最終通過Softmax激活函數(shù)輸出皮膚病分類的結(jié)果。

    2 實 驗

    2.1 實驗設(shè)置

    2.1.1 數(shù)據(jù)來源

    由于ISIC-2017挑戰(zhàn)[16]提供的數(shù)據(jù)集存在較為嚴重的數(shù)據(jù)不平衡問題,本文基于公開的皮膚鏡圖像數(shù)據(jù)國際皮膚成像協(xié)作(ISIC)構(gòu)建了一個皮膚病圖像數(shù)據(jù)集。該數(shù)據(jù)集包含基底細胞癌(Basal Cell Carcinoma,BCC)、黑色素瘤(Melanoma,MEL)、痣(Nevus,NV)3大類,共計8 992張圖像。按照4∶1的比例劃分訓練集和測試集,其中訓練集為7 194張樣本,測試集為1 798張樣本。每類數(shù)據(jù)分布如表1所示。

    表1 各類皮膚病分布

    2.1.2 數(shù)據(jù)預處理

    數(shù)據(jù)裁剪為(224,224,3)的尺寸,并將皮膚病圖像數(shù)據(jù)除以255作歸一化處理。

    2.1.3 實驗環(huán)境

    本文使用PyCharm作為編譯器,編程語言為Python,實驗框架為Keras和Tensorflow。硬件環(huán)境為Intel(R) Core(TM) i7-9700K CPU,主頻 3.60 GHz,顯卡為NVIDIA GeForce GTX1070 Ti,64位 Windows 11操作系統(tǒng)。

    2.1.4 評價指標

    本文選用準確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1分數(shù)作為模型評價指標,計算公式分別如下:

    式中:TP(True Positive)為真陽性,表示算法將當前皮膚病樣本正確分為該類;FN(False Nega-tive)為假陰性,表示算法將其他兩類皮膚病樣本錯誤分為該類;TN(True Negative)為真陰性,表示算法將當前皮膚病樣本錯誤分為其他兩類;FP(False Positive)為假陽性,表示算法將其他兩類皮膚病樣本正確分為其他兩類。

    2.2 實驗結(jié)果

    本文選用交叉熵損失函數(shù),Adam為優(yōu)化器更新參數(shù),批次大小batch-size設(shè)置為64,迭代 100次,初始學習率lr設(shè)0.01,每10個epochs內(nèi)準確率不提升,調(diào)整lr=lr×0.1,調(diào)整至10-7停止更新學習率。

    在保證數(shù)據(jù)集、實驗環(huán)境一致的情況下,本文 模 型 與ResNet50、VGG16[17]、Xception[18]模 型在皮膚病數(shù)據(jù)上驗證,準確率如圖11所示。本文模型準確率比對比模型效果出色,且曲線較快達 到收斂。

    圖11 不同模型的準確率曲線

    不同模型性能指標如表2所示。本文模型的準確率為93.38 %,精確率為93.42%,召回率為3.44%,F(xiàn)1分數(shù)為93.4%,均明顯超過VGG16、esNet50、Xception,且本文模型遠小于其他模型。實驗表明,本文模型對皮膚病的診斷有明顯效果,且參數(shù)較少,不需要較高的計算機配置,適合應用于臨床輔助診斷。

    表2 不同模型性能指標

    2.3 消融實驗

    通過消融實驗來驗證本文模型的性能。實驗A設(shè)置為含有DS-ception結(jié)構(gòu)和SE模塊的模型,實驗B設(shè)置為只含有DSception結(jié)構(gòu)的模型,實驗C設(shè)置為只含有SE模塊的模型,實驗D設(shè)置為不含有DScep-tion結(jié)構(gòu)和SE模塊的模型。超參數(shù)設(shè)置與2.2節(jié)一致。

