• <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 ?

    基于距離置信度分?jǐn)?shù)的多模態(tài)融合分類網(wǎng)絡(luò)

    2022-01-27 05:29:02鄭德重楊媛媛黃浩哲李文濤
    上海交通大學(xué)學(xué)報 2022年1期
    關(guān)鍵詞:模態(tài)分類融合

    鄭德重, 楊媛媛, 黃浩哲, 謝 哲, 李文濤

    (1. 中國科學(xué)院上海技術(shù)物理研究所 醫(yī)學(xué)影像信息學(xué)實(shí)驗室, 上海 200080; 2. 中國科學(xué)院大學(xué),北京 100049; 3. 復(fù)旦大學(xué)附屬腫瘤醫(yī)院, 上海 200032)

    在處理機(jī)器學(xué)習(xí)分類問題時,模型準(zhǔn)確率的提高總是會被優(yōu)先關(guān)注.較高的準(zhǔn)確率固然很重要,但在有限樣本的情況下,學(xué)習(xí)到的模型準(zhǔn)確率可能很高,但模型的可靠性并不一定很高.在統(tǒng)計學(xué)中,置信度是度量系統(tǒng)可靠性的一個典型指標(biāo).置信度的重要性在于,如果一個決策支持系統(tǒng)對某個樣本進(jìn)行預(yù)測的信心太低,則可能需要人類專家參與決策過程.在實(shí)際應(yīng)用中,置信度還具有識別未知類別樣本的能力.因為當(dāng)分類時,如果置信度較低,則表明要鑒別的樣本與建立模型時用到的樣本差異度較大.借助置信度能夠擴(kuò)大樣本訓(xùn)練范圍,通過再訓(xùn)練改善模型,提高模型的泛化能力[1-4].因此,良好的置信度應(yīng)該是模型設(shè)計的一部分[1].在部署任何機(jī)器學(xué)習(xí)分類模型時,好的模型不僅要求有較高的準(zhǔn)確率,而且還要能以較高的置信度進(jìn)行正確分類.

    機(jī)器學(xué)習(xí)中大多數(shù)生成的模型本質(zhì)上都是概率模型,可以直接得到這樣的置信度.但大多數(shù)判別模型無法直接獲得每個類的預(yù)測概率,而是將相關(guān)的非概率分?jǐn)?shù)作為一種替代,如支持向量機(jī)(SVM)分類器中的最大間隔[1,5-6].在評估一個神經(jīng)網(wǎng)絡(luò)模型的好壞時,通常會使用各種不同類型的分?jǐn)?shù)來衡量模型的置信度.常用的方法是將最后一級輸出單元通過Softmax軟件歸一化.此外,還可以利用輸出單元的熵來計算,當(dāng)預(yù)測某個樣本的不確定性越低時,熵越小.雖然這些從輸出端得到的分?jǐn)?shù)與置信度相關(guān),但使用這些分?jǐn)?shù)度量置信度也存在一些缺陷,一些不可察覺的擾動可能改變神經(jīng)網(wǎng)絡(luò)的輸出值.文獻(xiàn)[7]通過實(shí)驗在圖像分類樣本中加入噪聲擾動,原本能夠正確分類的樣本在加入擾動后可以得到完全相反的預(yù)測結(jié)果,而加入噪聲的圖像在人的視覺觀察中感覺不到任何變化.神經(jīng)網(wǎng)絡(luò)相比于人類在對數(shù)據(jù)的理解方面存在巨大差異,可能存在某些反直覺的情況“盲區(qū)”,也間接說明了神經(jīng)網(wǎng)絡(luò)可能存在某些人類難以覺察的不確定性,這種不確定將會直接影響輸出結(jié)果和置信度[7-8].對于分類而言,將最后一級單元通過Softmax軟件獲得的概率最大值視為分類置信度是不準(zhǔn)確的,因為這種方式忽略了與其余類預(yù)測概率間的關(guān)系,與真正的置信度之間有時存在著一定的偏差[3,9].既然從模型的外部計算出來的置信度不一定能夠代表其真實(shí)的概率估計,那么可以嘗試從模型內(nèi)部入手.

