• <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 ?

    采用空洞卷積的多尺度融合草圖識(shí)別模型

    2021-11-12 02:28:24楊云航閔連權(quán)
    關(guān)鍵詞:池化草圖手繪

    楊云航,閔連權(quán)

    (中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué) 地理空間信息學(xué)院,河南 鄭州 450001)

    草圖自古以來(lái)就是人與人溝通交流的重要手段。隨著電子技術(shù)的發(fā)展以及智能化水平的提高,人們通過(guò)草圖與電子設(shè)備進(jìn)行交互的需求也越來(lái)越高,草圖識(shí)別[1]逐漸成為計(jì)算機(jī)應(yīng)用領(lǐng)域的研究熱點(diǎn)。草圖識(shí)別就是將手繪草圖從筆觸端到空間認(rèn)知端的概念轉(zhuǎn)換,即在特定的草圖應(yīng)用領(lǐng)域背景下,將草圖圖像的非結(jié)構(gòu)化信息賦予具體的形狀語(yǔ)義解析[2]。傳統(tǒng)的草圖識(shí)別依靠尺度不變特征變換算子(Scale-Invariant Feature Transform,SIFT)和方向梯度直方圖(Histogram of Oriented Gradient,HOG)等手工特征提取器提取特征并進(jìn)行標(biāo)注分類(lèi),但手工提取特征方法需要對(duì)圖像進(jìn)行復(fù)雜的預(yù)處理,識(shí)別效果也一般。而深度學(xué)習(xí)在圖像識(shí)別、目標(biāo)檢測(cè)[3]以及圖像分割等領(lǐng)域展現(xiàn)出巨大的潛力。但手繪草圖不同于一般的彩色圖像,它具有高度的語(yǔ)義抽象性和結(jié)構(gòu)多樣性,以及特有的筆畫(huà)稀疏性,且缺少紋理和亮度信息。目前用于圖像識(shí)別的深度學(xué)習(xí)模型主要以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)為基礎(chǔ),但大多數(shù)CNN模型均是針對(duì)一般自然圖像的特點(diǎn)而設(shè)計(jì),并不完全適用于具有筆畫(huà)稀疏性的手繪草圖識(shí)別工作。

    文獻(xiàn)[4]提出了基于深度學(xué)習(xí)的草圖識(shí)別網(wǎng)絡(luò)Sketch-a-Net。在文獻(xiàn)[4]的基礎(chǔ)上,越來(lái)越多以深度學(xué)習(xí)方法為基礎(chǔ)的草圖識(shí)別模型不斷涌現(xiàn)。例如文獻(xiàn)[5]針對(duì)手繪草圖的形狀和結(jié)構(gòu)特點(diǎn),提出了以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的草圖識(shí)別深度網(wǎng)絡(luò)模型;文獻(xiàn)[6]又在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出了基于特征融合草圖識(shí)別方法;文獻(xiàn)[7]借助基于BPSO的反向傳播網(wǎng)絡(luò)來(lái)對(duì)草圖進(jìn)行特征處理,進(jìn)而實(shí)現(xiàn)草圖識(shí)別;文獻(xiàn)[8]將語(yǔ)義樹(shù)與深度學(xué)習(xí)相融合以實(shí)現(xiàn)手繪草圖的識(shí)別;也有借助于基循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)[9-10]和遞歸神經(jīng)網(wǎng)絡(luò)[11]來(lái)進(jìn)行草圖特征的提取工作,除了考慮草圖本身的結(jié)構(gòu)特征,還利用草圖筆畫(huà)的時(shí)序信息對(duì)草圖進(jìn)行初步分類(lèi)。

    然而,大多數(shù)主流的基于深度學(xué)習(xí)的草圖識(shí)別模型都是依靠傳統(tǒng)的卷積方式來(lái)提取草圖特征,而忽略了草圖對(duì)象的筆畫(huà)結(jié)構(gòu),將其直接當(dāng)作自然圖像來(lái)獲取具有判別力的特征[8]。手繪草圖在二維空間中主要以曲線(xiàn)形式進(jìn)行信息傳遞[12],而圖像的其他區(qū)域都是由空白信息組成,如果用較小尺寸的卷積核來(lái)對(duì)草圖特征進(jìn)行提取,勢(shì)必導(dǎo)致曲線(xiàn)之間的空白區(qū)域的無(wú)效信息直接被提取,于是大多數(shù)基于深度學(xué)習(xí)的草圖特征提取模型,都在首層卷積層中使用較大的卷積核,以保證卷積核的感受野足夠大,進(jìn)而能夠提取到更多、更加完整的有效特征信息。

    在普通的卷積操作過(guò)程中,卷積核都是由相鄰的若干個(gè)權(quán)重不為0的卷積單位組成的,一方面,為了更好提取手繪草圖的形狀特征而增大卷積核大小的方式會(huì)造成計(jì)算量的增加;另一方面,大的卷積核也會(huì)提取到曲線(xiàn)包圍范圍內(nèi)的空白無(wú)效特征,對(duì)于有效特征信息的提取和傳遞也會(huì)起到一定的干擾??紤]到這一情況,筆者將空洞卷積[13]引入到草圖識(shí)別中,利用空洞卷積不增加卷積核有效單元數(shù)量而擴(kuò)大感受野的特性,來(lái)實(shí)現(xiàn)對(duì)草圖結(jié)構(gòu)特征的提取,并將空洞卷積與普通卷積融合,以彌補(bǔ)空洞卷積提取特征過(guò)程中遠(yuǎn)距離卷積得到的信息相關(guān)性弱的問(wèn)題,通過(guò)這種多尺度融合特征提取方式來(lái)獲取更加完整的草圖特征信息。在此基礎(chǔ)上,筆者提出了基于空洞卷積的多尺度特征融合草圖識(shí)別模型(Dilated Convolution Sketch Net,DCSNet)。