    實驗結(jié)果如圖12所示。通過觀察圖12的混淆矩陣可以看出,4個實驗中NV類的召回率結(jié)果相近,實驗D為99.66%,比實驗A的99.49%略高。對比BCC和MEL的召回率,實驗A比其他3個實驗效果好,其中實驗A的MEL召回率為88.20%,實驗B、C、D分別為83.93%、81.48%、79.18%,實驗A對黑色素瘤圖像特征提取效果明顯。表3為消融實驗各項評價指標的宏平均,可以看出實驗A表現(xiàn)最好,對皮膚病診斷分類有明顯作用。

    圖12 消融實驗混淆矩陣

    表3 消融實驗評價指標

    3 結(jié) 語

    本文提出了基于DSception和SE模塊的皮膚病多分類模型,其中DS-ception模塊加深了網(wǎng)絡深度和寬度,增加了多尺度的感受野,提升了模型提取特征的能力,同時也明顯地減少網(wǎng)絡參數(shù),加快了網(wǎng)絡的收斂速度。SE模塊實現(xiàn)了對通道的重新標定,即對有著圖像重要特征的通道進行加權(quán),對有著無用特征的通道進行抑制,且模塊參數(shù)量較少,對于整個網(wǎng)絡模型可以忽略不計。實驗表明,本文模型在對皮膚病的種類分類識別領(lǐng)域有明顯的 效果。

