• <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 ?

    基于雙通路CNN的端到端語音識別研究*

    2021-11-25 07:39:36黃洪全宋悅陽陳延明
    傳感器與微系統(tǒng) 2021年11期
    關(guān)鍵詞:池化層錯誤率集上

    胡 黎, 黃洪全, 梁 超, 宋悅陽, 陳延明

    (廣西大學 電氣工程學院,廣西 南寧 530003)

    0 引 言

    21世紀初,最先進的語音識別技術(shù)通常是基于隱馬爾可夫模型的高斯混合模型(Gaussian mixture model-hidden Markov model,GMM-HMM)[1]。隨著時代的發(fā)展,GMM-HMM由于網(wǎng)絡(luò)層級相對較淺,參數(shù)訓練會存在嚴重不足的情況,使其無法滿足實際的建模和實用化要求。2011年后,深度神經(jīng)網(wǎng)絡(luò)(deep neural network,DNN)因能更好利用語音幀的上下文信息等特點逐漸取代了GMM,DNN和HMM結(jié)合的語音識別模型,很大程度上降低了語音識別的錯誤率[2]。DNN-HMM模型的成功啟發(fā)了一批卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)和長短期記憶(long short-term memory,LSTM)[3]網(wǎng)絡(luò)等神經(jīng)網(wǎng)絡(luò)模型在語音識別之中的深入運用。

    作為一種能進行深層局部連接的網(wǎng)絡(luò)結(jié)構(gòu),CNN在許多連續(xù)語音識別任務(wù)中都取得了優(yōu)于DNN模型的成績。文獻[4]將CNN應(yīng)用于大型詞匯連續(xù)語音識別任務(wù),相比于DNN模型取得了巨大的精度提升;文獻[5]通過完全卷積層模型實驗驗證了非常深的CNN在語音識別中的優(yōu)異性能。文獻[6]論述了CNN相對于DNN在提取語音特征方面的優(yōu)勢和在大規(guī)模中文語音識別任務(wù)上的出色表現(xiàn)。

    在傳統(tǒng)淺層CNN模型中會存在特征提取不足導(dǎo)致語音識別精度相對不高的問題,常用的解決辦法是通過不斷加深網(wǎng)絡(luò)深度來獲取更多的特征信息,但由此會引入?yún)?shù)量巨大、梯度消失等新的問題。

    本文通過分析CNN原理,提出了一種可行的學習更多特征的方法,即雙通路卷積神經(jīng)網(wǎng)絡(luò)(double-path CNN,DPCNN)。通過DPCNN子網(wǎng)絡(luò)對同一語音輸入進行特征提取,全連接層對子網(wǎng)絡(luò)進行特征融合,并利用級聯(lián)Attention-CTC方法訓練得到了語音到拼音的端到端語音識別模型。

    1 DPCNN

    1.1 CNN

    CNN的基本結(jié)構(gòu)由輸入層(input layer)、卷積層(con-volutional layer,Conv)、池化層(pooling layer)、全連接層(fully connected layers,FC)和輸出層(output layer)構(gòu)成。

    在CNN的一層卷積層中,多個神經(jīng)元排列組成了特征圖,每個神經(jīng)元都只與其部分鄰層神經(jīng)元相連接,位于同一特征圖中的所有神經(jīng)元共享權(quán)值,即卷積核。卷積核通過減少CNN各層之間的連接,降低了網(wǎng)絡(luò)的參數(shù)數(shù)量,從而降低了模型過擬合的風險。卷積層可以計算為

    池化層也叫下采樣層。池化操作相當于對池化層輸入進行了空間維度縮減,并增大了感受野,同時減少模型計算量和參數(shù)數(shù)量。在一定程度上池化層也防止了模型過擬合,利于模型的優(yōu)化。池化的方法有多種,通常用到的池化操作有最大池化(max-pooling)和平均池化(mean-pooling)。

    CNN一般采用多層卷積層和池化層交替設(shè)置,即一個或多個卷積層連接一個池化層,池化層后再連接一個或多個卷積層,通過卷積層和池化層的相互配合來學習特征。CNN中的全連接層相當于一個多分類神經(jīng)網(wǎng)絡(luò),全連接層也能進一步收集更多的特征以滿足特征提取的要求,最終通過SoftMax函數(shù)得到整個網(wǎng)絡(luò)的輸出。CNN通過經(jīng)典的誤差反向傳播算法來調(diào)整參數(shù),完成卷積核和全連接層權(quán)值的更新。

    1.2 DPCNN

    為解決傳統(tǒng)淺層CNN模型特征提取能力不足的問題。本文在保持一定深度的CNN的基礎(chǔ)上適當增大了CNN自身的寬度,提出了DPCNN。DPCNN整體結(jié)構(gòu)由兩個相同的子網(wǎng)絡(luò)“并行”組成,子網(wǎng)絡(luò)結(jié)構(gòu)參考全序列CNN[6]設(shè)計,結(jié)構(gòu)如圖1所示。