    1 空洞卷積和普通卷積融合的草圖識(shí)別模型

    1.1 概念定義

    在圖像分割領(lǐng)域,通常使用卷積和池化操作來(lái)增加感受野,同時(shí)也縮小了特征圖尺寸,然后再利用上采樣還原特征圖尺寸。特征圖縮小再放大的過(guò)程造成了分辨率的損失,空洞卷積的特點(diǎn)就是可以在增加感受野的同時(shí)保持輸出特征圖的大小不變,從而代替下采樣和上采樣操作??斩淳矸e與普通卷積的不同之處在于“擴(kuò)張率(dilation rate)”的引入,該參數(shù)定義了卷積核處理數(shù)據(jù)時(shí)各值的間距,具體含義就是在卷積核中填充了(dilation rate-1)個(gè)權(quán)重為0的卷積單元。相比原來(lái)的普通卷積,空洞卷積多了一個(gè)超參數(shù),即有效卷積單位的間隔數(shù)量,而普通卷積核的擴(kuò)張率為1,無(wú)0填充。當(dāng)使用多個(gè)擁有不同擴(kuò)張率的卷積核進(jìn)行組合的時(shí)候,相當(dāng)于將擁有不同的感受野卷積核進(jìn)行組合,即可獲取多尺度上下文信息。

    1.2 空洞卷積提取草圖形狀特征

    空洞卷積的工作原理就是將卷積核的擴(kuò)張率設(shè)置為非1正整數(shù),即在標(biāo)準(zhǔn)的卷積核里間隔注入(dilation rate-1)個(gè)權(quán)重為0的空洞,以此來(lái)增加卷積操作的感受野。實(shí)際上,大多數(shù)手繪草圖圖像包含的實(shí)際有效信息十分有限,草圖大多數(shù)區(qū)域都是由空白信息所填充,雖然大的首層卷積核能更好地提取草圖的形狀特征,但是相對(duì)于草圖識(shí)別模型,過(guò)大的卷積核不僅會(huì)增加大量的計(jì)算量,也會(huì)影響整個(gè)網(wǎng)絡(luò)模型的識(shí)別精度。故在文中提出的DCSNet模型中,考慮到實(shí)驗(yàn)中使用的手繪草圖的實(shí)際尺寸,將基礎(chǔ)卷積核大小為 5×5、擴(kuò)張率為2的空洞卷積作為草圖特征提取的首層卷積層中的部分卷積核。

    因?yàn)檩敵鎏卣鞯某叽绾涂斩磾?shù)無(wú)關(guān),因此可以利用空洞卷積不增加有效卷積單元數(shù)量而增大感受野,且輸出特征的尺寸保持不變的特性來(lái)進(jìn)行特征提取??斩淳矸e的卷積計(jì)算方式與普通卷積基本一致,對(duì)于輸入草圖數(shù)據(jù)F∈RH×W×m,生成的n個(gè)特征圖的任意卷積層的表達(dá)式為

    Y′=Y×f′+b,

    (1)

    其中,Y′∈RH×W×n;f′∈Rm×k×k×n×d;b為偏置參數(shù);m為輸入通道數(shù),由于手繪草圖是單通道圖像,故m=1;n為輸出通道數(shù);d表示卷積核的擴(kuò)張率;k×k表示基礎(chǔ)卷積核的尺寸大小。例如,在文中構(gòu)建的DCSNet模型的首層卷積層中,令k=5,d=2,其等效的普通卷積核大小為k1*k1,k1的計(jì)算公式可表示為

    k1=k+(k-1)(d-1) 。

    (2)

    使用的卷積操作的具體運(yùn)算過(guò)程為

    (3)

    空洞卷積提取草圖特征的具體操作過(guò)程如圖1所示。圖中左上角部分對(duì)應(yīng)的是空洞卷積與草圖空白區(qū)域的卷積過(guò)程。與同等大小的普通卷積核相比,最終的結(jié)果都是提取到無(wú)效的特征信息,但是空洞卷積的計(jì)算量卻大大降低了(與權(quán)重為0的卷積單元發(fā)生的卷積可視為無(wú)效)。左下角對(duì)應(yīng)的是空洞卷積與草圖中帶有筆畫(huà)信息的區(qū)域卷積的過(guò)程,因?yàn)椴輬D的稀疏性特性,由筆畫(huà)包圍的大部分區(qū)域也是由空白信息填充的,空洞卷積不僅能有效的提取到筆畫(huà)信息,也能將筆畫(huà)包圍的無(wú)效信息忽略,做到不遺漏特征信息的同時(shí)降低網(wǎng)絡(luò)參數(shù)。

    圖1 空洞卷積提取草圖特征詳細(xì)過(guò)程

    1.3 空洞卷積與普通卷積融合的多尺度采樣

    由空洞卷積操作得到的某一層的結(jié)果中,鄰近的像素是從相互獨(dú)立的子集中卷積得到的,相互之間缺少依賴(lài),故會(huì)存在局部信息丟失等問(wèn)題。而空洞卷積的稀疏采樣方式,也使得遠(yuǎn)距離卷積得到的信息之間沒(méi)有相關(guān)性,對(duì)分類(lèi)結(jié)果也有一定影響。為了解決以上問(wèn)題,在DCSNet模型的部分卷積采樣層中,將空洞卷積和普通卷積組合進(jìn)行使用,卷積層的輸出特征由兩部分組成。以首層卷積層輸出特征為例,一部分由擴(kuò)張率為2的5×5空洞卷積與輸入草圖卷積操作后的特征組成,另一部分則由普通9×9卷積核與輸入草圖卷積后特征組成,兩部分特征在通道上進(jìn)行拼接后,作為該層卷積層的輸出特征。這樣做的好處是:一方面解決了提取的特征信息相關(guān)性問(wèn)題,同時(shí)也保留了對(duì)草圖形狀特征的稀疏采樣操作;另一方面,使用不同擴(kuò)張率的卷積核,意味著可以擁有不同尺寸的感受野,即獲取了多尺度信息,充分利用了上下文多尺度信息在視覺(jué)任務(wù)中的優(yōu)勢(shì),且這樣的操作不會(huì)影響輸出特征的尺寸。經(jīng)過(guò)多尺度融合采樣輸出特征的計(jì)算過(guò)程為

    YC=Y1⊕Y2,

    (4)

    Y1=max{Y*f1+b1,0} ,

    (5)

    Y2=max{Y*f2+b2,0} ,

    (6)