    猜你喜歡
    皮膚病殘差準確率
    基于雙向GRU與殘差擬合的車輛跟馳建模
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    草藥在皮膚病中的應用
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預報參考產(chǎn)品質(zhì)量檢驗分析
    夏秋重護膚 遠離皮膚病
    基于殘差學習的自適應無人機目標跟蹤算法
    基于遞歸殘差網(wǎng)絡的圖像超分辨率重建
    自動化學報(2019年6期)2019-07-23 01:18:32
    夏秋重護膚 遠離皮膚病
    高速公路車牌識別標識站準確率驗證法
    久久国产精品人妻蜜桃| 免费观看人在逋| 久久久国产成人免费| 午夜久久久久精精品| av电影中文网址| 亚洲精品国产区一区二| 久久99热这里只有精品18| 亚洲狠狠婷婷综合久久图片| 国产亚洲欧美98| 精品久久久久久久人妻蜜臀av| 久久精品91蜜桃| 波多野结衣av一区二区av| 色综合站精品国产| 欧美人与性动交α欧美精品济南到| 日韩欧美国产在线观看| 日韩国内少妇激情av| 亚洲成人久久性| 亚洲男人天堂网一区| 久久精品成人免费网站| 伦理电影免费视频| 一边摸一边做爽爽视频免费| 久久亚洲精品不卡| 这个男人来自地球电影免费观看| 成人18禁高潮啪啪吃奶动态图| 国产精品99久久99久久久不卡| 欧美在线黄色| 国产精品 国内视频| 亚洲第一欧美日韩一区二区三区| 亚洲最大成人中文| 男女下面进入的视频免费午夜 | 老司机福利观看| 一区二区三区国产精品乱码| 午夜免费成人在线视频| 午夜亚洲福利在线播放| www.精华液| 欧美激情久久久久久爽电影| 久久精品aⅴ一区二区三区四区| 亚洲欧美一区二区三区黑人| 国产久久久一区二区三区| 女性被躁到高潮视频| 国产精品久久久久久亚洲av鲁大| 免费看美女性在线毛片视频| 精品久久蜜臀av无| 精品福利观看| 亚洲av美国av| 欧美日韩福利视频一区二区| 91在线观看av| 日本五十路高清| 国产精品爽爽va在线观看网站 | 亚洲电影在线观看av| 香蕉av资源在线| 欧美成人一区二区免费高清观看 | 国产精品久久久久久亚洲av鲁大| 欧美另类亚洲清纯唯美| cao死你这个sao货| 国内毛片毛片毛片毛片毛片| 成在线人永久免费视频| 免费观看人在逋| 18美女黄网站色大片免费观看| 午夜精品久久久久久毛片777| 女人被狂操c到高潮| 黄色a级毛片大全视频| 99久久99久久久精品蜜桃| 国产精品一区二区精品视频观看| 老司机靠b影院| 日韩 欧美 亚洲 中文字幕| 亚洲精品色激情综合| 免费看美女性在线毛片视频| 国产精华一区二区三区| 人人妻人人澡人人看| 久久精品国产99精品国产亚洲性色| 91老司机精品| 两性午夜刺激爽爽歪歪视频在线观看 | 久久精品国产亚洲av高清一级| 精品午夜福利视频在线观看一区| 久热爱精品视频在线9| 他把我摸到了高潮在线观看| tocl精华| 亚洲国产欧美网| 人人妻人人澡欧美一区二区| 男女视频在线观看网站免费 | 欧美不卡视频在线免费观看 | 亚洲精华国产精华精| 日本在线视频免费播放| 久久婷婷成人综合色麻豆| 老汉色av国产亚洲站长工具| av片东京热男人的天堂| 白带黄色成豆腐渣| 久久亚洲精品不卡| 别揉我奶头~嗯~啊~动态视频| 看片在线看免费视频| 自线自在国产av| 国产精品爽爽va在线观看网站 | 少妇粗大呻吟视频| 久久久久久久午夜电影| 亚洲欧美精品综合久久99| 亚洲一区中文字幕在线| 久久天堂一区二区三区四区| 中文字幕精品亚洲无线码一区 | 国产黄a三级三级三级人| 欧美日韩福利视频一区二区| 