• <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 ?

    基于深度學(xué)習(xí)的多尺度導(dǎo)彈發(fā)射井目標(biāo)檢測*

    2021-11-25 07:41:18孟曦婷計璐艷趙永超楊煒暾
    關(guān)鍵詞:分辨率尺度特征

    孟曦婷,計璐艷,趙永超,楊煒暾

    (中國科學(xué)院空天信息創(chuàng)新研究院 中國科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點實驗室,北京 100094; 中國科學(xué)院大學(xué),北京 100049)

    遙感圖像目標(biāo)檢測是遙感領(lǐng)域研究的熱點問題之一,在軍事偵察、地質(zhì)勘探、城市建設(shè)等多個領(lǐng)域發(fā)揮著重要作用。軍事目標(biāo)檢測是遙感圖像目標(biāo)檢測的一個重要分支。在軍事目標(biāo)中,導(dǎo)彈發(fā)射井[1-3]作為導(dǎo)彈發(fā)射陣地的主要樣式,是重要的軍事目標(biāo)之一。發(fā)射井目標(biāo)檢測的研究可以在軍事偵察和戰(zhàn)略部署等方面為國防項目提供幫助與支持。發(fā)射井目標(biāo)檢測任務(wù)具有以下2個特點:1)樣本數(shù)量少,沒有已標(biāo)注的可用于研究的數(shù)據(jù)集;2)發(fā)射井在不同分辨率的遙感圖像中呈現(xiàn)多尺度的特性。目前針對發(fā)射井目標(biāo)檢測方面的相關(guān)研究甚少,研究如何針對導(dǎo)彈發(fā)射井進(jìn)行檢測具有重要意義。

    針對上述問題,本文提出導(dǎo)彈發(fā)射井目標(biāo)檢測研究方法。首先,構(gòu)建首個發(fā)射井目標(biāo)檢測數(shù)據(jù)集,實現(xiàn)從無到有的突破,可以為后續(xù)相關(guān)領(lǐng)域的研究提供支持。其次,設(shè)計一個適用于多尺度發(fā)射井目標(biāo)檢測任務(wù)的檢測模型,有效解決了導(dǎo)彈發(fā)射井目標(biāo)檢測問題,檢測效果良好。最后,在公開遙感數(shù)據(jù)集上對模型進(jìn)行測試,證明該方法在其他遙感圖像場景同樣適用。

    1 研究現(xiàn)狀

    傳統(tǒng)的目標(biāo)檢測算法是通過滑動窗口遍歷整幅圖像,從而獲取目標(biāo)可能存在的區(qū)域,然后對這些區(qū)域進(jìn)行特征提取,常見的圖像手工設(shè)計特征有尺度不變特征變換(scale-invariant feature transform,SIFT)[4]、方向梯度直方圖(histogram of oriented gradient,HOG)[5]、局部二值模式(local binary pattern,LBP)[6]和Haar-like[7]等特征,最后使用分類器對這些提取的窗口特征進(jìn)行分類,判斷是否含有目標(biāo)并得到目標(biāo)的類別,常見的分類器有支持向量機(support vector machine,SVM)[8]、Adaboost[9]等。目前隨著遙感技術(shù)的發(fā)展,不同場景下的高分辨率遙感圖像不斷涌現(xiàn),傳統(tǒng)目標(biāo)檢測算法受限于其對先驗知識和數(shù)據(jù)本身特征的依賴,并不適用于該場景下的目標(biāo)檢測任務(wù)。

    深度神經(jīng)網(wǎng)絡(luò)能夠從海量的數(shù)據(jù)中自動學(xué)習(xí)特征,在自然場景目標(biāo)檢測任務(wù)中,典型的基于深度學(xué)習(xí)的算法[10-16]取得了優(yōu)異的檢測效果。R-CNN(region-convolutional neural networks)[10]提出雙階段檢測網(wǎng)絡(luò)并取得了突破性進(jìn)展,此后雙階段檢測模型成為目標(biāo)檢測任務(wù)的重要方法。在R-CNN的基礎(chǔ)上,F(xiàn)ast R-CNN[12]、Faster R-CNN[17]和R-FCN(region-based fully convolutional networks)[15]等基于區(qū)域生成的雙階段檢測模型不斷涌現(xiàn),這些算法在降低網(wǎng)絡(luò)計算復(fù)雜度的同時提升了檢測精度。為了提升多尺度目標(biāo)檢測的效果,特征金字塔網(wǎng)絡(luò)(feature pyramid networks,F(xiàn)PN)[18]在Faster R-CNN模型的基礎(chǔ)上提出融合多尺度特征圖的思想,充分利用各個分辨率下的特征信息。SSD(single shot multibox detector)[13]和YOLO(you only look once)[19]是典型的單階段目標(biāo)檢測算法,其思想是基于回歸的檢測方法,極大地提高了算法的檢測速度。Cascade R-CNN[20]是典型的多階段檢測模型,它采用多階段迭代回歸的思想逐步提高候選區(qū)域的質(zhì)量,有效地提升了檢測效果。

    由于深度神經(jīng)網(wǎng)絡(luò)在自然場景目標(biāo)檢測任務(wù)中的出色表現(xiàn),學(xué)者們開始將其應(yīng)用于遙感圖像目標(biāo)檢測任務(wù)中。R-P-Faster R-CNN[21]在小數(shù)據(jù)集上實現(xiàn)了令人滿意的檢測效果。Xu等[22]將可變形卷積層[23]與R-FCN結(jié)合進(jìn)一步提高了檢測精度。Ren等[24]采用自頂向下和橫向連接的方式生成一張高分辨率高質(zhì)量的特征圖,進(jìn)一步提高了可變形Faster R-CNN模型的性能。

    在目前已經(jīng)發(fā)表的論文中,還沒有學(xué)者針對導(dǎo)彈發(fā)射井目標(biāo)檢測進(jìn)行研究,因此本文的研究方向新穎且具有重要意義。

    2 研究區(qū)域及數(shù)據(jù)

    2.1 研究區(qū)域

    本文研究的目標(biāo)是導(dǎo)彈發(fā)射井,研究區(qū)域為北美中部,用于構(gòu)建數(shù)據(jù)集的發(fā)射井目標(biāo)均位于此區(qū)域內(nèi),目標(biāo)圖像來自于Google Earth。由于Google Earth中的圖像是不同分辨率下的遙感圖像,所以發(fā)射井目標(biāo)在圖像中呈現(xiàn)多尺度特性。

    2.2 數(shù)據(jù)