    為了獲得一個對于神經(jīng)網(wǎng)絡(luò)分類模型可靠的置信度分?jǐn)?shù),許多研究者將注意力集中在神經(jīng)網(wǎng)絡(luò)的嵌入階段,這些嵌入層被證明可以在許多相關(guān)任務(wù)中提供更好的語義表示[10-12].使用這種語義表示,通過估計嵌入空間中樣本的局部密度來計算置信度分?jǐn)?shù),進(jìn)而可以計算樣本屬于不同類別的概率.基于此,本文在嵌入空間提出一種基于距離置信度分?jǐn)?shù)(DCS)的計算方法來度量模型的置信度.此方法不依賴于特定的分類模型,可以嵌入任何分類器中進(jìn)行置信度計算.通過實(shí)驗證明所提方法不僅可以用在單一模態(tài)分類模型中,還可對此進(jìn)行擴(kuò)展,將其用在多模態(tài)分類模型的置信度度量中.綜上所述,本文的主要貢獻(xiàn)如下:① 提出一種不依賴于特定分類模型的置信度度量方法,該方法不僅可以用在單模態(tài)分類問題,還可以用在多模態(tài)分類問題中;② 對于多模態(tài)分類問題,該方法可以量化評估單模態(tài)數(shù)據(jù)對于模型最終決策的影響,同時還可以知道不同模態(tài)信息對于最終決策時的重要程度差異.

    1 研究理論

    本文提出的基于距離置信度分?jǐn)?shù),主要借鑒以往兩方面的研究:神經(jīng)網(wǎng)絡(luò)置信度分?jǐn)?shù)和多模態(tài)融合研究.因此,下文將從這兩個方面介紹相關(guān)工作.

    1.1 置信度分?jǐn)?shù)

    Bayes模型在數(shù)學(xué)上提供了一種用來計算置信度的基礎(chǔ)框架.文獻(xiàn)[13-14]使用神經(jīng)網(wǎng)絡(luò)上的參數(shù)計算后驗分布,用于估計預(yù)測不確定性來進(jìn)行置信度的度量.文獻(xiàn)[15]利用Bayes網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)結(jié)合多模態(tài)信息對非常規(guī)性突發(fā)事件的可能性進(jìn)行量化評估.雖然利用Bayes方法來計算置信度的數(shù)學(xué)理論成熟,但在實(shí)際應(yīng)用中實(shí)現(xiàn)起來相對困難,且計算成本高.文獻(xiàn)[16]提出在模型測試時用dropout操作作為Bayes網(wǎng)絡(luò)的一種簡單替代,通過輸出結(jié)果觀察模型的不確定性.文獻(xiàn)[17]提出使用對抗訓(xùn)練來改進(jìn)網(wǎng)絡(luò)基于熵分?jǐn)?shù)的不確定性度量方法.模型置信度通常是從輸出端的激活函數(shù)或其歸一化中計算得到的,這些方法大多是通過對模型輸出端進(jìn)行外部觀測,并將觀測結(jié)果用于計算模型置信度.鑒于通過外部輸出計算置信度有較多不足之處,希望能找到一種通過模型內(nèi)部觀測的方法,即找到一種能夠代表真實(shí)概率估計的方法來計算置信度.

    在度量學(xué)習(xí)研究領(lǐng)域中,如人臉識別、圖像檢索等,通過嵌入的方法可以學(xué)習(xí)從原始特征空間到一個低維稠密向量空間(嵌入空間)的映射,在該空間中樣本的相似度可以通過距離進(jìn)行度量.文獻(xiàn)[18]在使用ImageNet數(shù)據(jù)集訓(xùn)練一個深層網(wǎng)絡(luò)時,通過嵌入得到一個圖像語義豐富的表示,并在此基礎(chǔ)上進(jìn)行分類.文獻(xiàn)[10]基于深度嵌入的度量學(xué)習(xí)思想,在有限標(biāo)記的成對樣本之間進(jìn)行相似性學(xué)習(xí),完成不同圖像的匹配任務(wù).文獻(xiàn)[11]通過提取圖像特征學(xué)習(xí)高層次的嵌入語義來實(shí)現(xiàn)圖像壓縮.文獻(xiàn)[1]還通過對抗性實(shí)驗證明嵌入空間不僅含有豐富的語義信息,而且還具有一定的抗干擾能力.由此可知,通過嵌入方式可以將網(wǎng)絡(luò)提取的特征從原來的特征空間映射到一個稠密的、可度量的嵌入空間中.在這個嵌入空間對樣本進(jìn)行局部概率密度估計,有望找到一種可以度量模型的置信度分?jǐn)?shù).