757午夜福利合集在线观看| 日韩 欧美 亚洲 中文字幕| 久久天躁狠狠躁夜夜2o2o| 正在播放国产对白刺激| 伊人久久大香线蕉亚洲五| 黑丝袜美女国产一区| 十分钟在线观看高清视频www| 欧美绝顶高潮抽搐喷水| 男女做爰动态图高潮gif福利片| 十八禁人妻一区二区| 高潮久久久久久久久久久不卡| 悠悠久久av| 久久久久久大精品| 国产精品 欧美亚洲| 一边摸一边做爽爽视频免费| 天天添夜夜摸| a级毛片a级免费在线| 国产成人av教育| 国产成+人综合+亚洲专区| 午夜福利欧美成人| 一本一本综合久久| 一级毛片高清免费大全| 亚洲美女黄片视频| 丝袜人妻中文字幕| 一区二区三区国产精品乱码| 在线视频色国产色| 午夜福利视频1000在线观看| 国产亚洲精品一区二区www| 中文字幕人成人乱码亚洲影| 国产精品 国内视频| 精品久久久久久久久久免费视频| 天天躁夜夜躁狠狠躁躁| 狠狠狠狠99中文字幕| 欧美国产日韩亚洲一区| 亚洲 国产 在线| 免费看美女性在线毛片视频| 国产精品一区二区免费欧美| 2021天堂中文幕一二区在线观 | 国产午夜福利久久久久久| 欧美激情极品国产一区二区三区| 午夜福利成人在线免费观看| 不卡一级毛片| 黄频高清免费视频| 人妻丰满熟妇av一区二区三区| 男人舔女人的私密视频| 男女之事视频高清在线观看| 中文字幕最新亚洲高清| 一级a爱视频在线免费观看| 亚洲第一av免费看| 一区福利在线观看| 国产一区二区激情短视频| 欧美激情高清一区二区三区| 欧美人与性动交α欧美精品济南到| 日韩一卡2卡3卡4卡2021年| svipshipincom国产片| 亚洲午夜理论影院| 99久久久亚洲精品蜜臀av| 黄片小视频在线播放| 夜夜爽天天搞| 97超级碰碰碰精品色视频在线观看| 日本一本二区三区精品| 美女国产高潮福利片在线看| 久久国产乱子伦精品免费另类| 欧美激情极品国产一区二区三区| 俺也久久电影网| 国产v大片淫在线免费观看| 一本综合久久免费| av天堂在线播放| 亚洲精品国产精品久久久不卡| 狂野欧美激情性xxxx| 亚洲五月色婷婷综合| 变态另类丝袜制服| 欧洲精品卡2卡3卡4卡5卡区| 韩国精品一区二区三区| 一区二区三区精品91| 9191精品国产免费久久| 久久精品国产亚洲av香蕉五月| 精品欧美国产一区二区三| 搡老熟女国产l中国老女人| 久久精品国产亚洲av香蕉五月| 国产真实乱freesex| 成人永久免费在线观看视频| 波多野结衣高清作品| av片东京热男人的天堂| 国产亚洲精品久久久久久毛片| 国产精品日韩av在线免费观看| 免费看日本二区| 国产亚洲精品久久久久久毛片| 老汉色av国产亚洲站长工具| 99在线视频只有这里精品首页| 精品第一国产精品| 天天一区二区日本电影三级| 丁香欧美五月| 久久久久久国产a免费观看| 99riav亚洲国产免费| 成年女人毛片免费观看观看9| 精品国产国语对白av| 国内少妇人妻偷人精品xxx网站 | 美国免费a级毛片| 婷婷精品国产亚洲av在线| 亚洲熟妇熟女久久| 亚洲五月婷婷丁香| 最新美女视频免费是黄的| 精品少妇一区二区三区视频日本电影| 一a级毛片在线观看| 亚洲aⅴ乱码一区二区在线播放 | 黑人欧美特级aaaaaa片| 动漫黄色视频在线观看| 哪里可以看免费的av片| 午夜久久久在线观看| 久久久久久人人人人人| av超薄肉色丝袜交足视频| 可以在线观看毛片的网站| 亚洲国产看品久久| 亚洲欧美激情综合另类| 侵犯人妻中文字幕一二三四区| 精品久久久久久久毛片微露脸| 高清在线国产一区| 欧美日本亚洲视频在线播放| 两性夫妻黄色片| 99国产精品一区二区三区| 国产成年人精品一区二区| 可以免费在线观看a视频的电影网站| 欧美日韩黄片免| 午夜亚洲福利在线播放| 热re99久久国产66热| 