    圖1 DPCNN結(jié)構(gòu)

    Conv3—32代表卷積層卷積核為3×3,通道數(shù)為32。Maxpool代表2×2的最大池化。每通路子網(wǎng)絡(luò)由多個卷積層和池化層組成,兩個子網(wǎng)分別進行特征提取和池化,維度拼接后輸入到全連接層進行融合并訓練,最后使用SoftMax函數(shù)輸出網(wǎng)絡(luò)的分類結(jié)果。DPCNN通過增大CNN的寬度使得模型能夠從語音信號中提取和學習到更多的數(shù)據(jù)特征,從而提高模型的識別性能。

    為了進一步提高網(wǎng)絡(luò)識別精度和泛化性能,在每層卷積層后加入批量歸一化(batch normalization,BN)層,加入BN層可以使得網(wǎng)絡(luò)在較大學習率時不受梯度消失的影響,加快網(wǎng)絡(luò)的收斂速度,同時BN層在一定程度上可以防止過擬合。在全連接層使用Dropout,按照丟棄率隨機使部分神經(jīng)元失活,從而進一步防止模型過擬合并增強模型泛化性能。

    2 連接時序分類

    在一般的序列學習任務(wù)中,傳統(tǒng)的序列相關(guān)神經(jīng)網(wǎng)絡(luò)模型需要預(yù)先對輸入序列和輸出序列進行預(yù)處理,明確輸入數(shù)據(jù)和輸出標簽之間的對應(yīng)關(guān)系。在語音識別任務(wù)中,語音數(shù)據(jù)是通過錄制等方式將模擬信號轉(zhuǎn)為數(shù)字信號而得到的,很難獲取到包含輸入語音到輸出標簽之間一一對齊的大規(guī)模訓練樣本。鑒于這一點,本文采用的是由Graves A等人[7]提出連接時序分類(connection timing classification,CTC)方法。CTC語音識別模型與傳統(tǒng)的基于HMM的模型最大的不同在于它不需要事先建立輸入語音特征和輸出標簽之間的對齊關(guān)系,可以讓模型直接對輸入語音特征進行端到端學習,并輸出預(yù)測序列的概率。

    CTC假設(shè)對給定輸入而言,每個輸出之間都是條件獨立的,所以,對于給定長度為T的輸入語音特征x,計算輸入x生成一條正確路徑為π的條件概率是十分簡單的

    CTC引入了一個很特別“blank”標簽,在輸出標簽的首尾和標簽之間都需要插入“blank”,用以表示空白,匹配路徑時需要去掉輸出中連續(xù)重復(fù)的符號和空白。由于“blank”可以插入目標標簽任何位置,所以在每個時間步,對于相同的目標標簽,可以存在許多對匹配路徑。

    例如

    式中 “-”為插入的blank標簽,Β為多對一映射函數(shù),即:對于不同路徑(a,-,-,bb,-,c),(-,aa,-,b,-,c) 和(a,-,b,-,-,c)等候選序列都映射到相同的目標標簽(a,b,c)。

    CTC通過對所有可能的路徑πi的概率求和來獲得目標標簽l的概率

    p(l|x)=∑p(πi|x)

    (4)

    CTC的損失函數(shù)定義為每個訓練樣本正確標記的負對數(shù)概率之和

    LCTC=-lnp(l|x)

    (5)

    由于CTC損失函數(shù)可微,因此,可通過前向—后向動態(tài)規(guī)劃算法有效地計算方程通過不斷降低CTC損失值達到網(wǎng)絡(luò)訓練的目的,使得預(yù)測序逐漸逼近真實標簽。

    整個CTC網(wǎng)絡(luò)可以通過最佳路徑解碼:直接將對應(yīng)最高概率的標簽串聯(lián)起來同時合并重復(fù)項標簽、刪除空白標簽,從而得到最終的輸出序列。

    3 級聯(lián)Attention-CTC

    由于CTC中存在的假設(shè):網(wǎng)絡(luò)所有輸出之間條件獨立,在實際語音環(huán)境中并不成立,從而制約了CTC網(wǎng)絡(luò)性能的進一步提升。為了解決CTC方法的條件獨立性假設(shè)問題,同時為了從輸入語音特征中獲取更多的信息,本文在全連接層中引入了注意力(attention)機制,組成級聯(lián)Attention-CTC結(jié)構(gòu),全連接層中的Attention機制如圖2所示。

    圖2 Attention機制

    Attention得分情況如下

    ehi=tanh(wThi+b)

    (6)

    C=AH

    (8)