    由于發(fā)射井目標(biāo)的數(shù)量較少,目前沒有可用于研究的數(shù)據(jù)集,因此在設(shè)計檢測算法之前,構(gòu)建有效的能夠用于發(fā)射井目標(biāo)檢測的數(shù)據(jù)集至關(guān)重要。本文以來自Google Earth公開遙感圖像平臺的數(shù)據(jù)為基礎(chǔ)進(jìn)行數(shù)據(jù)集的構(gòu)建。原始數(shù)據(jù)共有178個發(fā)射井目標(biāo),原始圖像大小為1 280像素×720像素,具有RGB 3個通道,發(fā)射井形態(tài)主要有2種:突顯和半淹沒。在構(gòu)建數(shù)據(jù)集的過程中,本文充分滿足了數(shù)據(jù)集的多樣性、充分性和魯棒性3個條件。主要構(gòu)建步驟如下:

    步驟1針對目標(biāo)的尺度多樣性,獲取數(shù)據(jù)集原始圖像。對于相同的區(qū)域,在不同分辨率條件下,Google Earth中獲取的圖像有所不同,這導(dǎo)致發(fā)射井目標(biāo)在圖像中尺度大小存在差異。為了適應(yīng)不同分辨率下的發(fā)射井檢測任務(wù),本文分別在Google Earth上獲取5個不同分辨率下的發(fā)射井目標(biāo)圖像。發(fā)射井的實際尺寸約為24.5 m×21 m(由于發(fā)射井形狀不規(guī)則,這里采用的是建筑體外接矩形的尺寸),如圖1(a)分別展示了原始數(shù)據(jù)集中5個尺度下的圖像樣例,表1中對每個尺度下發(fā)射井的大小及圖像分辨率做了詳細(xì)說明,其中尺度6的圖像僅在預(yù)測時使用。隨著圖像分辨率的降低,發(fā)射井目標(biāo)的尺寸逐漸減小,Google Earth不同分辨率下的圖像中,發(fā)射井目標(biāo)呈現(xiàn)多尺度特性。本文通過采集不同分辨率下的發(fā)射井目標(biāo)圖像,保證了數(shù)據(jù)集中目標(biāo)的尺度多樣性。

    圖1 數(shù)據(jù)集典型樣本Fig.1 Typical samples of the dataset

    步驟2數(shù)據(jù)集預(yù)處理。獲取178個發(fā)射井目標(biāo)在5個不同分辨率下的圖像后,從中隨機選取150個發(fā)射井作為訓(xùn)練樣本,其余樣本用于最終評估算法的有效性。然后,對訓(xùn)練樣本的所有圖像進(jìn)行人工標(biāo)注,這里采用的標(biāo)注策略與VOC2007數(shù)據(jù)集[25]的標(biāo)注方式相同。同時,為了降低檢測網(wǎng)絡(luò)的計算復(fù)雜度,將原始圖像統(tǒng)一裁剪為800×800,重疊率為200像素。

    表1 各尺度發(fā)射井尺寸及圖像分辨率說明Table 1 The wells’ scale and the images’ resolution

    步驟3為保證數(shù)據(jù)集目標(biāo)的形態(tài)多樣性,本文進(jìn)行一系列數(shù)據(jù)增強操作。在實際采集遙感圖像時,傳感器成像時的角度和方位有所變化,因此導(dǎo)彈發(fā)射井在圖像中的方向和角度會存在差異。在構(gòu)建數(shù)據(jù)集的過程中,需要充分考慮到目標(biāo)角度和方位的多樣性。針對目標(biāo)的形態(tài)多樣性,本文主要對原始數(shù)據(jù)集進(jìn)行了一系列數(shù)據(jù)增強操作,增強方式包括水平翻轉(zhuǎn)、上下翻轉(zhuǎn)、順時針旋轉(zhuǎn)45°/135°和逆時針旋轉(zhuǎn)45°/135°,圖1(b)展示了部分增強后樣本。通過以上數(shù)據(jù)增強操作,數(shù)據(jù)集中發(fā)射井目標(biāo)的形態(tài)多樣性得到保證。

    步驟4通過目標(biāo)填充的方法保證數(shù)據(jù)集的背景復(fù)雜性。眾所周知,背景紛繁復(fù)雜是遙感圖像的重要特點之一。從Google Earth上獲取的發(fā)射井目標(biāo)圖像背景較為單一,在實際檢測過程中遙感圖像的背景較復(fù)雜,而且可能存在一些相似的負(fù)樣本。為了使算法能夠在復(fù)雜背景下檢測發(fā)射井,并且有效區(qū)分出相似的負(fù)樣本,需要增加數(shù)據(jù)集背景的復(fù)雜性和多樣性。為了增加數(shù)據(jù)集的魯棒性,采用一種叫做目標(biāo)填充的方式。這種方法的主要思想是將發(fā)射井目標(biāo)裁剪下來,填充到目標(biāo)較多背景較復(fù)雜的遙感圖像中去,通過對這樣的數(shù)據(jù)集進(jìn)行訓(xùn)練,提高網(wǎng)絡(luò)在復(fù)雜背景下的魯棒性,降低網(wǎng)絡(luò)在復(fù)雜場景下將非目標(biāo)檢測為發(fā)射井目標(biāo)的概率,即降低虛警率,圖1(b)展示了目標(biāo)填充后的圖像。

    最終,本文構(gòu)建出完整的用于發(fā)射井目標(biāo)檢測任務(wù)的數(shù)據(jù)集,數(shù)據(jù)集中共10 000張圖像,該數(shù)據(jù)集滿足多樣性、充分性和魯棒性3個條件。

    3 研究方法

    本文在Cascade R-CNN[20]模型的基礎(chǔ)上進(jìn)行改進(jìn),提出改進(jìn)的多階段檢測算法,圖2展示了該算法的整體結(jié)構(gòu)。在生成候選區(qū)域階段,通過改變FPN中特征圖的融合方式,使得網(wǎng)絡(luò)能夠在訓(xùn)練中根據(jù)發(fā)射井目標(biāo)特性,自動學(xué)習(xí)出特征融合的方式。在精檢測階段,模型通過特征圖的堆疊充分利用上下文信息,并采用級聯(lián)多階段檢測的方法降低發(fā)射井目標(biāo)檢測的虛警率。

    圖2 整體網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The structure of the proposed network

    3.1 多尺度特征融合網(wǎng)絡(luò)

    在不同分辨率的遙感圖像中,導(dǎo)彈發(fā)射井目標(biāo)的尺度差異較大,在檢測發(fā)射井的過程中,需要充分考慮到各個尺度發(fā)射井的檢測效果。

    特征融合 在神經(jīng)網(wǎng)絡(luò)中,隨著網(wǎng)絡(luò)層次的加深,特征圖的分辨率逐漸降低、語義信息不斷增強。淺層特征圖包含更準(zhǔn)確的位置信息,深層特征圖包含更豐富的語義信息。同時,高分辨率的特征圖感受野較小,適合小尺寸目標(biāo)檢測,低分辨率的特征圖感受野較大,適合大尺寸目標(biāo)的檢測。FPN采用將淺層特征圖和深層特征圖結(jié)合的思想,它通過特征融合的方式提升了多尺度目標(biāo)檢測的效果。