    其中,YC為該層卷積層的最終輸出,YC∈RH×W×2n,Y是草圖輸入數(shù)據(jù),Y1和Y2分別為空洞卷積和普通卷積操作的輸出結(jié)果,Y1∈RH×W×n,Y2∈RH×W×n,f1∈Rm×k×k×n×d,f2∈Rm×k×k×n。

    1.4 下采樣層與輸出層

    為了對(duì)經(jīng)過(guò)卷積處理的特征進(jìn)行壓縮,并去除冗余信息,需要對(duì)其進(jìn)行池化降維處理,這是一種非線(xiàn)性降采樣的信息傳遞方法。下采樣層也稱(chēng)為池化層。池化層一般夾在連續(xù)的卷積層之間,用于壓縮上一層特征圖的參數(shù)量,過(guò)濾上層特征信息且保持輸出特征近似平移不變。最大池化、平均池化和隨機(jī)池化等都是常用的池化方法。在DCSNet模型中,選擇將最大池化和平均池化交替使用,對(duì)經(jīng)過(guò)卷積處理的特征進(jìn)行降維處理。使用的最大池化和平均池化的計(jì)算過(guò)程如式(7)和式(8)所示:

    Mc=max(Ic(i,j)),i∈(1,H),j∈(1,W) ,

    (7)

    (8)

    其中c表示第c個(gè)特征圖,Mc表示第c個(gè)特征圖經(jīng)過(guò)最大池化操作的輸出;m表示第m個(gè)特征圖,Am表示第m個(gè)特征圖經(jīng)過(guò)平均池化操作的輸出。

    模型的全連接層一共3層,除了最后一層以外,其他層后都緊接著Dropout層。Dropout率為0.5,即舍棄50%輸出單元參數(shù)。然后通過(guò)Softmax函數(shù)得到輸入草圖樣本所屬種類(lèi)的概率分布輸出,設(shè)網(wǎng)絡(luò)原始輸出為yi(y1,y2,…,yn),經(jīng)過(guò)Softmax回歸函數(shù)處理之后的輸出可表示為

    (9)

    其中,c是分類(lèi)數(shù)量,yc*表示c的訓(xùn)練函數(shù)。Softmax對(duì)應(yīng)的損失函數(shù)為

    (10)

    其中,yk的取值為0或者1,草圖訓(xùn)練樣本的輸出為第i類(lèi),yi=1,其余的j≠i都有yj=0。

    1.5 模型總體結(jié)構(gòu)

    DCSNet模型主要包括8層,輸入數(shù)據(jù)由224×224像素大小的草圖圖像組成,其中采樣層由5層卷積層和5層池化層組成,模型結(jié)構(gòu)和模型參數(shù)如圖2和表1所示。與主流的基于卷積神經(jīng)網(wǎng)絡(luò)的草圖識(shí)別模型使用大尺度首層卷積核不同,在DCSNet模型的首層卷積層中,考慮到實(shí)際草圖的尺寸大小,使用的是k=9、d=1和k=5、d=2兩種卷積核,兩種卷積核的尺寸都相對(duì)較小。模型第2層和第4層使用的都是k=5、d=1和k=3、d=2組合卷積核,第3層和第5層分別使用k=5、d=2和k=5、d=1的卷積核。模型中所有卷積操作的步長(zhǎng)都為1,每次卷積操作后面接著使用ReLU激活函數(shù)進(jìn)行去線(xiàn)性化處理,卷積層后交替使用步長(zhǎng)為2的最大池化和平均池化對(duì)輸出特征進(jìn)行降維處理,縮小圖像的尺寸,并在最后去掉了局部相應(yīng)歸一化(Local Response Normalization,LRN)操作。DCSNet模型各階段的輸入與輸出數(shù)據(jù)參數(shù)如表1所示,其中Conv-DC表示空洞卷積,Conv-C表示普通卷積。

    圖2 DCSNet網(wǎng)絡(luò)模型結(jié)構(gòu)

    表1 DCSNet模型部分參數(shù)

    1.6 模型參數(shù)優(yōu)化

    實(shí)驗(yàn)中選擇自適應(yīng)學(xué)習(xí)率作為模型的優(yōu)化算法。設(shè)全局學(xué)習(xí)率為λ,衰減速率為ρ,初始參數(shù)為θ,小常數(shù)δ=10-6,初始化累積變量r=0;從訓(xùn)練集中采集m個(gè)樣本{x(1),…,x(m)}的小批量,x(i)對(duì)應(yīng)y(i)。梯度、累計(jì)平方梯度、參數(shù)更新量的計(jì)算方法如下:

    (11)

    r←ρr+(1-ρ)g⊙g,

    (12)

    (13)

    2 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

    2.1 實(shí)驗(yàn)數(shù)據(jù)

    文獻(xiàn)[1]組織收集整理的手繪草圖集TU-Berlin Sketch,是目前草圖識(shí)別領(lǐng)域應(yīng)用最廣泛的數(shù)據(jù)集之一,故將其作為有效性驗(yàn)證的實(shí)驗(yàn)數(shù)據(jù)。數(shù)據(jù)集包含250類(lèi)常見(jiàn)的手繪草圖,每類(lèi)草圖包含80幅由不同人群手繪完成的草圖,總計(jì)20 000幅。文中選擇PNG圖片格式的數(shù)據(jù)作為實(shí)驗(yàn)對(duì)象,草圖的原始像素大小為1 111×1 111,數(shù)據(jù)集部分草圖如圖3所示。