    等式(6)中,hi為CNN提取到的高維特征,wT和b為權(quán)重矩陣和偏置矩陣,其值由模型訓練得來。利用雙曲正切函數(shù)tanh得到代表當前輸入特征的Attention得分ehi。為了得到每一個輸入特征相應(yīng)的權(quán)重需要對所有的Attention得分進行指數(shù)歸一化,等式(7)中αi即為對應(yīng)特征的Attention權(quán)重。等式(8)中,A為αi組成的Attention權(quán)重矩陣,通過輸入特征矩陣和權(quán)重矩陣之間的逐元素乘積,Attention機制最終輸出C被輸入到CTC損失函數(shù)以指導(dǎo)模型的訓練過程。Attention機制可以通過對與當前輸出相關(guān)的關(guān)鍵特征賦予更高的權(quán)重的方式在一定程度上削弱了CTC中條件獨立性假設(shè)的約束,減少在模型訓練階段了序列的不規(guī)則對準[8],從而改善CTC端到端設(shè)計方法的建模能力。

    通過級聯(lián)Attention-CTC,本文構(gòu)建了完整的DPCNN-Attention-CTC模型。模型結(jié)構(gòu)如圖3所示。

    圖3 DPCNN-Attention-CTC模型

    4 實 驗

    本實驗在GPU服務(wù)器中完成,GPU為NVIDIA Tesla P100,顯存16G。利用Keras框架搭建模型并完成相應(yīng)訓練和測試。

    4.1 語音數(shù)據(jù)

    實驗采用的語音數(shù)據(jù)為清華大學開源的中文普通話語料Thchs30,該語料庫訓練集時長25 h共10 000句發(fā)音,驗證集時長19 h共893句發(fā)音,測試集時長624 h共2 495句發(fā)音。模型首先對時域的語音信號進行傅里葉變換得到語音的語譜圖,語譜圖綜合了頻譜圖和時域波形的特點[9],利用語譜圖作為輸入,可以避免頻域和時域兩個維度的信息損失[6],模型能更加全面地學習語音信號所包含的各項特征。

    4.2 模型訓練參數(shù)設(shè)置

    本文設(shè)置了6組對比實驗,對CNN-CTC,DPCNN-CTC和DPCNN-Attention-CTC三種網(wǎng)絡(luò)結(jié)構(gòu)在卷積層為8層和10層時分別進行了模型訓練及測試。三種網(wǎng)絡(luò)中卷積池化層都為兩層3×3卷積層和一層2×2最大池化層重復(fù)堆疊,8層和10層卷積層的每層卷積核個數(shù)分別為16-16-32-32-64-64-128-128和16-16-32-32-64-64-128-128-256-256。全連接層都為2層,其輸出維度分別為512和1 024。采用中文拼音作為模型建模單元,模型最終的輸出分類數(shù)為1 423。

    模型的激活函數(shù)選用的是修正線性單元(rectified linear unit,ReLU)函數(shù)。ReLU激活函數(shù)可以有效地進行梯度下降以及反向傳播。因為當輸入大于0時Relu函數(shù)梯度始終為1,小于等于0時始終為0,所以能很好地克服網(wǎng)絡(luò)訓練過程中的梯度消失問題,同時也可以緩解過擬合現(xiàn)象,加快訓練速度,使得模型取得更好的效果。

    實驗采用帶動量的隨機梯度下降優(yōu)化器,初始學習率大小設(shè)置為0.01,動量為0.9。

    4.3 實驗結(jié)果與分析

    在Keras框架搭建相應(yīng)的模型,并在訓練集上完成模型訓練。使用編輯距離作為模型誤差度量。在測試集上隨機選取100句語音測試對應(yīng)模型的識別錯誤率,每個模型測試進行5次,最終錯誤率取5次測試的平均值。六種網(wǎng)絡(luò)結(jié)構(gòu)在Thchs30數(shù)據(jù)集上的訓練測試。

    六種網(wǎng)絡(luò)模型8層CNN-CTC,10層CNN-CTC,8層DPCNN-CTC,10層DPCNN-CTC,8層DPCNN-Attention-CTC,10層DPCNN-Attention-CTC的錯誤率分別為28.2 %,27.4 %,24.2 %,23.8 %,22.9 %,23.3 %??梢钥闯觯?)10層CNN-CTC相較于8層CNN-CTC錯誤率減小0.8 %,表明增加CNN深度有助于提高語音識別系統(tǒng)的準確率;2)8層DPCNN-CTC相比于8層CNN-CTC和10層CNN-CTC錯誤率分別降低了4 %和3.2 %,表明DPCNN在各子網(wǎng)絡(luò)模型深度較淺時,能得到相比更深的單通路CNN相同甚至更好的效果,從而驗證了DPCNN能夠通過增加模型的寬度從而提高整體的語音識別性能;3)8層DPCNN-Attention-CTC在6種結(jié)構(gòu)中獲得了最低的錯誤率,達到了22.9 %,其相較于8層CNN-CTC和8層DPCNN-CTC錯誤率相對降低了18.8 %和5.4 %,Attention機制的加入使得模型的識別效果進一步增強,證明了DPCNN-Attention-CTC模型的有效性。在Thchs30數(shù)據(jù)集上的訓練結(jié)果可知,10層DPCNN-Attention-CTC相較于8層DPCNN-Attention-CTC錯誤率上升了0.4 %,這是因為隨著模型的層數(shù)加深,模型復(fù)雜度增大,模型在訓練集上的擬合效果增強,反而導(dǎo)致其在測試集上的錯誤率上升,即模型的泛化能力下降。