    融合方式 FPN通過橫向連接,將自下而上和自上而下網(wǎng)絡(luò)中相同尺度的特征圖進(jìn)行融合。深層的特征圖經(jīng)過最近鄰上采樣后得到分辨率較高的特征圖,隨后該特征圖通過逐像素相加的方式與自下而上網(wǎng)絡(luò)中相同分辨率的特征圖進(jìn)行融合。我們都知道,深層特征圖中包含的位置信息較弱,采用最近鄰上采樣的方式得到的特征圖中位置信息仍然存在較大偏差。FPN采用逐像素相加的方式,并沒有根據(jù)自下而上網(wǎng)絡(luò)中特征圖中的目標(biāo)特征進(jìn)行位置信息的矯正。同時,這種融合方式的普適性較差,網(wǎng)絡(luò)無法根據(jù)不同目標(biāo)特征學(xué)習(xí)到最好的融合方法。以上因素均會導(dǎo)致檢測結(jié)果中的位置信息不準(zhǔn)確。

    基于以上分析,本文在FPN的基礎(chǔ)上改進(jìn)特征融合方式,設(shè)計了特征融合模塊(feature fusion module,F(xiàn)FM),圖2詳細(xì)展示了FFM的特征融合方式。首先,自下而上網(wǎng)絡(luò)中的特征圖經(jīng)過一個1×1卷積層后,與經(jīng)過上采樣后相同分辨率的特征圖堆疊。然后,堆疊得到的特征圖通過一個3×3卷積層進(jìn)行特征融合,得到一個包含多尺度目標(biāo)信息的特征圖。FFM采用3×3卷積層完成特征融合操作,由于卷積層的權(quán)重可在網(wǎng)絡(luò)訓(xùn)練過程中自動學(xué)習(xí)得到,所以這種融合方式可以根據(jù)目標(biāo)特征學(xué)習(xí)到最好的融合方式。相比于逐像素相加的方式,本文設(shè)計的FFM更具有可優(yōu)化性和普適性。

    遙感圖像中存在許多形狀大小與發(fā)射井較為相似的目標(biāo),除改進(jìn)特征融合方式,本文也重新調(diào)整了錨框的設(shè)置方式。在圖2的網(wǎng)絡(luò)中,為充分覆蓋不同狀態(tài)下的導(dǎo)彈發(fā)射井目標(biāo),在{F2,F3,F4,F5,F6}上預(yù)定義尺寸為{32×32,64×64,128×128,256×256,512×512}的錨框,每個錨框長寬比設(shè)置為{1/6,1/4,1/2,1,2/1,4,6}。實際檢測時,由于傳感器的方位角度會有所不同,圖像中發(fā)射井的形狀大小可能會有變化,本文的錨框設(shè)置方式可以盡可能保證更多的真實目標(biāo)邊框被分類為正樣本。在生成候選區(qū)域階段,本文采用與FPN相同的錨框分類策略,即當(dāng)IoU>0.7時,將候選區(qū)域判定為正樣本,當(dāng)IoU<0.3時,將候選區(qū)域判定為背景。

    3.2 多階段級聯(lián)檢測

    在生成候選區(qū)域階段,本文通過特征融合的方式得到各個尺度下的特征圖。在精檢測階段,需要在特征圖上剪裁對應(yīng)的候選區(qū)域進(jìn)行更精細(xì)的分類和回歸。FPN網(wǎng)絡(luò)是將候選區(qū)域通過某種策略分配到各個尺度的特征圖中,然后分別在{F2,F3,F4,F5}裁剪相應(yīng)尺度下的候選區(qū)域。FPN剪裁候選區(qū)域的方式只利用了單個分辨率的特征圖信息,然而特征圖中的上下文信息對于目標(biāo)的定位至關(guān)重要,充分利用多尺度特征圖的目標(biāo)信息可以使定位更準(zhǔn)確。正如3.1節(jié)中分析的,深層特征圖具有較大的感受野,能夠提供粗略的信息來確定目標(biāo)是否在視野中,淺層特征圖則有更小的感受野以及更加細(xì)節(jié)的特征,使得神經(jīng)網(wǎng)絡(luò)能夠更加細(xì)致地定位目標(biāo),這與人眼在定位圖像中物體時的原理相同。

    基于以上討論,本文在精檢測階段結(jié)合各個分辨率下的特征圖,充分利用目標(biāo)的上下文信息,具體網(wǎng)絡(luò)結(jié)構(gòu)如圖2中檢測網(wǎng)絡(luò)部分所示。具體地,先將{F3,F4,F5}上采樣至F2大小(F2的尺寸為200×200,相對于輸入圖像的步長為4),然后將{F2,F3,F4,F5}堆疊成特征圖Dconcat,Dconcat中富含豐富的上下文信息,所有的候選區(qū)域都在Dconcat中裁剪特征(Dconcat尺寸為200×200)。為了保證檢測網(wǎng)絡(luò)的計算速度,在訓(xùn)練階段非極大抑制(non-maximum suppression,NMS)選取分?jǐn)?shù)高的12 000個回歸框,保留2 000個作為候選區(qū)域,在測試階段NMS選取分?jǐn)?shù)最高的10 000個回歸框并保留300個。在精檢測階段,多階段級聯(lián)檢測網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)及IoU閾值的設(shè)置方法均采用與Cascade R-CNN相同的方式。

    3.3 損失函數(shù)

    通過級聯(lián)檢測的方式,復(fù)雜的檢測任務(wù)可以分解為一系列更簡單的檢測階段,前一個階段的輸出被視為下一階段的輸入。通俗地講,第i階段的損失函數(shù)可以表示為

    (1)

    (2)

    其中調(diào)和參數(shù)α1,…,αN均設(shè)置為1。本文中采用與Cascade R-CNN相同的三階段級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu),所以N=3。

    4 實驗

    本文在深度學(xué)習(xí)框架Pytorch上展開實驗,并使用預(yù)訓(xùn)練模型ResNet-50[27]初始化網(wǎng)絡(luò)。共訓(xùn)練70 000次迭代,初始學(xué)習(xí)率設(shè)為0.001,經(jīng)過25 000次迭代后學(xué)習(xí)率下降為0.000 1,經(jīng)過65 000次迭代后學(xué)習(xí)率下降為0.000 01。訓(xùn)練時網(wǎng)絡(luò)使用隨機梯度下降法對參數(shù)進(jìn)行優(yōu)化,動量設(shè)置為0.9,權(quán)重衰減率設(shè)置為0.001。訓(xùn)練集、驗證集和測試集的分割比例為60%、20%和20%。