    圖3 TU-Berlin SKetch草圖樣例

    由于深度學(xué)習(xí)方法需要大量數(shù)據(jù)支撐,訓(xùn)練樣本數(shù)量過(guò)少模型可能會(huì)出現(xiàn)過(guò)擬合的問(wèn)題,故文中采用旋轉(zhuǎn)、圖像平移、加噪、鏡像翻轉(zhuǎn)、隨機(jī)切割、尾部移除等數(shù)據(jù)增強(qiáng)方法對(duì)TU-Berlin SKetch數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增。以上數(shù)據(jù)擴(kuò)增策略讓草圖數(shù)據(jù)集的圖像數(shù)量擴(kuò)增為原來(lái)的6倍。數(shù)據(jù)擴(kuò)增的方法不僅可以增加訓(xùn)練樣本數(shù)量,同時(shí)可以在一定程度上緩解模型過(guò)擬合,提高模型的泛化能力,也提升了實(shí)驗(yàn)過(guò)程的穩(wěn)定性以及實(shí)驗(yàn)結(jié)果的魯棒性。例如,圖像平移的方法可以使得網(wǎng)絡(luò)學(xué)習(xí)到平移不變的特征;圖像旋轉(zhuǎn)的方法可以讓網(wǎng)絡(luò)學(xué)習(xí)旋轉(zhuǎn)不變的特征,在實(shí)際應(yīng)用中,草圖可能有多種不同的姿態(tài),旋轉(zhuǎn)正好可以彌補(bǔ)樣本中姿態(tài)較少的問(wèn)題;而圖像鏡像和旋轉(zhuǎn)的功能類(lèi)似;加噪、隨機(jī)切割、尾部移除都是草圖應(yīng)用領(lǐng)域的常用數(shù)據(jù)擴(kuò)增策略。

    2.2 實(shí)驗(yàn)參數(shù)設(shè)置

    實(shí)驗(yàn)中使用的深度學(xué)習(xí)框架為谷歌推出的Tensorflow,算法采用python編程語(yǔ)言實(shí)現(xiàn),開(kāi)發(fā)平臺(tái)為Pycharm。在CPU環(huán)境(Intel(R)Core(TM)i7-8750H CPU @2.20 GHZ CPU)和GPU環(huán)境(NVIDIA GeForce GTX 1660 Ti GPU)下進(jìn)行訓(xùn)練。實(shí)驗(yàn)中使用的草圖數(shù)據(jù)集一共有120 000張草圖圖像,并按照3∶1∶1的比例將其劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集,三者的數(shù)量分別為72 000、24 000和24 000。為了減少實(shí)驗(yàn)運(yùn)算量,將所有圖像降維到224×224像素,訓(xùn)練結(jié)果采用驗(yàn)證集上的平均識(shí)別準(zhǔn)確率作為評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)使用的度量標(biāo)準(zhǔn)為網(wǎng)絡(luò)的驗(yàn)證集樣本的識(shí)別準(zhǔn)確率(Top1準(zhǔn)確率)。準(zhǔn)確率是指正確分類(lèi)樣本的圖像數(shù)量在所有樣本中的比例:racc=a/y,racc代表驗(yàn)證集中圖像識(shí)別準(zhǔn)確率,a表示驗(yàn)證集中識(shí)別結(jié)果正確的樣本數(shù)量,y表示驗(yàn)證集總樣本數(shù)量。

    2.3 實(shí)驗(yàn)結(jié)果分析

    實(shí)驗(yàn)中,將筆者提出的方法與傳統(tǒng)手工特征提取再進(jìn)行標(biāo)注分類(lèi)的草圖識(shí)別方法以及基于深度學(xué)習(xí)的識(shí)別方法進(jìn)行對(duì)比分析。對(duì)比方法包括HOG-SVM[1]、SIFT-Fisher Vector[14]、AlexNet[15]、Sketch-a-Net[4]、Sketch-Net[16]、deep-CRNN-sketch[11]和DCSN[5],不同方法在TU-Berlin SKetch數(shù)據(jù)集上的最終識(shí)別準(zhǔn)確率結(jié)果如表2所示。

    表2 不同方法對(duì)應(yīng)草圖識(shí)別準(zhǔn)確率結(jié)果對(duì)比 %

    與傳統(tǒng)的非深度學(xué)習(xí)方法HOG-SVM、SIFT-Fisher Vector相比,文中方法在TU-Berlin SKetch數(shù)據(jù)集上的識(shí)別準(zhǔn)確率分別提升了16.6%和11.1%;與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型AlexNet相比,文中方法的識(shí)別準(zhǔn)確率提升了6.7%;與主流基于深度學(xué)習(xí)的草圖識(shí)別模型Sketch-a-Net、Sketch-Net、DCSN、deep-CRNN-sketch相比,文中方法的識(shí)別準(zhǔn)確率分別提升了3.0%、2.2%、2.1%和0.8%。實(shí)驗(yàn)結(jié)果表明:①基于深度學(xué)習(xí)的草圖識(shí)別方法在TU-Berlin SKetch數(shù)據(jù)集上的識(shí)別效果整體上都優(yōu)于傳統(tǒng)的非深度學(xué)習(xí)方法;②針對(duì)草圖識(shí)別而專(zhuān)門(mén)設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型的性能又優(yōu)于針對(duì)自然圖片識(shí)別任務(wù)的神經(jīng)網(wǎng)絡(luò)模型;③引入空洞卷積來(lái)進(jìn)行草圖的形狀特征提取的方法是有效的,將空洞卷積和普通卷積組合的方式也能進(jìn)一步提升模型在TU-Berlin SKetch數(shù)據(jù)集上的識(shí)別準(zhǔn)確率。

    為了探究空洞卷積對(duì)草圖形狀特征提取的有效性,將文中的模型的首層卷積核作為變量,做了以下3組對(duì)照實(shí)驗(yàn)。第1組對(duì)照實(shí)驗(yàn)是將首層卷積核尺寸設(shè)置為5×5,擴(kuò)張率為1;第2組對(duì)照實(shí)驗(yàn)是將首層卷積核尺寸設(shè)置為9×9,擴(kuò)張率為1;第3組對(duì)照實(shí)驗(yàn)是將首層卷積核尺寸設(shè)置為5×5,擴(kuò)張率為2。3組對(duì)照實(shí)驗(yàn)除了首層卷積核參數(shù)與DCSNet模型不同以外,其余部分與DCSNet模型一致。第1組對(duì)照實(shí)驗(yàn)是為了驗(yàn)證大尺寸首層卷積核與小尺寸空洞卷積核的性能差異,第2組對(duì)照實(shí)驗(yàn)是為了驗(yàn)證感受野相同的普通卷積核與空洞卷積核的性能差異,第3組對(duì)照實(shí)驗(yàn)是為了驗(yàn)證只使用空洞卷積和將空洞卷積與普通卷積組合使用兩種方式對(duì)草圖特征提取的影響程度。對(duì)照實(shí)驗(yàn)是為了探究首層卷積核參數(shù)對(duì)模型的識(shí)別準(zhǔn)確率的影響規(guī)律,不同首層卷積核參數(shù)對(duì)應(yīng)的模型識(shí)別準(zhǔn)確率隨迭代次數(shù)變化趨勢(shì)如圖4所示。表3是不同首層卷積核參數(shù)對(duì)應(yīng)的最終草圖識(shí)別正確率對(duì)比,表中k表示卷積核實(shí)際有效尺寸,d表示擴(kuò)張率大小。