    圖4為卷積層為8的三種網(wǎng)絡(luò)結(jié)構(gòu)在訓練階段的訓練集損失值變化曲線。圖4中標記了三種網(wǎng)絡(luò)結(jié)構(gòu)損失值到達穩(wěn)定階段所需的訓練輪次和相應(yīng)的損失值。DPCNN-Attention-CTC在24輪次時其損失值基本穩(wěn)定在了12.8左右。相反,DPCNN-CTC和CNN-CTC就要慢得多,損失值到達穩(wěn)定階段分別需要36和42輪次,同時穩(wěn)定的損失值也大于DPCNN-Attention-CTC模型??梢苑治龀鲇柧毿Ч募铀賮碜杂诩壜?lián)Attention-CTC模塊。Attention機制可以被視為消除了CTC解碼器中不必要路徑的預(yù)對齊操作。同時,CTC保證語音幀和拼音標簽之間的單調(diào)對齊,這有助于引導(dǎo)Attention機制將注意力集中在順序相關(guān)的特征和標簽上。因此,模型將生成較少無關(guān)的語音標簽,從而導(dǎo)致觀察到的加速效果。

    圖4 模型損失值變化曲線

    5 結(jié)束語

    本文基于DPCNN實現(xiàn)了一種語音到拼音的端到端語音識別模型。通過在中文語音數(shù)據(jù)集的實驗證明了所提出DPCNN-Attention-CTC模型的有效性。通過增加CNN的寬度從語音信號中提取更多有用的特征用于模型訓練,避免了網(wǎng)絡(luò)深度加深造成的梯度消失、訓練困難等問題。并利用Attention機制改進CTC端到端方法,加快模型訓練的同時進一步降低了模型的識別錯誤率。

    未來的研究主要包括以下幾個方向:1)使用更多的語音數(shù)據(jù),研究該模型在大數(shù)據(jù)集上的表現(xiàn);2)通過多通路神經(jīng)網(wǎng)絡(luò)提取多種語音特征用于模型訓練,從而獲得更加全面的語音信息;3) 引入語言模型,進一步改善CTC網(wǎng)絡(luò)性能。