    4.1 消融實驗

    4.1.1 模型

    (二)有助于提高課堂教學(xué)效率。心理學(xué)研究表明,根據(jù)學(xué)習(xí)者的學(xué)習(xí)狀態(tài),學(xué)習(xí)可分為“被動學(xué)習(xí)”與“主動學(xué)習(xí)”兩類。在被動學(xué)習(xí)的狀態(tài)下,學(xué)習(xí)者往往缺乏學(xué)習(xí)的興趣、意義、效率和效果,他們只有學(xué)習(xí)的壓力而沒有學(xué)習(xí)的動力,只有學(xué)習(xí)的苦惱而沒有學(xué)習(xí)的快樂,而學(xué)生在主動學(xué)習(xí)狀態(tài)下所產(chǎn)生的學(xué)習(xí)效率則截然不同。面對同樣的“學(xué)習(xí)量”,主動學(xué)習(xí)者的學(xué)習(xí)時間短,學(xué)習(xí)質(zhì)量高,精神面貌也好。

    基準(zhǔn)模型 本文針對發(fā)射井的目標(biāo)檢測模型是在Cascade R-CNN的基礎(chǔ)上改進(jìn)得到的,因此選擇Cascade R-CNN作為消融實驗的基準(zhǔn)模型,為保證實驗的公平性和準(zhǔn)確性,實驗參數(shù)設(shè)置保持嚴(yán)格一致。本文衡量模型性能的評價指標(biāo)為平均準(zhǔn)確率(mAP)。

    FFM的作用 正如本文在3.1節(jié)中討論的,F(xiàn)FM使得網(wǎng)絡(luò)可以在訓(xùn)練過程中自動學(xué)習(xí)特征圖的融合方式,根據(jù)發(fā)射井的目標(biāo)特征信息學(xué)習(xí)到最佳的融合方式。本文將FFM的融合方式與逐像素相加的融合方式做了對比實驗,結(jié)果如表2所示。采用FFM模塊的融合方式后,檢測算法整體的mAP提升0.004% mAP,結(jié)果為96.029% mAP。雖然采用FFM模塊后整體檢測的mAP提升不明顯,但其仍在一定程度上發(fā)揮了積極的作用,這得益于它可優(yōu)化可學(xué)習(xí)的特點。

    表2 算法消融實驗結(jié)果Table 2 Results of ablation experiments of algorithms

    融合上下文信息的作用 在精檢測階段,為了充分利用特征圖中上下文信息,將多個分辨率的特征圖進(jìn)行堆疊,然后進(jìn)行后續(xù)檢測階段的操作。為了驗證堆疊特征圖的作用,將算法與FPN的策略做了對比實驗。實驗結(jié)果表明,相比于從各尺度特征圖中分別剪裁候選區(qū)域的策略,添加特征圖堆疊操作后,檢測算法mAP提升1.320% mAP,這得益于對上下文信息的充分利用。

    4.1.2 數(shù)據(jù)集

    本文構(gòu)建了首個用于導(dǎo)彈發(fā)射井目標(biāo)檢測的數(shù)據(jù)集,主要采用數(shù)據(jù)增強的方式來滿足數(shù)據(jù)集的多樣性、充分性和魯棒性。數(shù)據(jù)增強方式主要包括常規(guī)增強方式(翻轉(zhuǎn)、旋轉(zhuǎn))和目標(biāo)填充方式2種,本文對數(shù)據(jù)增強過程做了對比實驗。原始數(shù)據(jù)集經(jīng)過預(yù)處理后的大小為1 526張圖像,進(jìn)行常規(guī)增強方式后數(shù)據(jù)集大小為6 289張圖像,目標(biāo)填充后數(shù)據(jù)集大小為10 000張圖像。為保證實驗公平性,每次實驗采用的訓(xùn)練模型及參數(shù)設(shè)置均相同,訓(xùn)練集、驗證集和測試集的分割比例為60%、20%和20%。

    表3中展示了數(shù)據(jù)集消融實驗的對比實驗結(jié)果,從表中結(jié)果可以看出在未進(jìn)行數(shù)據(jù)增強操作時,檢測的mAP較低,原因是深度學(xué)習(xí)模型需要在大量標(biāo)簽數(shù)據(jù)下進(jìn)行訓(xùn)練,未進(jìn)行擴充的數(shù)據(jù)集無法訓(xùn)練出性能好的模型。當(dāng)在進(jìn)行常規(guī)增強操作后的數(shù)據(jù)集上訓(xùn)練模型時,算法檢測性能明顯提升,整體提升41.93% mAP,這得益于數(shù)據(jù)集多樣性的提高。

    表3 數(shù)據(jù)集消融實驗結(jié)果Table 3 Results of ablation experiments of dataset

    從對比實驗結(jié)果看出,添加了目標(biāo)填充的增強方式后,在發(fā)射井目標(biāo)檢測任務(wù)中,檢測性能有所下降。這是因為添加了目標(biāo)填充的圖像后,數(shù)據(jù)集復(fù)雜性更高,算法在復(fù)雜場景下檢測出發(fā)射井的難度更大。但是本文采用目標(biāo)填充的方式,目的是要在模型訓(xùn)練過程中使得算法更加魯棒,以便提高在實際復(fù)雜場景中檢測時的性能,在構(gòu)建數(shù)據(jù)集的過程中,這一操作是十分必要的。

    4.2 發(fā)射井檢測結(jié)果

    表4 多尺度檢測召回率結(jié)果Table 4 The results of multi-scale detection recall

    圖3展示了本文提出的算法和Cascade R-CNN的漏檢情況對比樣例。圖3(a)和3(b)分別是本文的算法在尺度5和尺度6下的檢測結(jié)果與Cascade R-CNN在相應(yīng)尺度下檢測結(jié)果的對比,可以看出對于相同的目標(biāo),Cascade R-CNN存在漏檢,本文的算法可以檢測出來。同時發(fā)現(xiàn),對于小尺度半淹沒的發(fā)射井目標(biāo),本文的算法也存在漏檢,如圖3(c),推測這是因為數(shù)據(jù)集中半淹沒形態(tài)的發(fā)射井樣本較少,未得到充分的訓(xùn)練。在Google Earth中不同分辨率下的圖像代表了發(fā)射井的不同尺度,實驗表明,當(dāng)分辨率高于1.20 m時,本文的算法可以較準(zhǔn)確地檢測出發(fā)射井目標(biāo)。

    圖3 多尺度檢測結(jié)果對比圖Fig.3 Comparison of multi-scale detection results

    多狀態(tài) 對不同狀態(tài)下的發(fā)射井進(jìn)行檢測實驗,結(jié)果如圖4。發(fā)射井有突顯和半淹沒2種常見形態(tài),在一定尺度下,本文模型可以有效地檢測出這2種形態(tài)的發(fā)射井目標(biāo)。同時,在某些情況下只有部分發(fā)射井結(jié)構(gòu)存在于圖片中,對于這種截斷的情況,本文的算法也可以有效地檢測出來,這為算法的實際可落地性提供了佐證。