    表3 不同首層卷積核參數(shù)對(duì)應(yīng)的草圖識(shí)別正確率

    圖4 對(duì)照組實(shí)驗(yàn)對(duì)應(yīng)模型識(shí)別準(zhǔn)確率

    實(shí)驗(yàn)結(jié)果表明,首層卷積核尺寸為5×5、擴(kuò)張率為2的空洞卷積與卷積核尺寸為9×9、擴(kuò)張率為1的普通卷積的組合方式,比首層卷積核大小為5×5、擴(kuò)張率為1和卷積核大小為9×9、擴(kuò)張率為1以及卷積核大小為5×5、擴(kuò)張率為2的方式識(shí)別準(zhǔn)確率分別提高了3.7%、2.3%和1.1%??梢缘贸觯孩?在首層卷積核中,使用空洞卷積和普通卷積融合的方式對(duì)草圖特征的提取效果優(yōu)于對(duì)照實(shí)驗(yàn)中的其它方式。② 對(duì)于擁有相同大小感受野的空洞卷積和普通卷積,空洞卷積能更好地提取草圖形狀特征。出現(xiàn)這種現(xiàn)象的原因有兩點(diǎn),一是將空洞卷積和普通卷積融合,意味著可以擁有不同尺寸的感受野,即獲取了多尺度信息,提高了卷積核對(duì)草圖特征的提取能力;二是空洞卷積對(duì)于草圖的稀疏性特性擁有更好的適應(yīng)能力,能更有效地提取到草圖的形狀特征。此外,空洞卷積的擴(kuò)張率大小可能也會(huì)對(duì)草圖特征的提取效率產(chǎn)生影響,這也是下一步將要深入研究的方向。

    3 結(jié)束語(yǔ)

    筆者將空洞卷積引入手繪草圖的形狀特征提取中,并以經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型AlexNet為基礎(chǔ),構(gòu)建了采用空洞卷積的多尺度融合草圖識(shí)別模型。通過(guò)空洞卷積和普通卷積的組合,提高網(wǎng)絡(luò)對(duì)草圖形狀結(jié)構(gòu)特征的提取能力,進(jìn)而提高模型的草圖識(shí)別準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,筆者提出的DCSNet模型相較于文獻(xiàn)中的草圖識(shí)別方法和模型,在TU-Berlin SKetch數(shù)據(jù)集上擁有更高的識(shí)別準(zhǔn)確率。

    在未來(lái)的工作中,將進(jìn)一步擴(kuò)展空洞卷積對(duì)草圖圖像結(jié)構(gòu)特征的處理機(jī)制,探討卷積核尺寸以及擴(kuò)張率大小對(duì)草圖特征提取能力的影響程度。