    猜你喜歡
    池化層錯誤率集上
    限制性隨機試驗中選擇偏倚導(dǎo)致的一類錯誤率膨脹*
    卷積神經(jīng)網(wǎng)絡(luò)模型研究分析*
    基于卷積神經(jīng)網(wǎng)絡(luò)的紙幣分類與點鈔
    Cookie-Cutter集上的Gibbs測度
    基于深度學習卷積神經(jīng)網(wǎng)絡(luò)的人體行為識別研究
    科技傳播(2020年6期)2020-05-25 11:07:46
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    基于全卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標分類*
    復(fù)扇形指標集上的分布混沌
    正視錯誤,尋求策略
    教師·中(2017年3期)2017-04-20 21:49:49
    解析小學高段學生英語單詞抄寫作業(yè)錯誤原因
    亚洲,欧美精品.| 日本a在线网址| 成在线人永久免费视频| 黄片大片在线免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 99国产精品99久久久久| 亚洲av成人一区二区三| 国产成人欧美| 亚洲精品粉嫩美女一区| 如日韩欧美国产精品一区二区三区| 中文字幕色久视频| 国产精品免费大片| 91老司机精品| 看片在线看免费视频| 老司机亚洲免费影院| 伦理电影免费视频| 成人18禁高潮啪啪吃奶动态图| 一区二区三区国产精品乱码| 曰老女人黄片| 亚洲三区欧美一区| 久久久久久久国产电影| 精品一品国产午夜福利视频| 国产蜜桃级精品一区二区三区 | 国产主播在线观看一区二区| 少妇粗大呻吟视频| 久久久久久人人人人人| 三上悠亚av全集在线观看| 99久久人妻综合| 亚洲欧美色中文字幕在线| 亚洲伊人色综图| 乱人伦中国视频| 91字幕亚洲| 日韩精品免费视频一区二区三区| 欧美午夜高清在线| 亚洲中文av在线| 大陆偷拍与自拍| 99国产精品一区二区蜜桃av | 国产成+人综合+亚洲专区| 色老头精品视频在线观看| 国产亚洲一区二区精品| 好男人电影高清在线观看| 在线永久观看黄色视频| 久久九九热精品免费| 国产aⅴ精品一区二区三区波| 欧美精品啪啪一区二区三区| 亚洲国产毛片av蜜桃av| 国产男女超爽视频在线观看| 久久草成人影院| 两性午夜刺激爽爽歪歪视频在线观看 | 咕卡用的链子| 日本欧美视频一区| 中亚洲国语对白在线视频| 亚洲精品国产一区二区精华液| 不卡av一区二区三区| 亚洲美女黄片视频| 亚洲精华国产精华精| 国产成人啪精品午夜网站| 女性被躁到高潮视频| 新久久久久国产一级毛片| av天堂在线播放| 久久99一区二区三区| 极品教师在线免费播放| 亚洲九九香蕉| 在线观看午夜福利视频| 欧美色视频一区免费| 大码成人一级视频| 久久久国产一区二区| xxx96com| 亚洲色图综合在线观看| 色播在线永久视频| 午夜激情av网站| 久久久久久人人人人人| 国产在线观看jvid| 国产欧美日韩一区二区三| 国产精品九九99| 满18在线观看网站| 在线观看午夜福利视频| 日韩有码中文字幕| 欧美日韩亚洲国产一区二区在线观看 | 色尼玛亚洲综合影院| 777久久人妻少妇嫩草av网站| avwww免费| 亚洲av欧美aⅴ国产| 欧美日韩亚洲国产一区二区在线观看 | 色婷婷久久久亚洲欧美| 国产日韩欧美亚洲二区| 亚洲男人天堂网一区| 国产精品成人在线| 午夜日韩欧美国产| 久热这里只有精品99| a在线观看视频网站| 50天的宝宝边吃奶边哭怎么回事| videos熟女内射| 国产亚洲精品久久久久5区| 成人三级做爰电影| 午夜两性在线视频| 久久精品人人爽人人爽视色| 精品欧美一区二区三区在线| 成年版毛片免费区| 国产精品免费一区二区三区在线 | 国产乱人伦免费视频| av视频免费观看在线观看| 久久精品成人免费网站| 久久热在线av| 人人妻,人人澡人人爽秒播| 女人久久www免费人成看片| 精品久久久久久电影网| 在线观看66精品国产| 一本一本久久a久久精品综合妖精| 69精品国产乱码久久久| 午夜91福利影院| 天天躁狠狠躁夜夜躁狠狠躁| 久久精品成人免费网站| 久久 成人 亚洲| av线在线观看网站| 电影成人av| 9色porny在线观看| 亚洲美女黄片视频| 亚洲精华国产精华精| 精品久久久久久久久久免费视频 | 精品国产一区二区三区四区第35| 久久精品亚洲av国产电影网| 韩国av一区二区三区四区| 国产成人系列免费观看| 