    圖4 多狀態(tài)發(fā)射井檢測結(jié)果Fig.4 Multi-state well buildings detection results

    魯棒性 實驗對算法的魯棒性進(jìn)行了測試。將發(fā)射井目標(biāo)截取出來,填充到復(fù)雜背景的遙感圖像中,本文的算法能夠?qū)?fù)雜背景下的發(fā)射井目標(biāo)檢測出來,并且不存在將非目標(biāo)誤檢為發(fā)射井的情況,這表明本文的算法適用于復(fù)雜背景下的檢測任務(wù),可以有效應(yīng)用于實際檢測任務(wù)中。

    4.3 對比實驗

    4.3.1 算法對比

    本文將算法與幾種主流的目標(biāo)檢測算法進(jìn)行了對比實驗,表5展示各個算法的檢測精度和速度,實驗時輸入圖像分辨率均為800×800。除主流的自然場景目標(biāo)檢測方法外,還與ICN[28]算法進(jìn)行對比,ICN是針對遙感圖像提出的多尺度目標(biāo)檢測算法。從實驗結(jié)果看出,本文算法的檢測結(jié)果超過ICN 0.14% mAP。在檢測精度方面超出Cascade R-CNN 1.32% mAP,最終檢測結(jié)果為97.35% mAP。在檢測速度方面,雖然比其他典型的目標(biāo)檢測算法速度慢,但與Cascade R-CNN的檢測速度幾乎相同。因此,本文的算法在保證檢測速度的同時,提高了Cascade R-CNN的檢測效果,并超過目前大部分主流算法,有效解決了發(fā)射井目標(biāo)檢測問題。

    表5 檢測算法對比結(jié)果Table 5 The results of different algorithms

    4.3.2 多類別檢測性能評估

    為測試算法的魯棒性,在DOTA[29]遙感數(shù)據(jù)集上測試了算法的性能。DOTA遙感數(shù)據(jù)集是一個大型公開的遙感數(shù)據(jù)集,包含2 806張航拍圖像,這些圖像來自于不同的傳感器和平臺,主要來自于Google Earth,還有一些來自于高分二號等衛(wèi)星的數(shù)據(jù)。DOTA數(shù)據(jù)集的目標(biāo)包含各種各樣的規(guī)模、位置、形狀,共15個類別,188 282個實例。

    在實驗過程中,分別將圖3網(wǎng)絡(luò)中的特征圖C2、F2和Dconcat提取出來,進(jìn)行可視化分析,結(jié)果在圖9(b)~9(d)中展示出來。本文采用特征圖的熱力圖進(jìn)行可視化分析,熱力圖反映了特征圖中像素值的大小,由于不同的特征圖數(shù)據(jù)分布情況不同,熱力圖的響應(yīng)度大小會有所差異。同時,由于F2和Dconcat是多個特征圖加和所得,其熱力圖存在負(fù)值情況。觀察圖5中不同特征圖中的響應(yīng)差異,可以發(fā)現(xiàn)相比于C2和F2,多尺度特征圖堆疊后得到的特征圖Dconcat中具有更突出的特征信息,語義信息更強。這也進(jìn)一步證明了,充分利用上下文信息,有助于突出目標(biāo)特征信息。

    圖5 特征圖可視化Fig.5 Feature map visualization

    本文在DOTA數(shù)據(jù)集上測試算法性能,主要目的是檢驗算法在多類別目標(biāo)和復(fù)雜場景下的魯棒性,不希望其將非發(fā)射井目標(biāo)誤判為發(fā)射井。同時,為了展現(xiàn)算法的優(yōu)越性,我們也對Cascade R-CNN算法做了相同的實驗。本文在推理預(yù)測時在DOTA數(shù)據(jù)集上進(jìn)行實驗。Cascade R-CNN算法進(jìn)行推理時,存在誤檢的情況,圖6展示出其誤檢的目標(biāo)情況,而本文提出的模型不存在任何誤檢的情況。究其原因,是因為Cascade R-CNN算法在提取候選區(qū)域時沒有融合上下文目標(biāo)的信息,對于目標(biāo)特征的提取不夠充分,導(dǎo)致存在誤檢的情況。本文的算法具有較高的魯棒性,不僅在構(gòu)建的發(fā)射井?dāng)?shù)據(jù)集上實現(xiàn)了較高的準(zhǔn)確率,而且在復(fù)雜場景下也表現(xiàn)良好。

    5 總結(jié)

    本文針對多尺度導(dǎo)彈發(fā)射井目標(biāo)檢測問題提出有效的解決方法。在數(shù)據(jù)層面,建立了首個用于導(dǎo)彈發(fā)射井目標(biāo)檢測任務(wù)的數(shù)據(jù)集,在該數(shù)據(jù)集上可進(jìn)行檢測模型的有效訓(xùn)練。同時,該數(shù)據(jù)集可為后續(xù)相關(guān)領(lǐng)域的研究提供支持。在算法層面,設(shè)計了適用于多尺度發(fā)射井目標(biāo)檢測的模型,有效地解決了發(fā)射井檢測問題,檢測結(jié)果超過目前經(jīng)典算法。