    猜你喜歡
    池化草圖手繪
    基于緊湊型雙線(xiàn)性網(wǎng)絡(luò)的野生茵識(shí)別方法研究
    基于Sobel算子的池化算法設(shè)計(jì)
    手繪風(fēng)景照
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    齊心手繪《清明上河圖》
    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識(shí)別研究
    手繪
    畫(huà)好草圖,尋找球心
    草圖
    手繪二十四節(jié)氣
    亚洲欧洲国产日韩| 建设人人有责人人尽责人人享有的| 午夜免费成人在线视频| 老汉色av国产亚洲站长工具| 成人手机av| 在线av久久热| 又黄又粗又硬又大视频| 亚洲国产精品国产精品| 国产精品一区二区在线观看99| 波多野结衣一区麻豆| 亚洲精品国产色婷婷电影| 国产老妇伦熟女老妇高清| 丁香六月天网| 欧美xxⅹ黑人| 午夜久久久在线观看| 国产精品熟女久久久久浪| 97在线人人人人妻| 亚洲七黄色美女视频| e午夜精品久久久久久久| 久久综合国产亚洲精品| 脱女人内裤的视频| 色播在线永久视频| 在线 av 中文字幕| 精品少妇一区二区三区视频日本电影| 黄网站色视频无遮挡免费观看| 蜜桃国产av成人99| 午夜免费成人在线视频| 久久狼人影院| 尾随美女入室| 岛国毛片在线播放| 国产高清不卡午夜福利| 日韩一本色道免费dvd| 欧美日韩视频精品一区| 亚洲av成人精品一二三区| 777米奇影视久久| 亚洲国产中文字幕在线视频| 久久人人爽av亚洲精品天堂| 国产在视频线精品| 久久精品亚洲熟妇少妇任你| 国产在视频线精品| 日韩 亚洲 欧美在线| 精品少妇一区二区三区视频日本电影| 妹子高潮喷水视频| 欧美日韩亚洲高清精品| 亚洲国产欧美日韩在线播放| 飞空精品影院首页| 国产深夜福利视频在线观看| 国产在线一区二区三区精| 男女午夜视频在线观看| 国产淫语在线视频| 宅男免费午夜| 国产三级黄色录像| 欧美在线一区亚洲| 亚洲一卡2卡3卡4卡5卡精品中文| 成年女人毛片免费观看观看9 | 男女边吃奶边做爰视频| 丰满迷人的少妇在线观看| 久久人人爽av亚洲精品天堂| 日本av手机在线免费观看| 久久 成人 亚洲| 五月天丁香电影| 久久久精品区二区三区| 久久人人97超碰香蕉20202| 欧美在线黄色| 久久久欧美国产精品| 国产欧美日韩精品亚洲av| 叶爱在线成人免费视频播放| 男女免费视频国产| 日韩制服骚丝袜av| 日日摸夜夜添夜夜爱| 三上悠亚av全集在线观看| 巨乳人妻的诱惑在线观看| 人妻 亚洲 视频| 精品人妻熟女毛片av久久网站| 叶爱在线成人免费视频播放| 大话2 男鬼变身卡| 十八禁人妻一区二区| 国产一区二区在线观看av| 熟女少妇亚洲综合色aaa.| 久久午夜综合久久蜜桃| 男男h啪啪无遮挡| 黄色 视频免费看| 老熟女久久久| av视频免费观看在线观看| 久久人妻福利社区极品人妻图片 | av在线app专区| 欧美日韩综合久久久久久| 亚洲成国产人片在线观看| 国产精品熟女久久久久浪| avwww免费| 男女边摸边吃奶| 欧美精品av麻豆av| 999久久久国产精品视频| 久久女婷五月综合色啪小说| 色综合欧美亚洲国产小说| 五月天丁香电影| 一区二区日韩欧美中文字幕| 久久99精品国语久久久| av在线播放精品| 自线自在国产av| 国产有黄有色有爽视频| 黑人猛操日本美女一级片| 亚洲五月色婷婷综合| 欧美激情 高清一区二区三区| 男人操女人黄网站| 久久精品国产综合久久久| 涩涩av久久男人的天堂| 在线看a的网站| 多毛熟女@视频| 精品少妇一区二区三区视频日本电影| 国产精品.久久久| 色婷婷av一区二区三区视频| 国产黄色视频一区二区在线观看| 男女床上黄色一级片免费看| 十分钟在线观看高清视频www| 欧美国产精品va在线观看不卡| 日韩精品免费视频一区二区三区| 免费观看a级毛片全部| 国产99久久九九免费精品| 亚洲 国产 在线| 国产精品av久久久久免费| 可以免费在线观看a视频的电影网站| 五月天丁香电影| 久久久欧美国产精品| 男人操女人黄网站| 一级毛片我不卡| 日韩 欧美 亚洲 中文字幕| 1024视频免费在线观看| 50天的宝宝边吃奶边哭怎么回事| 精品亚洲成国产av| 亚洲人成电影观看| 丰满少妇做爰视频| 日韩精品免费视频一区二区三区| 波多野结衣一区麻豆| 久久精品国产综合久久久| 亚洲国产看品久久| 观看av在线不卡| 精品久久久精品久久久| 美女中出高潮动态图| 这个男人来自地球电影免费观看| 99九九在线精品视频| 精品国产一区二区三区四区第35| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲精品国产av成人精品| 精品视频人人做人人爽| av福利片在线| 午夜激情av网站| 欧美人与善性xxx| 亚洲欧洲国产日韩| 亚洲午夜精品一区,二区,三区| 久久亚洲国产成人精品v| 亚洲人成电影免费在线| 亚洲精品日本国产第一区| 亚洲精品一二三| 香蕉国产在线看| 美女福利国产在线| 久久精品熟女亚洲av麻豆精品| 只有这里有精品99| 一区二区三区乱码不卡18| 精品一品国产午夜福利视频| 青草久久国产| 国产精品熟女久久久久浪| 宅男免费午夜| 中文字幕色久视频| 免费在线观看影片大全网站 | 久久久久久久精品精品| 欧美97在线视频| 国产精品偷伦视频观看了| 少妇猛男粗大的猛烈进出视频| 日韩视频在线欧美| 久久精品久久久久久噜噜老黄| 国产精品久久久久成人av| 另类亚洲欧美激情| 日韩制服骚丝袜av| 久久精品久久久久久久性| 国产精品一区二区在线观看99| 免费久久久久久久精品成人欧美视频| 久久人人97超碰香蕉20202| 大型av网站在线播放| 色视频在线一区二区三区| 人人妻,人人澡人人爽秒播 | 欧美国产精品va在线观看不卡| 熟女av电影| 亚洲伊人久久精品综合| 丰满饥渴人妻一区二区三| 老司机影院毛片| 国产成人啪精品午夜网站| 免费在线观看影片大全网站 | 丝袜美足系列| 亚洲国产精品999| 