一区二区三区精品91| 亚洲精品av麻豆狂野| 亚洲少妇的诱惑av| 国产黄色免费在线视频| 中文字幕高清在线视频| 精品一品国产午夜福利视频| 精品国产国语对白av| 丝袜在线中文字幕| 日本a在线网址| av一本久久久久| 国产精品久久久久久精品古装| 美女高潮到喷水免费观看| 99热网站在线观看| 亚洲成人免费电影在线观看| 久久中文字幕人妻熟女| 成人影院久久| 精品人妻1区二区| 亚洲av第一区精品v没综合| 多毛熟女@视频| 一级a爱视频在线免费观看| 18禁国产床啪视频网站| 18禁黄网站禁片午夜丰满| 亚洲一区二区三区不卡视频| 久久亚洲精品不卡| 欧美乱妇无乱码| 免费一级毛片在线播放高清视频 | 国产一区二区三区视频了| 成人免费观看视频高清| √禁漫天堂资源中文www| 老汉色∧v一级毛片| 黑丝袜美女国产一区| 国产男女内射视频| 久久久久久久国产电影| a级毛片在线看网站| 午夜免费鲁丝| 精品一区二区三卡| 如日韩欧美国产精品一区二区三区| 热re99久久国产66热| 天天影视国产精品| 久9热在线精品视频| 日韩免费高清中文字幕av| 国产蜜桃级精品一区二区三区 | 丁香欧美五月| 成年人黄色毛片网站| 午夜日韩欧美国产| 黄片小视频在线播放| 一进一出抽搐动态| 亚洲色图av天堂| 高清视频免费观看一区二区| 欧美日韩亚洲国产一区二区在线观看 | 又黄又爽又免费观看的视频| 午夜福利在线观看吧| www.熟女人妻精品国产| 国产精品免费视频内射| 国产一区有黄有色的免费视频| 免费高清在线观看日韩| 色婷婷av一区二区三区视频| 精品国产国语对白av| videos熟女内射| 亚洲性夜色夜夜综合| 热99re8久久精品国产| 怎么达到女性高潮| 国产精品亚洲一级av第二区| 久热这里只有精品99| 欧美日韩亚洲综合一区二区三区_| 黄片大片在线免费观看| 国产精品 欧美亚洲| 免费在线观看视频国产中文字幕亚洲| 亚洲专区中文字幕在线| 久久中文看片网| 久久精品成人免费网站| 色尼玛亚洲综合影院| 亚洲va日本ⅴa欧美va伊人久久| 国产精品影院久久| 成人免费观看视频高清| 波多野结衣一区麻豆| 看免费av毛片| 不卡一级毛片| 国产蜜桃级精品一区二区三区 | 亚洲 欧美一区二区三区| 水蜜桃什么品种好| 亚洲av美国av| 久久午夜亚洲精品久久| 手机成人av网站| 大香蕉久久网| 久久午夜综合久久蜜桃| 色在线成人网| 热99re8久久精品国产| 黄色成人免费大全| 中文字幕人妻丝袜制服| 丁香六月欧美| 人妻 亚洲 视频| 一进一出抽搐动态| 超碰97精品在线观看| 亚洲精品中文字幕一二三四区| 久久热在线av| 亚洲国产看品久久| 免费女性裸体啪啪无遮挡网站| 少妇的丰满在线观看| 黄片播放在线免费| 午夜久久久在线观看| 国产单亲对白刺激| 欧美最黄视频在线播放免费 | 成人永久免费在线观看视频| 亚洲 国产 在线| 国产精品一区二区免费欧美| 亚洲精品一卡2卡三卡4卡5卡| 巨乳人妻的诱惑在线观看| 叶爱在线成人免费视频播放| 别揉我奶头~嗯~啊~动态视频| 亚洲色图综合在线观看| 亚洲精品国产区一区二| 久久天堂一区二区三区四区| 亚洲精品自拍成人| 久久久国产一区二区| 又黄又爽又免费观看的视频| 亚洲国产精品sss在线观看 | 亚洲精华国产精华精| 亚洲国产欧美网| 他把我摸到了高潮在线观看| 99久久国产精品久久久| 丰满饥渴人妻一区二区三| 黄频高清免费视频| 99久久99久久久精品蜜桃| 久久精品国产清高在天天线| 一级片'在线观看视频| 三上悠亚av全集在线观看| 久久精品91无色码中文字幕| 欧美精品啪啪一区二区三区| 国内毛片毛片毛片毛片毛片| 在线观看免费高清a一片| 国产精品久久久人人做人人爽| 99热网站在线观看| 丝瓜视频免费看黄片| 十八禁人妻一区二区| 午夜91福利影院| 99国产精品免费福利视频| 老司机福利观看| 一级毛片高清免费大全| 国产91精品成人一区二区三区| 18禁裸乳无遮挡动漫免费视频| 欧美日韩亚洲高清精品| 男人的好看免费观看在线视频 | 在线观看免费视频网站a站| 无人区码免费观看不卡| 老司机靠b影院| 母亲3免费完整高清在线观看| 9191精品国产免费久久| 国产午夜精品久久久久久| 成人18禁在线播放| 一级a爱片免费观看的视频| 在线观看日韩欧美| 老司机靠b影院| 久久精品成人免费网站| 国产精品99久久99久久久不卡| 国产成人精品在线电影| 黄色a级毛片大全视频| 久久精品aⅴ一区二区三区四区| 日本撒尿小便嘘嘘汇集6| 婷婷成人精品国产| 国产精品偷伦视频观看了| 女性被躁到高潮视频| 午夜福利在线免费观看网站| 