精品国产美女av久久久久小说| 无人区码免费观看不卡| 妹子高潮喷水视频| 免费搜索国产男女视频| 欧美绝顶高潮抽搐喷水| 亚洲狠狠婷婷综合久久图片| 窝窝影院91人妻| 一区二区日韩欧美中文字幕| 首页视频小说图片口味搜索| 999久久久国产精品视频| 啪啪无遮挡十八禁网站| 女人爽到高潮嗷嗷叫在线视频| 99热只有精品国产| 国产精品永久免费网站| 国产不卡一卡二| 日本一区二区免费在线视频| 精品国产超薄肉色丝袜足j| 两个人视频免费观看高清| 免费观看精品视频网站| 国产私拍福利视频在线观看| 色av中文字幕| 美女大奶头视频| 午夜精品久久久久久毛片777| 欧美精品亚洲一区二区| 狠狠狠狠99中文字幕| 看片在线看免费视频| 丰满的人妻完整版| 国产熟女午夜一区二区三区| 精品国产国语对白av| 欧美+亚洲+日韩+国产| 色综合站精品国产| 国产欧美日韩一区二区精品| 狂野欧美激情性xxxx| 亚洲自偷自拍图片 自拍| 中文资源天堂在线| 精品久久久久久,| 两个人视频免费观看高清| 美女扒开内裤让男人捅视频| 777久久人妻少妇嫩草av网站| 一进一出好大好爽视频| 嫁个100分男人电影在线观看| 精品国产乱子伦一区二区三区| 丝袜在线中文字幕| 99在线人妻在线中文字幕| 午夜老司机福利片| 成人永久免费在线观看视频| 亚洲国产看品久久| 亚洲成av人片免费观看| 国产亚洲精品av在线| 欧美黑人精品巨大| 99精品久久久久人妻精品| 香蕉久久夜色| 国产精品香港三级国产av潘金莲| av有码第一页| 女人被狂操c到高潮| 免费观看精品视频网站| 精品国产国语对白av| 99久久综合精品五月天人人| 亚洲中文字幕日韩| 一个人免费在线观看的高清视频| 99热这里只有精品一区 | 成人午夜高清在线视频 | 国产欧美日韩精品亚洲av| 久久精品国产99精品国产亚洲性色| 亚洲国产高清在线一区二区三 | 欧美中文日本在线观看视频| 在线观看www视频免费| av在线天堂中文字幕| 国产人伦9x9x在线观看| 伊人久久大香线蕉亚洲五| 91av网站免费观看| 人妻久久中文字幕网| 啦啦啦观看免费观看视频高清| 亚洲专区中文字幕在线| 一夜夜www| 法律面前人人平等表现在哪些方面| 老熟妇仑乱视频hdxx| 男女之事视频高清在线观看| 国内久久婷婷六月综合欲色啪| 亚洲全国av大片| 亚洲aⅴ乱码一区二区在线播放 | 搡老熟女国产l中国老女人| 他把我摸到了高潮在线观看| e午夜精品久久久久久久| 久热爱精品视频在线9| 国产成年人精品一区二区| 人妻久久中文字幕网| 日本免费一区二区三区高清不卡| 麻豆av在线久日| 欧美性长视频在线观看| 国产一区二区激情短视频| 久久午夜综合久久蜜桃| 村上凉子中文字幕在线| 亚洲精华国产精华精| 夜夜躁狠狠躁天天躁| 伊人久久大香线蕉亚洲五| av欧美777| 亚洲av成人不卡在线观看播放网| 亚洲av日韩精品久久久久久密| 国产亚洲欧美98| 亚洲精品在线美女| 一个人观看的视频www高清免费观看 | 午夜免费鲁丝| www.自偷自拍.com| 日韩欧美免费精品| 国产精品永久免费网站| 老汉色∧v一级毛片| 成在线人永久免费视频| 亚洲第一电影网av| 男人舔女人的私密视频| 亚洲一码二码三码区别大吗| 午夜免费鲁丝| 国产又爽黄色视频| 午夜精品在线福利| 欧美性长视频在线观看| 国产成年人精品一区二区| 成年免费大片在线观看| 一边摸一边做爽爽视频免费| 亚洲性夜色夜夜综合| 欧美国产日韩亚洲一区| 日韩精品青青久久久久久| 亚洲国产欧美一区二区综合| 日日摸夜夜添夜夜添小说| 日本 av在线| 美女 人体艺术 gogo| 婷婷精品国产亚洲av| 一个人免费在线观看的高清视频| 精品国产国语对白av| 欧美性猛交黑人性爽| 亚洲av中文字字幕乱码综合 | 又黄又粗又硬又大视频| 免费看美女性在线毛片视频| 欧美精品啪啪一区二区三区| 国产成人精品久久二区二区91| 欧美 亚洲 国产 日韩一| 国产精品av久久久久免费| 国产亚洲精品综合一区在线观看 | av片东京热男人的天堂| 天天躁狠狠躁夜夜躁狠狠躁| 99久久综合精品五月天人人| 欧美黑人精品巨大| 成人18禁高潮啪啪吃奶动态图| 国产精品,欧美在线| 正在播放国产对白刺激| 男女床上黄色一级片免费看| 亚洲精品av麻豆狂野| 女生性感内裤真人,穿戴方法视频| 一级毛片精品| 成在线人永久免费视频| 天天一区二区日本电影三级| 久久亚洲真实| 亚洲三区欧美一区| 制服诱惑二区| 亚洲 国产 在线| 亚洲人成伊人成综合网2020| 亚洲国产精品999在线| 亚洲成国产人片在线观看| 亚洲国产精品sss在线观看| 中出人妻视频一区二区| 一区二区日韩欧美中文字幕| 久久人妻av系列| 黄片小视频在线播放| 黄片播放在线免费| 女生性感内裤真人,穿戴方法视频| 精品久久久久久久人妻蜜臀av| 淫秽高清视频在线观看| 91九色精品人成在线观看| 中文字幕另类日韩欧美亚洲嫩草| 久久久久国产精品人妻aⅴ院| 两个人视频免费观看高清| 白带黄色成豆腐渣| 一区二区三区精品91| 欧美日韩黄片免| 99精品久久久久人妻精品| 亚洲 国产 在线| 亚洲欧美激情综合另类| 国产又爽黄色视频| 亚洲欧洲精品一区二区精品久久久| 午夜免费观看网址| 国产精品电影一区二区三区| 天天添夜夜摸| 日韩精品中文字幕看吧| 久久久久九九精品影院| 午夜视频精品福利| 国产精华一区二区三区| 午夜激情av网站| 亚洲人成77777在线视频| 欧美一区二区精品小视频在线| 老鸭窝网址在线观看| 日本熟妇午夜| 免费高清在线观看日韩| 高清在线国产一区| 男人舔女人的私密视频| 色播亚洲综合网| 波多野结衣巨乳人妻| 丰满的人妻完整版| 99热6这里只有精品| 国产一区二区三区视频了| av超薄肉色丝袜交足视频| 国产亚洲精品一区二区www| 琪琪午夜伦伦电影理论片6080| 中文在线观看免费www的网站 | 午夜福利一区二区在线看| 亚洲第一欧美日韩一区二区三区| 最近在线观看免费完整版| 亚洲精品在线美女| 亚洲成人久久爱视频| 免费看a级黄色片| 婷婷丁香在线五月| 欧美激情 高清一区二区三区| 国产99久久九九免费精品| 一个人免费在线观看的高清视频| 亚洲国产精品合色在线| 久久久久国内视频| 国内少妇人妻偷人精品xxx网站 | 人人妻人人澡人人看| 亚洲自拍偷在线| 美女扒开内裤让男人捅视频| 亚洲精品色激情综合| 波多野结衣巨乳人妻| 国产亚洲精品久久久久5区| 老熟妇乱子伦视频在线观看| 青草久久国产| 日韩精品青青久久久久久| 狂野欧美激情性xxxx| 国产av一区二区精品久久| 日本一本二区三区精品| 免费高清在线观看日韩| 老司机在亚洲福利影院| 99在线视频只有这里精品首页| 婷婷精品国产亚洲av在线| 人妻久久中文字幕网| 1024香蕉在线观看| 精品高清国产在线一区| а√天堂www在线а√下载| 久热爱精品视频在线9| 1024手机看黄色片| 无遮挡黄片免费观看| 国产精品永久免费网站| 女生性感内裤真人,穿戴方法视频| 一本综合久久免费| 在线观看午夜福利视频| 久久久久久人人人人人| 久久久久国产一级毛片高清牌| 精品国产美女av久久久久小说| 精品国内亚洲2022精品成人| 午夜亚洲福利在线播放| 亚洲中文字幕日韩| 老司机午夜十八禁免费视频| 久久精品国产亚洲av香蕉五月| 免费在线观看日本一区| 日韩欧美免费精品| 中文亚洲av片在线观看爽| 欧美日韩一级在线毛片| 最好的美女福利视频网| 正在播放国产对白刺激| 久久久久久大精品| 午夜激情av网站| 久久久国产成人免费| 