    猜你喜歡
    分辨率尺度特征
    財產(chǎn)的五大尺度和五重應(yīng)對
    如何表達(dá)“特征”
    EM算法的參數(shù)分辨率
    不忠誠的四個特征
    原生VS最大那些混淆視聽的“分辨率”概念
    抓住特征巧觀察
    基于深度特征學(xué)習(xí)的圖像超分辨率重建
    一種改進(jìn)的基于邊緣加強超分辨率算法
    宇宙的尺度
    太空探索(2016年5期)2016-07-12 15:17:55
    9
    伦理电影免费视频| 国产黄a三级三级三级人| 宅男免费午夜| 欧美日韩乱码在线| 一进一出抽搐动态| 免费观看精品视频网站| 中文亚洲av片在线观看爽| 久久人人精品亚洲av| 在线永久观看黄色视频| 久久久精品欧美日韩精品| 色精品久久人妻99蜜桃| svipshipincom国产片| 真人做人爱边吃奶动态| 亚洲专区中文字幕在线| 久久香蕉国产精品| 国产精品美女特级片免费视频播放器 | 欧美午夜高清在线| 老鸭窝网址在线观看| 久久久国产成人免费| 91大片在线观看| 久热爱精品视频在线9| 一级a爱片免费观看的视频| 淫秽高清视频在线观看| 精品久久久久久电影网| 色综合婷婷激情| 黄色 视频免费看| 亚洲片人在线观看| av超薄肉色丝袜交足视频| 国产单亲对白刺激| 不卡av一区二区三区| 欧美+亚洲+日韩+国产| 天天躁狠狠躁夜夜躁狠狠躁| 黄色成人免费大全| 日韩一卡2卡3卡4卡2021年| 午夜免费鲁丝| 搡老乐熟女国产| 丁香六月欧美| 欧美乱色亚洲激情| 又黄又粗又硬又大视频| 亚洲精品av麻豆狂野| 一进一出抽搐动态| 别揉我奶头~嗯~啊~动态视频| 后天国语完整版免费观看| 日本一区二区免费在线视频| 日本撒尿小便嘘嘘汇集6| 亚洲第一欧美日韩一区二区三区| 中文字幕最新亚洲高清| 国产99久久九九免费精品| 亚洲中文日韩欧美视频| 又黄又爽又免费观看的视频| 国产精品99久久99久久久不卡| ponron亚洲| 亚洲国产看品久久| 宅男免费午夜| 久久人妻福利社区极品人妻图片| 亚洲九九香蕉| 午夜精品国产一区二区电影| 精品人妻1区二区| 精品国产一区二区三区四区第35| 欧美午夜高清在线| 欧美老熟妇乱子伦牲交| 亚洲av电影在线进入| 中文字幕另类日韩欧美亚洲嫩草| 人成视频在线观看免费观看| 久久天躁狠狠躁夜夜2o2o| 青草久久国产| 97超级碰碰碰精品色视频在线观看| 国产精品永久免费网站| 一级毛片高清免费大全| 在线观看66精品国产| 亚洲精品一区av在线观看| 国产又爽黄色视频| 久久天堂一区二区三区四区| 90打野战视频偷拍视频| 99国产精品一区二区蜜桃av| 精品无人区乱码1区二区| 久久午夜综合久久蜜桃| 成人精品一区二区免费| 美女国产高潮福利片在线看| 午夜视频精品福利| 天天躁夜夜躁狠狠躁躁| 久久人人爽av亚洲精品天堂| 国产亚洲欧美精品永久| 在线播放国产精品三级| 欧洲精品卡2卡3卡4卡5卡区| 免费av中文字幕在线| 久久热在线av| 久久久久国产精品人妻aⅴ院| 亚洲国产欧美日韩在线播放| 国产高清激情床上av| 国产成人精品在线电影| 母亲3免费完整高清在线观看| 69精品国产乱码久久久| 丰满人妻熟妇乱又伦精品不卡| 丝袜美足系列| 黄网站色视频无遮挡免费观看| 女人高潮潮喷娇喘18禁视频| 欧美老熟妇乱子伦牲交| 最近最新中文字幕大全免费视频| 欧美人与性动交α欧美精品济南到| 久久久久精品国产欧美久久久| 精品卡一卡二卡四卡免费| 女同久久另类99精品国产91| 亚洲午夜精品一区,二区,三区| 成人精品一区二区免费| 午夜免费鲁丝| 在线观看66精品国产| 色在线成人网| 99精品欧美一区二区三区四区| 国产黄a三级三级三级人| 日韩大码丰满熟妇| 亚洲一区高清亚洲精品| 欧美最黄视频在线播放免费 | 国产免费现黄频在线看| 电影成人av| 国内久久婷婷六月综合欲色啪| 亚洲自偷自拍图片 自拍| 麻豆成人av在线观看| 亚洲成人精品中文字幕电影 | 免费在线观看亚洲国产| 色综合婷婷激情| 黑人巨大精品欧美一区二区mp4| 国产深夜福利视频在线观看| 成年人免费黄色播放视频| 国产色视频综合| 欧美大码av| 侵犯人妻中文字幕一二三四区| 亚洲伊人色综图| 19禁男女啪啪无遮挡网站| 丝袜人妻中文字幕| 国产激情久久老熟女| 国产激情欧美一区二区| 麻豆久久精品国产亚洲av | 两人在一起打扑克的视频| 久久久久九九精品影院| 侵犯人妻中文字幕一二三四区| 国产欧美日韩一区二区三区在线| 村上凉子中文字幕在线| 黄色 视频免费看| 欧美久久黑人一区二区| 国产精品久久久av美女十八| 国产成人影院久久av| 亚洲片人在线观看| 国产真人三级小视频在线观看| 悠悠久久av| 亚洲av片天天在线观看| 女性被躁到高潮视频| 在线观看一区二区三区| 国产有黄有色有爽视频| 日本一区二区免费在线视频| 人人澡人人妻人| 50天的宝宝边吃奶边哭怎么回事| 天天影视国产精品| 久久中文看片网| 亚洲人成77777在线视频| 1024香蕉在线观看| 每晚都被弄得嗷嗷叫到高潮| 国产欧美日韩精品亚洲av| 亚洲av熟女| 中文字幕色久视频| 国产亚洲精品一区二区www| 欧美 亚洲 国产 日韩一| 免费一级毛片在线播放高清视频 | 欧美日韩视频精品一区| 婷婷丁香在线五月| 欧美性长视频在线观看| av欧美777| 高清毛片免费观看视频网站 | 伦理电影免费视频| 在线观看66精品国产| 久久中文看片网| 国产黄色免费在线视频| 超色免费av| 免费在线观看日本一区| 日日夜夜操网爽| 午夜影院日韩av| 免费高清在线观看日韩| 久久精品国产99精品国产亚洲性色 | 一级,二级,三级黄色视频| 日本三级黄在线观看| 97人妻天天添夜夜摸| 国产欧美日韩一区二区三区在线| 午夜免费观看网址| 麻豆av在线久日| 黑人欧美特级aaaaaa片| 动漫黄色视频在线观看| 欧美黑人精品巨大| 老鸭窝网址在线观看| 大码成人一级视频| 免费在线观看日本一区| 亚洲全国av大片| 女性生殖器流出的白浆| 国产成人av教育| 色播在线永久视频| 村上凉子中文字幕在线| 久久亚洲真实| 