中文字幕高清在线视频| 女性生殖器流出的白浆| 国产成人免费无遮挡视频| 日韩欧美三级三区| 亚洲中文字幕日韩| 欧美黄色片欧美黄色片| 国产人伦9x9x在线观看| 两个人免费观看高清视频| 国产麻豆69| 欧美国产精品va在线观看不卡| 欧美av亚洲av综合av国产av| 国产不卡av网站在线观看| 久久久久久久久久久久大奶| 男女高潮啪啪啪动态图| 老司机在亚洲福利影院| 精品久久久久久,| 夜夜爽天天搞| 91大片在线观看| 国产在线一区二区三区精| 大陆偷拍与自拍| 99久久精品国产亚洲精品| 高清欧美精品videossex| 久久国产精品男人的天堂亚洲| 久久中文字幕一级| 精品欧美一区二区三区在线| 黄色成人免费大全| 久久久久精品人妻al黑| 操出白浆在线播放| 午夜福利影视在线免费观看| 日韩 欧美 亚洲 中文字幕| av超薄肉色丝袜交足视频| 最新美女视频免费是黄的| 12—13女人毛片做爰片一| 国产av精品麻豆| 人妻久久中文字幕网| 精品国产超薄肉色丝袜足j| a级毛片在线看网站| 女性被躁到高潮视频| 欧美日韩乱码在线| 久久精品亚洲精品国产色婷小说| 中文字幕人妻丝袜制服| av不卡在线播放| 日韩视频一区二区在线观看| 亚洲成人手机| 久久久水蜜桃国产精品网| 黄片播放在线免费| 十八禁网站免费在线| 亚洲情色 制服丝袜| 国产91精品成人一区二区三区| 成人18禁在线播放| 国产一卡二卡三卡精品| xxx96com| 久久久久精品人妻al黑| 久久 成人 亚洲| 老汉色av国产亚洲站长工具| 欧美最黄视频在线播放免费 | 91成年电影在线观看| 黄色毛片三级朝国网站| av有码第一页| 亚洲成人手机| 91成年电影在线观看| 一级毛片高清免费大全| 免费高清在线观看日韩| 久久精品亚洲精品国产色婷小说| 国产欧美日韩一区二区三| 亚洲一码二码三码区别大吗| 成在线人永久免费视频| 大码成人一级视频| 国产精品1区2区在线观看. | 亚洲七黄色美女视频| 欧美精品av麻豆av| 新久久久久国产一级毛片| 99riav亚洲国产免费| 9191精品国产免费久久| 国产91精品成人一区二区三区| 女人精品久久久久毛片| 欧美成人午夜精品| 成在线人永久免费视频| 久久精品国产99精品国产亚洲性色 | 老司机深夜福利视频在线观看| 80岁老熟妇乱子伦牲交| 视频区图区小说| 变态另类成人亚洲欧美熟女 | 亚洲三区欧美一区| 中文字幕人妻丝袜制服| 亚洲在线自拍视频| 丁香欧美五月| av福利片在线| 又紧又爽又黄一区二区| 露出奶头的视频| 久久久久久久久免费视频了| 国产精品久久久av美女十八| 亚洲精品国产一区二区精华液| 久久狼人影院| 亚洲欧洲精品一区二区精品久久久| 亚洲视频免费观看视频| 两个人看的免费小视频| 亚洲精品美女久久久久99蜜臀| 成人18禁高潮啪啪吃奶动态图| 免费在线观看完整版高清| 国产在线精品亚洲第一网站| 黄色视频不卡| 咕卡用的链子| 国产成人精品久久二区二区91| 下体分泌物呈黄色| 国产黄色免费在线视频| 999精品在线视频| 99精品久久久久人妻精品| 国产高清视频在线播放一区| 精品国产一区二区久久| 国产精品久久久av美女十八| 国产精品 欧美亚洲| 欧美午夜高清在线| 免费在线观看日本一区| 午夜福利在线免费观看网站| 午夜福利影视在线免费观看| 亚洲黑人精品在线| 久久久精品区二区三区| 久99久视频精品免费| 老熟女久久久| 久久精品国产99精品国产亚洲性色 | 99精品久久久久人妻精品| av不卡在线播放| 国产免费现黄频在线看| xxxhd国产人妻xxx| 亚洲成人国产一区在线观看| 亚洲精品国产一区二区精华液| 搡老岳熟女国产| 国产精品秋霞免费鲁丝片| 免费在线观看影片大全网站| 中文欧美无线码| 亚洲一码二码三码区别大吗| 精品第一国产精品| 精品一品国产午夜福利视频| 老司机午夜福利在线观看视频| 国产精品影院久久| 青草久久国产| 精品少妇一区二区三区视频日本电影| 天天操日日干夜夜撸| 岛国在线观看网站| 国产精品av久久久久免费| 久久久久精品国产欧美久久久| 91成人精品电影| 制服诱惑二区| 欧美乱色亚洲激情| 免费在线观看完整版高清| 欧美成人免费av一区二区三区 | av欧美777| 精品无人区乱码1区二区| 亚洲中文字幕日韩| 国产成人精品久久二区二区91| 精品卡一卡二卡四卡免费| 人妻一区二区av| 成人三级做爰电影| 丝袜在线中文字幕| 国产精品 国内视频| 欧美人与性动交α欧美软件| 国产有黄有色有爽视频| av电影中文网址| 国产亚洲精品久久久久5区| 无限看片的www在线观看| 午夜亚洲福利在线播放| 香蕉久久夜色| 