日韩一卡2卡3卡4卡2021年| 亚洲欧美中文字幕日韩二区| 免费高清在线观看日韩| 亚洲情色 制服丝袜| 精品亚洲成国产av| 久久性视频一级片| 中文乱码字字幕精品一区二区三区| 亚洲成av片中文字幕在线观看| 一级毛片 在线播放| 亚洲成人免费电影在线观看 | 九色亚洲精品在线播放| 人体艺术视频欧美日本| 欧美中文综合在线视频| videos熟女内射| 国产成人影院久久av| 亚洲国产欧美网| 男人添女人高潮全过程视频| 亚洲伊人久久精品综合| 免费在线观看影片大全网站 | 欧美日韩国产mv在线观看视频| 成人午夜精彩视频在线观看| 中文字幕色久视频| 亚洲精品国产区一区二| 国产女主播在线喷水免费视频网站| 久久久久久久精品精品| 午夜免费观看性视频| 在线观看免费午夜福利视频| 9热在线视频观看99| 国产欧美亚洲国产| 欧美久久黑人一区二区| avwww免费| 成人黄色视频免费在线看| 欧美国产精品一级二级三级| 99国产精品一区二区三区| 精品亚洲成国产av| 大话2 男鬼变身卡| 高清av免费在线| 亚洲欧美成人综合另类久久久| 9色porny在线观看| 精品视频人人做人人爽| 成人国语在线视频| 一区二区三区激情视频| 一本一本久久a久久精品综合妖精| 欧美日韩视频精品一区| 亚洲欧美一区二区三区国产| 性色av乱码一区二区三区2| 久久综合国产亚洲精品| 精品一品国产午夜福利视频| 亚洲精品乱久久久久久| 亚洲国产欧美日韩在线播放| 国产黄色免费在线视频| 美女国产高潮福利片在线看| 国产免费现黄频在线看| 两个人看的免费小视频| 国产日韩欧美在线精品| 一级毛片 在线播放| 亚洲av综合色区一区| 满18在线观看网站| 人妻人人澡人人爽人人| 亚洲成色77777| 青春草亚洲视频在线观看| 无遮挡黄片免费观看| 欧美精品一区二区免费开放| 精品少妇一区二区三区视频日本电影| 丝袜美腿诱惑在线| 在线观看免费高清a一片| 国产午夜精品一二区理论片| 最新在线观看一区二区三区 | 永久免费av网站大全| 真人做人爱边吃奶动态| 日本黄色日本黄色录像| 亚洲欧洲精品一区二区精品久久久| 丁香六月天网| 日本vs欧美在线观看视频| 国产精品一二三区在线看| 亚洲欧美一区二区三区黑人| 91九色精品人成在线观看| 国产精品二区激情视频| 欧美精品av麻豆av| 两个人免费观看高清视频| 操美女的视频在线观看| 自线自在国产av| 在线观看免费日韩欧美大片| 一级黄片播放器| 狠狠婷婷综合久久久久久88av| 一区二区三区四区激情视频| 99国产精品免费福利视频| 男女边吃奶边做爰视频| 成年动漫av网址| 免费不卡黄色视频| 每晚都被弄得嗷嗷叫到高潮| 大香蕉久久成人网| 美女国产高潮福利片在线看| 男女免费视频国产| 2021少妇久久久久久久久久久| 美女高潮到喷水免费观看| 亚洲av电影在线观看一区二区三区| 精品国产一区二区三区四区第35| 中文字幕色久视频| av在线老鸭窝| 成人国语在线视频| 国产亚洲av片在线观看秒播厂| 别揉我奶头~嗯~啊~动态视频 | 亚洲视频免费观看视频| 黑人猛操日本美女一级片| 亚洲欧美色中文字幕在线| 亚洲av成人精品一二三区| 欧美日韩黄片免| 久久天躁狠狠躁夜夜2o2o | 只有这里有精品99| 日韩一区二区三区影片| 国产成人影院久久av| 国产片特级美女逼逼视频| 黑丝袜美女国产一区| 啦啦啦中文免费视频观看日本| 国产一卡二卡三卡精品| 国产高清国产精品国产三级| 国产不卡av网站在线观看| av网站在线播放免费| 男女午夜视频在线观看| e午夜精品久久久久久久| 18禁观看日本| 午夜av观看不卡| 狂野欧美激情性bbbbbb| 美女大奶头黄色视频| 婷婷色综合www| 夫妻性生交免费视频一级片| 91精品伊人久久大香线蕉| 欧美人与善性xxx| 中文字幕最新亚洲高清| 亚洲精品一二三| 多毛熟女@视频| 国产真人三级小视频在线观看| 日韩一卡2卡3卡4卡2021年| 国产欧美日韩一区二区三区在线| 日韩伦理黄色片| 老汉色∧v一级毛片| 十八禁人妻一区二区| 国产精品99久久99久久久不卡| 日本a在线网址| 亚洲成人手机| 久久女婷五月综合色啪小说| av国产久精品久网站免费入址| 亚洲精品美女久久av网站| 久久综合国产亚洲精品| www.999成人在线观看| 国产视频首页在线观看| 宅男免费午夜| 久久久久久久久免费视频了| 久久精品国产亚洲av涩爱| 9色porny在线观看| www.999成人在线观看| 两个人看的免费小视频| 91精品三级在线观看| 中国国产av一级| 亚洲视频免费观看视频| 两个人看的免费小视频| 欧美人与善性xxx| 欧美久久黑人一区二区| 中文字幕人妻丝袜一区二区| 欧美日韩视频高清一区二区三区二| 91麻豆精品激情在线观看国产 | 99热全是精品| 成人手机av| 在线观看www视频免费| 国产黄色免费在线视频| 黄网站色视频无遮挡免费观看| 婷婷色麻豆天堂久久| 97精品久久久久久久久久精品| 一级片免费观看大全| 欧美日韩av久久| 国产女主播在线喷水免费视频网站| 在现免费观看毛片| 永久免费av网站大全| 中文乱码字字幕精品一区二区三区| 在线看a的网站| 在线 av 中文字幕| 日韩av不卡免费在线播放| 国产精品久久久久久精品电影小说| 亚洲一码二码三码区别大吗| 国精品久久久久久国模美| 在线观看一区二区三区激情| 一级片免费观看大全| 丰满迷人的少妇在线观看| 精品亚洲乱码少妇综合久久| 电影成人av| 久久国产精品人妻蜜桃| 亚洲国产成人一精品久久久| 久久精品国产亚洲av高清一级| 一级毛片女人18水好多 | 成年人黄色毛片网站| 日日爽夜夜爽网站| 国产日韩欧美在线精品| 免费观看a级毛片全部| 中文乱码字字幕精品一区二区三区| 99re6热这里在线精品视频| 国产精品亚洲av一区麻豆| 性色av一级| 精品久久久久久久毛片微露脸 | 久久九九热精品免费| 在线观看免费高清a一片| 免费看不卡的av| 777米奇影视久久| 侵犯人妻中文字幕一二三四区| 97人妻天天添夜夜摸| 黄色一级大片看看| 欧美日韩精品网址| 精品人妻熟女毛片av久久网站| 十分钟在线观看高清视频www| 久久久久久久精品精品| 男男h啪啪无遮挡| 