    1.2 多模態(tài)信息融合

    融合不同來源的信息主要有3種方式:早期融合、中期融合和后期融合.早期融合是在訓(xùn)練模型之前,將不同模態(tài)的特征串聯(lián)起來,然后從串聯(lián)特征中進(jìn)行學(xué)習(xí).中期融合首先是對各個單模態(tài)數(shù)據(jù)的特征進(jìn)行一些初步學(xué)習(xí),然后將學(xué)到的初級特征通過第2階段融合加工進(jìn)一步學(xué)習(xí),最后將這些學(xué)習(xí)到的綜合特征用于最終決策.中期融合方式目前大多是通過深度學(xué)習(xí)來實(shí)現(xiàn)的[19].后期融合方式是針對各種不同模態(tài)數(shù)據(jù)獨(dú)立使用不同算法,然后根據(jù)任務(wù)特點(diǎn)使用一些技術(shù)組合方式進(jìn)行最終決策.早期融合方式的主要優(yōu)勢是可以識別不同模態(tài)特征之間的關(guān)系,但該方式無法充分利用每種模態(tài)數(shù)據(jù)中自己的模式.早期融合只適用于相同類型數(shù)據(jù)間的融合,不同類型之間的數(shù)據(jù)不能直接融合,例如圖像數(shù)據(jù)和文本數(shù)據(jù).此外,早期融合方式著重于組合不同模態(tài)的特征,因此其通常具有很高的特征與樣本比,容易導(dǎo)致分類時模型過擬合.后期融合方式與中期融合方法相比,后期融合方法實(shí)現(xiàn)更簡單,但無法充分利用不同模態(tài)間的交互信息,只能通過每種模態(tài)信息獨(dú)立判斷后進(jìn)行綜合決策.中期融合方式目前在利用模式內(nèi)信息和模式間交互信息方面具有一定的優(yōu)勢,并且可以充分利用深度學(xué)習(xí)強(qiáng)大的特征提取能力[20].本文提出的基于距離置信度分?jǐn)?shù)來評估多模態(tài)分類模型置信度就是通過中間融合方式融合信息的.

    2 計算方法

    接下來,先介紹兩種通常使用的從外部輸出端得到的模型置信度分?jǐn)?shù).然后再介紹所提的從內(nèi)部嵌入空間評估模型的置信度分?jǐn)?shù)計算方法,最后介紹這種新的置信度分?jǐn)?shù)在多模態(tài)分類模型中的構(gòu)建.

    2.1 輸出端置信度分?jǐn)?shù)

    給定一個訓(xùn)練好的模型,通常使用以下兩種分?jǐn)?shù)來評估分類的置信度:基于最大距離置信度分?jǐn)?shù)(MMCS)和基于熵置信度分?jǐn)?shù)(ECS).文獻(xiàn)[21]的實(shí)證研究表明,對外部輸出而言,用這兩種方法是相對有效的評估模型置信度的方法,文獻(xiàn)[1]也曾用這兩種分?jǐn)?shù)評估模型的置信度.兩種分?jǐn)?shù)定義如下:① 基于最大距離的置信度分?jǐn)?shù).歸一化后,網(wǎng)絡(luò)輸出層中的最大激活單元.② 基于熵的置信度分?jǐn)?shù).網(wǎng)絡(luò)輸出層中激活單元的(負(fù))熵.

    2.2 嵌入空間中基于距離的置信度分?jǐn)?shù)

    所提出的基于距離置信度分?jǐn)?shù)的主要思路是借鑒度量學(xué)習(xí)方法,在網(wǎng)絡(luò)特征提取后添加一層嵌入層,將原來網(wǎng)絡(luò)中提取的特征進(jìn)行映射,映射到一個語義豐富且可以度量的稠密空間中.在該嵌入空間中估計樣本的局部密度,進(jìn)而計算模型置信度,如圖1所示.由圖1可知,左側(cè)特征提取部分用來提取樣本特征;右側(cè)兩層全連接層,一個用于嵌入獲得樣本的向量表示,一個用于映射到輸出以獲取相應(yīng)的預(yù)測值.