大陆偷拍与自拍| 一区二区三区国产精品乱码| 国产一区二区激情短视频| 国产精品一区二区免费欧美| 另类亚洲欧美激情| 69精品国产乱码久久久| 超碰97精品在线观看| 两性夫妻黄色片| 久久香蕉精品热| 日本a在线网址| 亚洲国产欧美网| 岛国毛片在线播放| 国产精品一区二区免费欧美| 一区福利在线观看| 久久久国产一区二区| 美女午夜性视频免费| 亚洲免费av在线视频| 老熟女久久久| 视频区图区小说| 国产一区二区三区视频了| 久久精品91无色码中文字幕| 丝袜美足系列| 日韩三级视频一区二区三区| 精品熟女少妇八av免费久了| 亚洲欧美日韩另类电影网站| 大型av网站在线播放| 啦啦啦视频在线资源免费观看| 欧美老熟妇乱子伦牲交| 丰满人妻熟妇乱又伦精品不卡| 国产淫语在线视频| 女人被狂操c到高潮| 日本五十路高清| 国产成人av教育| 嫩草影视91久久| 性少妇av在线| 91成人精品电影| 99久久精品国产亚洲精品| 日韩成人在线观看一区二区三区| 国产精品一区二区在线不卡| 日韩熟女老妇一区二区性免费视频| 欧美精品啪啪一区二区三区| 国产av又大| 精品亚洲成国产av| 久久影院123| 亚洲av日韩精品久久久久久密| 超碰成人久久| 久久性视频一级片| 亚洲少妇的诱惑av| 成人影院久久| 大陆偷拍与自拍| 少妇 在线观看| 亚洲人成电影免费在线| 一a级毛片在线观看| 高潮久久久久久久久久久不卡| 老司机影院毛片| 亚洲欧美精品综合一区二区三区| 视频区图区小说| 在线观看免费视频网站a站| 国产99久久九九免费精品| 久久人妻福利社区极品人妻图片| 一边摸一边做爽爽视频免费| 免费不卡黄色视频| 久久精品国产清高在天天线| 午夜91福利影院| 一边摸一边抽搐一进一小说 | 99久久精品国产亚洲精品| av视频免费观看在线观看| 国产1区2区3区精品| 狠狠狠狠99中文字幕| 婷婷成人精品国产| 婷婷丁香在线五月| 99国产精品免费福利视频| 老司机深夜福利视频在线观看| 久久性视频一级片| 天天躁狠狠躁夜夜躁狠狠躁| 夜夜躁狠狠躁天天躁| 18禁美女被吸乳视频| 欧美日韩黄片免| 欧美黄色淫秽网站| 亚洲第一青青草原| 香蕉久久夜色| 成年人黄色毛片网站| 国产一区有黄有色的免费视频| 国产精品一区二区免费欧美| 久久人妻熟女aⅴ| 婷婷成人精品国产| av网站在线播放免费| 啦啦啦 在线观看视频| 一边摸一边抽搐一进一出视频| 中文字幕人妻熟女乱码| 久久亚洲精品不卡| 丝袜美足系列| 亚洲人成电影观看| 久久国产乱子伦精品免费另类| svipshipincom国产片| 欧美老熟妇乱子伦牲交| 免费观看精品视频网站| 乱人伦中国视频| 日韩欧美一区二区三区在线观看 | 国产高清国产精品国产三级| 少妇被粗大的猛进出69影院| 久久影院123| 在线永久观看黄色视频| 久久ye,这里只有精品| 久久天堂一区二区三区四区| 两个人看的免费小视频| 一本一本久久a久久精品综合妖精| 狂野欧美激情性xxxx| 亚洲 国产 在线| aaaaa片日本免费| 亚洲第一av免费看| 国产亚洲欧美精品永久| 国产蜜桃级精品一区二区三区 | 伊人久久大香线蕉亚洲五| 久久精品亚洲av国产电影网| 一进一出抽搐gif免费好疼 | 久久久久久久精品吃奶| 国产精品免费视频内射| 国产精品成人在线| 午夜精品国产一区二区电影| 99久久精品国产亚洲精品| 国产真人三级小视频在线观看| av一本久久久久| 久久久久精品人妻al黑| 色综合婷婷激情| 18禁美女被吸乳视频| 国产精品免费视频内射| 欧美成狂野欧美在线观看| 国产在线一区二区三区精| 国产单亲对白刺激| 宅男免费午夜| 国产精品久久久久成人av| 99精品久久久久人妻精品| 少妇被粗大的猛进出69影院| 亚洲一区二区三区不卡视频| 成人黄色视频免费在线看| 精品一品国产午夜福利视频| 9191精品国产免费久久| 两性夫妻黄色片| av欧美777| 天天躁日日躁夜夜躁夜夜| 国产精品成人在线| 久久精品熟女亚洲av麻豆精品| 亚洲国产欧美网| 欧美成狂野欧美在线观看| 精品一品国产午夜福利视频| 黑人操中国人逼视频| 后天国语完整版免费观看| 精品人妻在线不人妻| 午夜福利影视在线免费观看| 99精品久久久久人妻精品| 一进一出好大好爽视频| 99国产精品一区二区三区| 欧美日韩一级在线毛片| 欧美午夜高清在线| 亚洲va日本ⅴa欧美va伊人久久| bbb黄色大片| 亚洲男人天堂网一区| 欧美日韩精品网址| 亚洲免费av在线视频| 欧美激情极品国产一区二区三区| 国产精品亚洲一级av第二区| 精品午夜福利视频在线观看一区| 人人妻人人澡人人爽人人夜夜| 国产99白浆流出|