久久精品aⅴ一区二区三区四区| 亚洲人成电影免费在线| 欧美精品亚洲一区二区| 色94色欧美一区二区| 中文字幕最新亚洲高清| 涩涩av久久男人的天堂| 大香蕉久久成人网| 欧美性长视频在线观看| 啦啦啦 在线观看视频| 一级片'在线观看视频| 亚洲 国产 在线| 这个男人来自地球电影免费观看| 亚洲成人手机| 精品国产一区二区三区四区第35| 久久久亚洲精品成人影院| 9191精品国产免费久久| 国产av一区二区精品久久| 婷婷色综合大香蕉| 高清欧美精品videossex| 黄色一级大片看看| 国产精品 欧美亚洲| videos熟女内射| 最黄视频免费看| 乱人伦中国视频| 亚洲成国产人片在线观看| 美女中出高潮动态图| 精品一区在线观看国产| 久久鲁丝午夜福利片| 王馨瑶露胸无遮挡在线观看| 久久人妻熟女aⅴ| 曰老女人黄片| 丝袜人妻中文字幕| 少妇粗大呻吟视频| 女警被强在线播放| 欧美av亚洲av综合av国产av| 免费av中文字幕在线| 国产一卡二卡三卡精品| 啦啦啦在线免费观看视频4| 中文字幕人妻丝袜一区二区| 黑人猛操日本美女一级片| 男女午夜视频在线观看| 午夜福利在线免费观看网站| 国产精品免费大片| 国产深夜福利视频在线观看| 波多野结衣一区麻豆| 热99国产精品久久久久久7| 伊人亚洲综合成人网| 99热全是精品| 视频区图区小说| 欧美av亚洲av综合av国产av| 伦理电影免费视频| 国产亚洲欧美在线一区二区| 又黄又粗又硬又大视频| 亚洲av国产av综合av卡| 久久av网站| av国产精品久久久久影院| 国产高清不卡午夜福利| 精品福利观看| 亚洲天堂av无毛| av在线app专区| 亚洲国产中文字幕在线视频| 高清视频免费观看一区二区| 热re99久久国产66热| 国产成人精品久久久久久| 亚洲五月色婷婷综合| 99精品久久久久人妻精品| 涩涩av久久男人的天堂| 激情五月婷婷亚洲| 五月开心婷婷网| 无限看片的www在线观看| 伊人亚洲综合成人网| 婷婷色av中文字幕| 日韩大片免费观看网站| 蜜桃在线观看..| 黄色毛片三级朝国网站| 亚洲av日韩在线播放| 麻豆乱淫一区二区| 精品一区二区三区四区五区乱码 | 亚洲av欧美aⅴ国产| 妹子高潮喷水视频| 国产97色在线日韩免费| 国产精品国产av在线观看| 日日爽夜夜爽网站| 亚洲欧美精品自产自拍| 久久精品久久久久久久性| 日韩制服骚丝袜av| 80岁老熟妇乱子伦牲交| 国产免费视频播放在线视频| 久久99一区二区三区| 日韩一区二区三区影片| 日韩制服骚丝袜av| 赤兔流量卡办理| 国产99久久九九免费精品| 中文字幕另类日韩欧美亚洲嫩草| 秋霞在线观看毛片| 日韩一卡2卡3卡4卡2021年| 久久亚洲精品不卡| 国产99久久九九免费精品| 狠狠婷婷综合久久久久久88av| 亚洲精品成人av观看孕妇| 又大又黄又爽视频免费| 成年动漫av网址| 久久青草综合色| 成年美女黄网站色视频大全免费| 亚洲成人免费电影在线观看 | 久久久精品免费免费高清| 国产av国产精品国产| 肉色欧美久久久久久久蜜桃| 黄网站色视频无遮挡免费观看| 国产一区二区在线观看av| 久久久精品免费免费高清| 啦啦啦视频在线资源免费观看| 最近最新中文字幕大全免费视频 | 成人国产av品久久久| 悠悠久久av| 十分钟在线观看高清视频www| 国产午夜精品一二区理论片| 午夜日韩欧美国产| 中国美女看黄片| 嫩草影视91久久| 国产精品欧美亚洲77777| 国产一区二区激情短视频 | 午夜福利乱码中文字幕| 免费一级毛片在线播放高清视频 | 成人免费观看视频高清| 精品高清国产在线一区| 精品久久久久久久毛片微露脸 | 国产高清国产精品国产三级| kizo精华| 黑人欧美特级aaaaaa片| 99国产精品免费福利视频| av在线播放精品| 性高湖久久久久久久久免费观看| 色播在线永久视频| 欧美日韩亚洲综合一区二区三区_| 亚洲精品国产av成人精品| 国产成人精品久久久久久| 亚洲一区中文字幕在线| 亚洲国产欧美一区二区综合| 九色亚洲精品在线播放| 十八禁人妻一区二区| 婷婷成人精品国产| 久久精品久久久久久噜噜老黄| 黑人巨大精品欧美一区二区蜜桃| 午夜老司机福利片| 亚洲成人免费av在线播放| 亚洲国产欧美在线一区| 一区福利在线观看| 国产片内射在线| 国产精品二区激情视频| 在线观看免费高清a一片| 肉色欧美久久久久久久蜜桃| a级毛片黄视频| 亚洲av国产av综合av卡| 国产亚洲一区二区精品| 亚洲一卡2卡3卡4卡5卡精品中文| 国产视频一区二区在线看| 美女午夜性视频免费| 国产在线视频一区二区| 夜夜骑夜夜射夜夜干| 男女之事视频高清在线观看 | 好男人电影高清在线观看| 首页视频小说图片口味搜索 | 亚洲av电影在线观看一区二区三区| 日本黄色日本黄色录像| 在线观看免费高清a一片| 国产高清不卡午夜福利| 日本欧美国产在线视频| 免费人妻精品一区二区三区视频| 国产精品国产三级国产专区5o| 又大又黄又爽视频免费| 亚洲第一av免费看| 9色porny在线观看| 欧美日韩亚洲综合一区二区三区_| 午夜久久久在线观看| 看免费成人av毛片| 午夜91福利影院| 亚洲国产欧美一区二区综合| 亚洲国产成人一精品久久久| 亚洲国产av新网站| avwww免费| 校园人妻丝袜中文字幕| 久久人妻熟女aⅴ| 久久久久网色| 国产精品国产三级专区第一集| 国产欧美日韩一区二区三区在线| 各种免费的搞黄视频| 久久天堂一区二区三区四区| 亚洲精品av麻豆狂野| 大话2 男鬼变身卡| 在线观看www视频免费| 亚洲伊人久久精品综合| 成人午夜精彩视频在线观看| 99国产精品99久久久久| 交换朋友夫妻互换小说| 亚洲精品国产区一区二| 国产精品亚洲av一区麻豆| 一区二区日韩欧美中文字幕| 国产精品一区二区免费欧美 | 欧美激情高清一区二区三区| 精品福利观看| 又大又黄又爽视频免费| avwww免费| 久久 成人 亚洲| 黄色一级大片看看| a级毛片黄视频| 99热国产这里只有精品6| 午夜福利乱码中文字幕| 50天的宝宝边吃奶边哭怎么回事| 午夜福利在线免费观看网站| www日本在线高清视频| 亚洲精品日韩在线中文字幕| 欧美成人精品欧美一级黄| 18禁裸乳无遮挡动漫免费视频|