    圖1 基于距離置信度分?jǐn)?shù)的計算示意圖Fig.1 Schematic diagram of distance confidence score calculation

    (1)

    圖2 最近k個點(diǎn)的密度估計Fig.2 Estimation of density of the nearest k points

    (2)

    式中:max (·)為測試樣本xi預(yù)測類別最大的分?jǐn)?shù),即最有可能的分類.

    2.2.2利用中心損失提高嵌入效果 在度量學(xué)習(xí)應(yīng)用中,鑒別的樣本對象之間差異度相對較小,其分類模型要在能夠?qū)ζ溥M(jìn)行細(xì)粒度鑒別的同時保持穩(wěn)健性.早期主要是通過交叉熵?fù)p失來訓(xùn)練優(yōu)化模型的,之后有學(xué)者提出了三重態(tài)損失訓(xùn)練模型,但在訓(xùn)練過程中三重態(tài)樣本配對組合的差異度會影響模型的學(xué)習(xí)速度[22].文獻(xiàn)[23]提出將中心損失用于面部識別,根據(jù)中心損失的梯度更新每個mini-batch中心,作為三重態(tài)損失的一種替代取得了良好的效果.文獻(xiàn)[24]在少樣本學(xué)習(xí)中使用了類似的方法,不斷更新mini-batch的中心來進(jìn)行優(yōu)化,在場景識別任務(wù)中取得了不錯的效果.中心損失優(yōu)化時,最小化具有相同標(biāo)簽的樣本到其樣本中心之間的距離,將屬于同一類的數(shù)據(jù)點(diǎn)聚集在一起,以獲得在嵌入空間更好的向量表示[24].為了提高嵌入表達(dá)效果,使用中心損失來優(yōu)化模型.中心損失可表示為

    (3)

    式中:Lso為交叉熵?fù)p失;Lcen為中心損失;f(xi)為第i個訓(xùn)練樣本通過網(wǎng)絡(luò)后得到的高維特征向量;hci∈RD為ci的樣本中心,ci為xi的樣本類別標(biāo)簽,xi∈RD,D為特征向量的維度;M為mini-batch的樣本數(shù)量;λ為超參數(shù).

    2.3 距離置信度分?jǐn)?shù)在多模態(tài)分類網(wǎng)絡(luò)中的構(gòu)建

    圖3 基于距離置信度分?jǐn)?shù)的多模態(tài)分類網(wǎng)絡(luò)構(gòu)建示意圖Fig.3 Schematic diagram of multimodal classification network construction based on distance confidence score

    由上述可知,嵌入層添加在模型的特征提取模塊之后,對于多模態(tài)分類模型可以使用相同的方法在各自模態(tài)特征提取后添加嵌入層用于計算置信度,如圖3所示,其中:N為輸入信息序號.在單一模態(tài)分類中由于信息源只有一個,不用考慮模式中特征重要程度的差異.但在多模態(tài)分類中,由不同信息來源間的模式提取到的特征重要程度存在差異,因此引入注意力機(jī)制.注意力機(jī)制最早在計算機(jī)視覺任務(wù)中提出,隨后在自然語言處理領(lǐng)域也開始逐漸應(yīng)用,隨著BERT(Bidirectional Encoder Representation from Transformers)模型和GPT(Generative Pre-Training)模型在該領(lǐng)域中取得顯著的效果,人們也越來越注意到注意力機(jī)制.注意力機(jī)制可以幫助模型將提取到的特征賦予不同權(quán)重,對關(guān)鍵、重要信息進(jìn)行強(qiáng)化,幫助模型做出更加準(zhǔn)確的判斷[25-28].在多模態(tài)分類網(wǎng)絡(luò)的特征提取階段,為了強(qiáng)化不同模態(tài)提取自己的關(guān)鍵信息,在各自模態(tài)中做了注意力機(jī)制的處理.在提取圖像特征時,使用了通道注意力和空間注意力機(jī)制[29];在對文本類結(jié)構(gòu)化信息提取時,使用了自注意力機(jī)制[27];最后,在各自模態(tài)信息特征提取完成后再添加一個嵌入層,獲取各自模態(tài)的高維向量表示,用來計算多模態(tài)分類任務(wù)中單一模態(tài)信息的置信度.在多模態(tài)分類網(wǎng)絡(luò)的特征融合階段,將各模態(tài)信息進(jìn)行連接,并將連接后的所有信息再次嵌入,對多模態(tài)信息融合信息進(jìn)行再次學(xué)習(xí),其嵌入向量表示可以用來計算特征融合后的置信度.