正在播放国产对白刺激| 国产精品综合久久久久久久免费 | 在线观看一区二区三区激情| 久久精品人人爽人人爽视色| 国产欧美日韩一区二区精品| 91大片在线观看| 亚洲成人免费电影在线观看| 免费在线观看完整版高清| 久久久国产成人免费| 亚洲av片天天在线观看| 久久狼人影院| 18美女黄网站色大片免费观看| 最近最新中文字幕大全电影3 | 成年人黄色毛片网站| 中文字幕高清在线视频| 波多野结衣av一区二区av| 99国产综合亚洲精品| 操美女的视频在线观看| 一二三四在线观看免费中文在| 久久亚洲精品不卡| 欧美在线一区亚洲| 日本三级黄在线观看| 不卡一级毛片| 一个人免费在线观看的高清视频| 少妇的丰满在线观看| 激情在线观看视频在线高清| 国产精品一区二区三区四区久久 | 欧美一区二区精品小视频在线| 午夜福利免费观看在线| 亚洲欧美精品综合久久99| 国产精品一区二区精品视频观看| 久久天堂一区二区三区四区| 日韩有码中文字幕| 国产成+人综合+亚洲专区| 巨乳人妻的诱惑在线观看| 老鸭窝网址在线观看| 两个人看的免费小视频| 又黄又粗又硬又大视频| 成人国产一区最新在线观看| 啦啦啦免费观看视频1| av有码第一页| 无人区码免费观看不卡| 高潮久久久久久久久久久不卡| 欧美黄色淫秽网站| 国产成人免费无遮挡视频| 日韩免费av在线播放| 99国产精品免费福利视频| 男女床上黄色一级片免费看| 亚洲欧美激情在线| 精品久久久久久,| 久久亚洲真实| 久久久久精品国产欧美久久久| 国产精品亚洲一级av第二区| 亚洲第一青青草原| 久久精品成人免费网站| 国产精品永久免费网站| 麻豆成人av在线观看| 亚洲色图综合在线观看| 国产亚洲精品综合一区在线观看 | 免费高清在线观看日韩| 精品免费久久久久久久清纯| 国产熟女午夜一区二区三区| 国产高清videossex| 中文亚洲av片在线观看爽| 99热只有精品国产| 久99久视频精品免费| 成人永久免费在线观看视频| 亚洲第一av免费看| 老鸭窝网址在线观看| 黑人欧美特级aaaaaa片| 免费在线观看影片大全网站| 亚洲精品美女久久av网站| 很黄的视频免费| 欧美精品啪啪一区二区三区| 美女午夜性视频免费| 免费搜索国产男女视频| 国产av一区在线观看免费| 不卡一级毛片| 国产午夜精品久久久久久| 亚洲欧美一区二区三区黑人| 久久久久久亚洲精品国产蜜桃av| 人人妻人人添人人爽欧美一区卜| 成人特级黄色片久久久久久久| 久久久久久久午夜电影 | 欧美激情久久久久久爽电影 | 伊人久久大香线蕉亚洲五| 99在线人妻在线中文字幕| 日韩一卡2卡3卡4卡2021年| 欧美精品啪啪一区二区三区| 精品国产美女av久久久久小说| 欧美精品一区二区免费开放| 男男h啪啪无遮挡| 亚洲国产精品999在线| 久久久久久久久久久久大奶| 国产成人av激情在线播放| 国产成人免费无遮挡视频| 老司机福利观看| 亚洲成人免费电影在线观看| 久久精品人人爽人人爽视色| www国产在线视频色| 老司机深夜福利视频在线观看| 日韩欧美一区视频在线观看| 香蕉国产在线看| 精品国内亚洲2022精品成人| 99久久久亚洲精品蜜臀av| 午夜福利,免费看| av视频免费观看在线观看| 99在线人妻在线中文字幕| 日韩一卡2卡3卡4卡2021年| 亚洲国产欧美网| 天天影视国产精品| 国产欧美日韩精品亚洲av| 亚洲人成电影免费在线| 99国产精品一区二区三区| 国产一区二区三区视频了| 91在线观看av| 丁香欧美五月| 母亲3免费完整高清在线观看| 十分钟在线观看高清视频www| 中文字幕高清在线视频| 亚洲国产看品久久| 男人的好看免费观看在线视频 | 中文字幕精品免费在线观看视频| 99国产精品一区二区三区| 欧美性长视频在线观看| 国产男靠女视频免费网站| 成人亚洲精品一区在线观看| 亚洲人成电影观看| 一二三四社区在线视频社区8| 香蕉国产在线看| 精品久久久久久成人av| 久久香蕉精品热| 日韩三级视频一区二区三区| 桃红色精品国产亚洲av| 真人一进一出gif抽搐免费| 美女高潮到喷水免费观看| 真人一进一出gif抽搐免费| 咕卡用的链子| 亚洲国产精品sss在线观看 | 曰老女人黄片| 超碰97精品在线观看| 日韩三级视频一区二区三区| 满18在线观看网站| 亚洲少妇的诱惑av| 狠狠狠狠99中文字幕| 91大片在线观看| 老司机靠b影院| 国产精品自产拍在线观看55亚洲| 国产激情久久老熟女| 日本黄色视频三级网站网址| 中文字幕人妻丝袜一区二区| 婷婷丁香在线五月| 好男人电影高清在线观看| 日日干狠狠操夜夜爽| 一级毛片女人18水好多| 亚洲美女黄片视频| 制服诱惑二区| 无限看片的www在线观看| 精品乱码久久久久久99久播| 国产精品亚洲av一区麻豆| 亚洲成人久久性| 高清黄色对白视频在线免费看| 久久 成人 亚洲| 欧美激情 高清一区二区三区| 一级片'在线观看视频| 99久久人妻综合| 大香蕉久久成人网| 久久精品国产综合久久久| 99国产精品免费福利视频| √禁漫天堂资源中文www| 男人舔女人的私密视频| 久久亚洲真实| 成人精品一区二区免费| 欧美午夜高清在线| 99久久精品国产亚洲精品| 9热在线视频观看99| 免费高清视频大片| 两性夫妻黄色片| 国产精品久久久久久人妻精品电影| www国产在线视频色| 曰老女人黄片| 欧美日本中文国产一区发布| 亚洲男人的天堂狠狠| 亚洲熟女毛片儿| 啦啦啦 在线观看视频| 可以免费在线观看a视频的电影网站| 一边摸一边做爽爽视频免费| 国产精品爽爽va在线观看网站 | 亚洲精品成人av观看孕妇| 久久中文字幕人妻熟女| 两个人看的免费小视频| 日本五十路高清| 亚洲国产精品一区二区三区在线| 久久这里只有精品19| 亚洲色图av天堂| 国产欧美日韩一区二区三| 自线自在国产av| 啦啦啦 在线观看视频| 高清av免费在线| 亚洲av成人不卡在线观看播放网| 51午夜福利影视在线观看| 真人做人爱边吃奶动态| 成人三级黄色视频| 久久精品aⅴ一区二区三区四区| 在线观看免费日韩欧美大片| 亚洲第一欧美日韩一区二区三区| 老司机午夜十八禁免费视频| 天堂影院成人在线观看| 久久午夜亚洲精品久久| 亚洲欧美一区二区三区久久| 