久久国产乱子伦精品免费另类| 在线播放国产精品三级| 久久久国产精品麻豆| 国产精品国产高清国产av| 91国产中文字幕| 99国产极品粉嫩在线观看| 精品久久久久久成人av| 亚洲熟妇熟女久久| www日本在线高清视频| a在线观看视频网站| 日韩精品青青久久久久久| 一卡2卡三卡四卡精品乱码亚洲| 欧美黑人欧美精品刺激| 一本综合久久免费| 桃红色精品国产亚洲av| 欧美日本亚洲视频在线播放| 中文字幕最新亚洲高清| 亚洲狠狠婷婷综合久久图片| 在线观看66精品国产| 久99久视频精品免费| 亚洲第一av免费看| 国内精品久久久久精免费| 欧美日韩亚洲综合一区二区三区_| 国语自产精品视频在线第100页| 最近在线观看免费完整版| 亚洲国产精品sss在线观看| 精品第一国产精品| 欧美日韩亚洲综合一区二区三区_| 日本成人三级电影网站| 国内精品久久久久久久电影| 日韩欧美一区视频在线观看| 99国产精品99久久久久| av超薄肉色丝袜交足视频| 精品电影一区二区在线| 国产成人啪精品午夜网站| 在线天堂中文资源库| 757午夜福利合集在线观看| 真人一进一出gif抽搐免费| 2021天堂中文幕一二区在线观 | 国产精品爽爽va在线观看网站 | 狠狠狠狠99中文字幕| 亚洲一区二区三区色噜噜| 在线av久久热| 在线免费观看的www视频| 中文资源天堂在线| 男人的好看免费观看在线视频 | 国产亚洲精品久久久久5区| 一区二区三区激情视频| 久久精品国产99精品国产亚洲性色| 欧美黄色片欧美黄色片| 亚洲自偷自拍图片 自拍| 两性夫妻黄色片| 美女大奶头视频| 高潮久久久久久久久久久不卡| 亚洲欧美一区二区三区黑人| 悠悠久久av| 校园春色视频在线观看| 欧美激情极品国产一区二区三区| 亚洲色图av天堂| 国产成人av教育| 日韩欧美一区二区三区在线观看| 亚洲中文日韩欧美视频| 丝袜人妻中文字幕| 村上凉子中文字幕在线| 高潮久久久久久久久久久不卡| 久久精品国产亚洲av高清一级| 黄色 视频免费看| 国产亚洲欧美精品永久| 日韩三级视频一区二区三区| 欧美日韩精品网址| 精品一区二区三区四区五区乱码| 黄色女人牲交| 女人爽到高潮嗷嗷叫在线视频| 禁无遮挡网站| 搡老岳熟女国产| 成人欧美大片| 国产精品 国内视频| 欧美又色又爽又黄视频| 中文字幕最新亚洲高清| 国产亚洲精品久久久久5区| 麻豆久久精品国产亚洲av| 欧美另类亚洲清纯唯美| 淫秽高清视频在线观看| 黄网站色视频无遮挡免费观看| 免费看日本二区| 变态另类丝袜制服| 国产精品免费视频内射| xxxwww97欧美| 亚洲国产欧洲综合997久久, | 麻豆国产av国片精品| 久久精品夜夜夜夜夜久久蜜豆 | 国语自产精品视频在线第100页| 精品无人区乱码1区二区| 欧美午夜高清在线| 两性午夜刺激爽爽歪歪视频在线观看 | 国内精品久久久久久久电影| 精品乱码久久久久久99久播| 两性午夜刺激爽爽歪歪视频在线观看 | 老司机午夜十八禁免费视频| 亚洲av美国av| 婷婷亚洲欧美| 午夜老司机福利片| 岛国视频午夜一区免费看| 日韩精品中文字幕看吧| 99热6这里只有精品| 免费在线观看完整版高清| 亚洲国产精品合色在线| 久久久精品国产亚洲av高清涩受| 香蕉av资源在线| 欧美性长视频在线观看| 国产成人av教育| 亚洲av美国av| 白带黄色成豆腐渣| 亚洲成a人片在线一区二区| 十八禁网站免费在线| 曰老女人黄片| 免费在线观看亚洲国产| www.999成人在线观看| 婷婷精品国产亚洲av| 国产精品亚洲av一区麻豆| 欧美激情极品国产一区二区三区| 女同久久另类99精品国产91| 精品欧美一区二区三区在线| 久久久久久大精品| 国产99白浆流出| 国产精品 欧美亚洲| 少妇裸体淫交视频免费看高清 | 国产不卡一卡二| 在线观看舔阴道视频|