    圖4 MNIST分類網(wǎng)絡(luò)Fig.4 MNIST classification network

    3 實(shí)驗和結(jié)果

    在本節(jié)中,將通過3個實(shí)驗任務(wù)來評估所提置信度分?jǐn)?shù).3個任務(wù)分別為:單模態(tài)分類任務(wù)MNIST數(shù)據(jù)分類、單模態(tài)分類任務(wù)CIFAR-10數(shù)據(jù)分類、多模態(tài)分類任務(wù)肺部腺癌數(shù)據(jù)分類.上述提到的需進(jìn)行比較的3種置信度分?jǐn)?shù)分別為:① 外部輸出得到的基于最大距離的置信度分?jǐn)?shù);② 外部輸出得到的基于熵的置信度分?jǐn)?shù);③ 所提出的通過內(nèi)部嵌入得到的基于距離的置信度分?jǐn)?shù).

    3.1 實(shí)驗數(shù)據(jù)

    (1) MNIST數(shù)據(jù)分類.手寫數(shù)字?jǐn)?shù)據(jù)集,該數(shù)據(jù)包含6×104個訓(xùn)練集示例,1×104個測試集示例,是美國國家標(biāo)準(zhǔn)與技術(shù)研究所(NIST)數(shù)據(jù)集合的子集.

    (2) CIFAR-10數(shù)據(jù)分類.由10個類的6×104張32像素×32像素的彩色圖像組成,每個類包含 6×103張圖像,有5×104張訓(xùn)練圖像和1×104張測試圖像.

    (3) 肺部腺癌數(shù)據(jù)分類.來自一家三甲醫(yī)院采集的肺腺癌數(shù)據(jù),包含 1 675 個樣本,其中532例浸潤性肺腺癌和 1 143 例非浸潤性腺癌.每個樣本數(shù)據(jù)有3種模態(tài)數(shù)據(jù):高分辨計算機(jī)斷層掃描(HRCT)圖像數(shù)據(jù)、患者的結(jié)構(gòu)化臨床基本信息和血液檢查信息.

    3.2 實(shí)驗設(shè)置

    3.2.1MNIST單模態(tài)分類 該任務(wù)中,使用了一個由6層卷積層和2層全連接層構(gòu)成的網(wǎng)絡(luò)進(jìn)行訓(xùn)練,如圖4所示.其中:每個卷積層的卷積核參數(shù)用符號表示,如32@5×5表示32個5×5的卷積核.第1層全連接提取樣本向量表示用于估計概率密度,進(jìn)而計算所提出的DCS.第2層全連接輸出用于計算MMCS和ECS.該實(shí)驗分別使用了交叉熵?fù)p失與中心損失來進(jìn)行優(yōu)化比較.

    3.2.2CIFAR-10單模態(tài)分類 對于CIFAR-10分類任務(wù),使用了常規(guī)的ResNet50模型的特征提取器和2層全連接層構(gòu)成的網(wǎng)絡(luò)進(jìn)行訓(xùn)練,如圖5所示.其中:z為每個殘差模塊的輸入;sg(g=1, 2, 3, 4)為殘差模塊;RelU為激活函數(shù).模型首先提取圖像特征,然后經(jīng)過2層全連接,第1層將ResNet50模型提取特征進(jìn)行嵌入,用來獲取樣本的向量表示,進(jìn)而計算所提出的DCS.第2層全連接輸出用于計算MMCS和ECS.該實(shí)驗中,同樣使用了交叉熵?fù)p失和中心損失來進(jìn)行優(yōu)化比較.