看黄色毛片网站| 曰老女人黄片| 国产成人精品久久二区二区91| 91九色精品人成在线观看| 亚洲精品美女久久av网站| 搡老乐熟女国产| 亚洲第一av免费看| 久99久视频精品免费| 日韩中文字幕欧美一区二区| www.www免费av| 国产成人精品久久二区二区免费| 中文字幕人妻丝袜一区二区| 级片在线观看| 啦啦啦免费观看视频1| 国产亚洲欧美98| 成人国产一区最新在线观看| 18美女黄网站色大片免费观看| 国产成+人综合+亚洲专区| 99国产精品免费福利视频| 亚洲精品国产色婷婷电影| 国产不卡一卡二| 欧美成狂野欧美在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲专区国产一区二区| 欧美日韩乱码在线| 国产区一区二久久| 免费一级毛片在线播放高清视频 | 国产成年人精品一区二区 | 在线观看免费高清a一片| 亚洲av五月六月丁香网| 成人三级黄色视频| 视频在线观看一区二区三区| 亚洲va日本ⅴa欧美va伊人久久| 88av欧美| 国产在线精品亚洲第一网站| 男女午夜视频在线观看| 狠狠狠狠99中文字幕| 黄色毛片三级朝国网站| 97人妻天天添夜夜摸| 国产又爽黄色视频| 在线观看日韩欧美| 午夜激情av网站| 久久精品国产亚洲av香蕉五月| 别揉我奶头~嗯~啊~动态视频| 淫妇啪啪啪对白视频| 国产不卡一卡二| 成年人黄色毛片网站| 国产精品一区二区精品视频观看| 国产av又大| 精品无人区乱码1区二区| 女人被躁到高潮嗷嗷叫费观| a级毛片在线看网站| 亚洲色图av天堂| 午夜影院日韩av| 久久精品人人爽人人爽视色| 中文字幕最新亚洲高清| 一区二区日韩欧美中文字幕| 中出人妻视频一区二区| 波多野结衣av一区二区av| 日韩一卡2卡3卡4卡2021年| 午夜精品国产一区二区电影| 国产欧美日韩一区二区精品| 精品少妇一区二区三区视频日本电影| 欧美日韩亚洲综合一区二区三区_| 成人精品一区二区免费| 久久精品国产清高在天天线| 女人被狂操c到高潮| 新久久久久国产一级毛片| 性少妇av在线| 午夜视频精品福利| 一区二区三区精品91| 一级黄色大片毛片| 国内毛片毛片毛片毛片毛片| 精品高清国产在线一区| 中文字幕人妻丝袜一区二区| 成人三级做爰电影| 国产精品久久电影中文字幕| 亚洲av片天天在线观看| 日本黄色日本黄色录像| 久久影院123| av视频免费观看在线观看| 欧洲精品卡2卡3卡4卡5卡区| 97碰自拍视频| 操美女的视频在线观看| 搡老岳熟女国产| 国产精品 欧美亚洲| 国产一卡二卡三卡精品| 国产精品 欧美亚洲| 精品乱码久久久久久99久播| 日日夜夜操网爽| 91成年电影在线观看| 女人爽到高潮嗷嗷叫在线视频| 中文字幕人妻丝袜制服| www.www免费av| 亚洲一区中文字幕在线| 亚洲欧美一区二区三区黑人| 欧美性长视频在线观看| 亚洲精华国产精华精| 日韩中文字幕欧美一区二区| 如日韩欧美国产精品一区二区三区| 欧美日韩黄片免| 在线观看日韩欧美| 久久久久久免费高清国产稀缺| 后天国语完整版免费观看| 欧美+亚洲+日韩+国产| 久久久国产成人精品二区 | 久99久视频精品免费| 亚洲精品在线观看二区| 欧美中文日本在线观看视频| 在线观看一区二区三区激情| 人妻久久中文字幕网| 国产亚洲精品第一综合不卡| 男人操女人黄网站| 999久久久精品免费观看国产| 制服诱惑二区| 不卡一级毛片| 在线观看午夜福利视频| 国产熟女xx| 国产一区二区在线av高清观看| 黑人欧美特级aaaaaa片| 宅男免费午夜| 亚洲国产中文字幕在线视频| 新久久久久国产一级毛片| 亚洲一区二区三区欧美精品| 国产乱人伦免费视频| 中亚洲国语对白在线视频| 一级黄色大片毛片| 亚洲五月婷婷丁香| 999久久久精品免费观看国产| 亚洲一卡2卡3卡4卡5卡精品中文| 久久香蕉激情| 人人妻人人添人人爽欧美一区卜| 十八禁网站免费在线| 精品国产乱子伦一区二区三区| 久久精品国产清高在天天线| 天堂影院成人在线观看| 午夜a级毛片| 丰满人妻熟妇乱又伦精品不卡| 国产成年人精品一区二区 | 国产91精品成人一区二区三区| 免费在线观看日本一区| 丝袜美腿诱惑在线| 国产精品99久久99久久久不卡| 成人黄色视频免费在线看| 国产男靠女视频免费网站| 精品久久久久久成人av| 国产精品二区激情视频| 精品高清国产在线一区| 满18在线观看网站| 精品少妇一区二区三区视频日本电影| 国产色视频综合| av天堂在线播放| 夜夜夜夜夜久久久久| 国产精品影院久久| 欧美日韩亚洲国产一区二区在线观看| 91麻豆精品激情在线观看国产 | 美女高潮喷水抽搐中文字幕| 国产高清国产精品国产三级| 亚洲成人国产一区在线观看| 人妻丰满熟妇av一区二区三区| 99国产精品免费福利视频| 精品久久久久久久久久免费视频 | 老司机午夜十八禁免费视频| 亚洲国产精品999在线| 国产高清国产精品国产三级| 视频区欧美日本亚洲| 久久精品亚洲精品国产色婷小说| 一个人观看的视频www高清免费观看 | 国产av一区二区精品久久| 国产精品 欧美亚洲| 亚洲av美国av| 精品高清国产在线一区| 在线看a的网站| 成人特级黄色片久久久久久久| 一级作爱视频免费观看| 亚洲专区中文字幕在线| 国产区一区二久久| av在线播放免费不卡| av天堂久久9| 国产免费现黄频在线看| 高清欧美精品videossex| 久久久久国内视频| 久久人人97超碰香蕉20202| 在线av久久热| 国产高清激情床上av| 日韩欧美在线二视频| 国产一卡二卡三卡精品| 曰老女人黄片| 精品久久久久久电影网| 巨乳人妻的诱惑在线观看| 亚洲国产中文字幕在线视频| 一二三四社区在线视频社区8| 99国产精品99久久久久| 淫秽高清视频在线观看| 一区二区三区国产精品乱码| 性色av乱码一区二区三区2| 老司机在亚洲福利影院| 母亲3免费完整高清在线观看| 人人妻人人澡人人看| 国产99白浆流出| 在线观看日韩欧美| 精品一区二区三区av网在线观看| 欧美日韩瑟瑟在线播放| 久久久久国内视频| 黑人巨大精品欧美一区二区蜜桃| 一级片'在线观看视频| 国产一卡二卡三卡精品| 亚洲午夜理论影院| 日韩av在线大香蕉|