    圖5 CIFAR-10分類網(wǎng)絡(luò)Fig.5 CIFAR-10 classification network

    圖6 基于注意力機(jī)制的圖像特征提取Fig.6 Image feature extraction based on attention mechanism

    3.2.3肺部腺癌多模態(tài)分類 肺部腺癌多模態(tài)數(shù)據(jù)包含1組圖像數(shù)據(jù)和2組結(jié)構(gòu)化文本數(shù)據(jù).對多模態(tài)數(shù)據(jù)進(jìn)行分類的網(wǎng)絡(luò)由兩部分組成:不同模態(tài)信息特征提取和多模態(tài)特征融合決策.

    在特征提取部分,針對圖像數(shù)據(jù)使用了添加注意力機(jī)制的ResNet50網(wǎng)絡(luò)結(jié)構(gòu).在ResNet50網(wǎng)絡(luò)結(jié)構(gòu)的基本殘差模塊中,添加通道注意力和空間注意力兩種注意力模塊,用以提高圖像重要部位的特征提取能力,如圖6所示.其中:C為卷積核的通道數(shù)量;G為卷積核深度;H、W分別為卷積核的高和寬;ωch為通道注意力輸出權(quán)重;ωsp為空間注意力輸出權(quán)重;Sigmod為轉(zhuǎn)換函數(shù).對于另外兩組結(jié)構(gòu)化文本數(shù)據(jù),使用了多層感知機(jī)提取特征,同時使用了自注意力模塊來提高重要信息的提取能力,如圖7所示.其中:ωse為自注意力輸出權(quán)重;tanh為激活函數(shù).

    圖7 基于注意力機(jī)制的結(jié)構(gòu)化文本特征提取Fig.7 Structured text feature extraction based on attention mechanism

    多模態(tài)特征融合決策部分如圖8所示.首先, 將不同模態(tài)提取來的特征進(jìn)行第1次嵌入,該嵌入空間的特征可以用來計算所提出的DCS,該分?jǐn)?shù)可以反應(yīng)不同模態(tài)信息的置信度.然后,將這些高維向量進(jìn)行拼接并進(jìn)行第2次嵌入,第2次嵌入空間的高維特征向量可以用來計算融合特征的DCS.最后,通過一層全連接進(jìn)行輸出,輸出的向量用來計算MMCS和ECS.在該實(shí)驗中,使用中心損失來對模型進(jìn)行優(yōu)化.

    圖8 多模態(tài)特征融合Fig.8 Multimodal feature fusion

    3.3 評價指標(biāo)

    Brier分?jǐn)?shù)(BS)是一種用來評估模型預(yù)測概率準(zhǔn)確性的指標(biāo),是一種成本函數(shù)[30].Brier分?jǐn)?shù)越低,其預(yù)測概率越準(zhǔn)確,模型不確定性越低,置信度更高;反之,則置信度更低.Brier分?jǐn)?shù)的取值范圍為0~1.二分類Brier 分?jǐn)?shù)的計算公式如下:

    (4)

    式中:Pi為預(yù)測概率;oi為二分類預(yù)測輸出值,oi∈{0, 1}.對于多分類Brier 分?jǐn)?shù)BSmut,其計算公式如下:

    (5)

    (6)

    q=0, 1, …,Q-1

    式中:Pij為多分類預(yù)測概率;oij為多分類預(yù)測輸出值;Q為預(yù)測輸出值可能的數(shù)量, 如10分類,則Q=10.

    3.4 實(shí)驗步驟

    實(shí)驗對每個模型進(jìn)行30次訓(xùn)練迭代,計算每個訓(xùn)練迭代次數(shù)中的3種置信度分?jǐn)?shù):由外部輸出計算的MMCS、ECS和由內(nèi)部嵌入計算的DCS,觀察其變化規(guī)律.在3個任務(wù)中選擇訓(xùn)練出來的最佳模型,比較所獲得模型的性能指標(biāo):準(zhǔn)確率、接受者操作特征曲線下面積(AUC)、Brier分?jǐn)?shù).

    由熵的定義可以知道,熵是預(yù)測結(jié)果不確定性的度量,不是預(yù)測每種可能性的度量分?jǐn)?shù),無法計算其Brier分?jǐn)?shù).基于熵的分?jǐn)?shù)只用來觀察其變化規(guī)律,不計算Brier分?jǐn)?shù),所以在實(shí)驗中約定將外部輸出得到的MMCS作為外部Brier分?jǐn)?shù)(BSo),將內(nèi)部嵌入得到的DCS作為內(nèi)部Brier分?jǐn)?shù)(BSI).

    圖9 MNIST數(shù)據(jù)集上的模型準(zhǔn)確率和AUC隨E的變化曲線Fig.9 Model accuracy and AUC versus E on MNIST dataset

    3.5 實(shí)驗結(jié)果

    3.5.1MNIST 模型訓(xùn)練中,準(zhǔn)確率A、AUC隨訓(xùn)練迭代次數(shù)(E)的變化規(guī)律,如圖9所示.由圖9可知,隨著訓(xùn)練次數(shù)的增加,模型準(zhǔn)確率和AUC逐步提高,最后趨于穩(wěn)定,使用中心損失優(yōu)化可以得到更高的準(zhǔn)確率和AUC.3種置信度分?jǐn)?shù)MMCS、ECS和DCS隨E的變化曲線,如圖10所示,其中:δ為置信度分?jǐn)?shù).由圖10可知,隨著E的增加,從輸出端得到的MMCS和從內(nèi)部得到的DCS都是逐漸增大后趨于穩(wěn)定的,兩者最后趨于相同,而ECS則是逐漸減小后趨于穩(wěn)定的(見圖10(a)).通過變化曲線的一階差分可以知道,DCS和ECS正相關(guān)(見圖10(b)),DCS與ECS負(fù)相關(guān)(見圖10(c)).3種置信度分?jǐn)?shù)間的相關(guān)系數(shù)如表1所示,其中:R為線性相關(guān)系數(shù).

    圖10 MNIST數(shù)據(jù)集上3種置信度分?jǐn)?shù)隨E的變化曲線Fig.10 Three kinds of confidence scores versus E on MNIST dataset

    表1 MNIST數(shù)據(jù)集上3種置信度分?jǐn)?shù)間的相關(guān)系數(shù)

    當(dāng)訓(xùn)練穩(wěn)定后,使用不同損失函數(shù)得到的最佳模型結(jié)果如表2所示.使用中心損失優(yōu)化可以得到準(zhǔn)確率和AUC,并且通過內(nèi)部計算嵌入得到的Brier分?jǐn)?shù)更低,反映出通過內(nèi)部參數(shù)計算出來的置信度分?jǐn)?shù)更加接近真實(shí)情況.

    表2 MNIST數(shù)據(jù)集上由不同損失函數(shù)訓(xùn)練獲得的模型性能

    3.5.2CIFAR-10 模型訓(xùn)練中每個E的準(zhǔn)確率、AUC隨E的變化規(guī)律,如圖11所示.由圖11可知,隨著E的增加, 模型準(zhǔn)確率和AUC逐步提高,最后趨于穩(wěn)定,使用中心損失優(yōu)化可以得到更高的準(zhǔn)確率和AUC.3種置信度分?jǐn)?shù)隨E的變化曲線如圖12所示.由圖12可知,隨著E的增加,從輸出端得到的MMCS和從內(nèi)部得到的DCS都是逐漸增大最后趨于穩(wěn)定, 最后兩者趨于相同, 而ECS則是逐漸減小后趨于穩(wěn)定的(見圖12(a)).通過變化曲線的一階差分可以知道,DCS和ECS正相關(guān)(見圖12(b)),DCS與ECS負(fù)相關(guān)(見圖12(c)).3種置信度分?jǐn)?shù)間的相關(guān)系數(shù)如表3所示.

    圖11 CIFAR-10數(shù)據(jù)集上的模型準(zhǔn)確率和AUC隨E的變化曲線Fig.11 Model accuracy and AUC versus E on CIFAR-10 dataset

    表3 CIFAR-10數(shù)據(jù)集上3種置信度分?jǐn)?shù)間的相關(guān)系數(shù)

    圖12 CIFAR-10數(shù)據(jù)集上3種置信度分?jǐn)?shù)隨E的變化曲線Fig.12 Three kinds of confidence scores versus E on CIFAR-10 dataset

    當(dāng)訓(xùn)練過程穩(wěn)定后,使用不同損失函數(shù)得到的最佳模型結(jié)果如表4所示.與MNIST類似,使用中心損失優(yōu)化可以得到準(zhǔn)確率和AUC,并且通過內(nèi)部計算嵌入得到的Brier分?jǐn)?shù)更低,反映出通過內(nèi)部參數(shù)計算出來的置信度分?jǐn)?shù)更加接近真實(shí)情況.

    表4 CIFAR-10數(shù)據(jù)集上由不同損失函數(shù)訓(xùn)練得到的模型性能

    3.5.3肺部腺癌 對于肺部腺癌多模態(tài)數(shù)據(jù)分類任務(wù),不再對優(yōu)化器方面進(jìn)行比較,該任務(wù)全部都使用中心損失優(yōu)化以獲得更好的嵌入表示.訓(xùn)練中模型的準(zhǔn)確率和AUC,如圖13所示.由圖13可知,隨著E的增加,模型的準(zhǔn)確率、AUC逐步提高,最后趨于穩(wěn)定.當(dāng)多模態(tài)數(shù)據(jù)加入后,相比于原來的單一模態(tài)圖像數(shù)據(jù),模型性能得到了提高.通過由輸出端得到的MMCS、ECS和由內(nèi)部嵌入得到的DCS隨E的變化如圖14所示.通過變化曲線的一階差分可以知道,DCS和ECS正相關(guān)(見圖14(b)),DCS與ECS負(fù)相關(guān)(見圖14(c)).3種置信度分?jǐn)?shù)間的相關(guān)系數(shù)如表5所示.

    當(dāng)訓(xùn)練穩(wěn)定后,使用不同損失函數(shù)得到的最佳模型表現(xiàn)如表6所示.由表6可以看到,多模態(tài)數(shù)據(jù)可以增加模型分類的準(zhǔn)確率、AUC,并且通過內(nèi)部計算嵌入得到的Brier分?jǐn)?shù)更低,反映出通過內(nèi)部參數(shù)計算出來的置信度分?jǐn)?shù)更加接近真實(shí)情況.

    圖13 肺部腺癌數(shù)據(jù)集上的模型準(zhǔn)確率和AUC隨E的變化曲線Fig.13 Model accuracy and AUC versus E on adenocarcinoma dataset

    圖14 肺部腺癌數(shù)據(jù)集上3種置信度分?jǐn)?shù)隨E的變化曲線Fig.14 Three kinds of confidence scores versus E on adenocarcinoma dataset

    表5 肺部腺癌數(shù)據(jù)集上3種置信度分?jǐn)?shù)間的相關(guān)系數(shù)

    表6 肺部腺癌數(shù)據(jù)集上的多模態(tài)分類模型性能

    表7 基于距離置信度分?jǐn)?shù)的多模態(tài)數(shù)據(jù)Tab.7 Multimodal data based on distance confidence score

    3.5.4結(jié)果分析 通過上述3組不同的實(shí)驗數(shù)據(jù)可以知道,使用中心損失可以在獲得更好的嵌入表示的同時提高模型的性能(準(zhǔn)確率、AUC和置信度).另外,所提通過嵌入得到的基于距離的置信度分?jǐn)?shù)與輸出得到的基于最大距離的置信度分?jǐn)?shù)和基于熵的置信度分?jǐn)?shù)一樣可以作為一種度量模型的置信度方法,且所提方法更能真實(shí)地反應(yīng)概率預(yù)測情況.此外,相比兩種由外部參數(shù)計算得到的置信度分?jǐn)?shù)而言,在處理多模態(tài)數(shù)據(jù)分類時,所提出的基于距離的置信度分?jǐn)?shù)不僅可以獲得模型整體的置信度,還可以獲得多模態(tài)數(shù)據(jù)基于自身信息在判斷時的置信度,并可以量化不同模態(tài)信息的重要程度.

    4 結(jié)語

    本文提出一種在嵌入空間基于距離的置信度分?jǐn)?shù)計算方法來度量模型的置信度.該方法在處理單一模態(tài)分類任務(wù)時,與其他通過模型輸出端計算置信度分?jǐn)?shù)方法相似,可以作為一種度量模型置信度的手段.在處理多模態(tài)融合分類任務(wù)時,不僅可以用來度量模型整體的置信度,還可以用來評估和量化多模態(tài)數(shù)據(jù)對于模型最后判斷時的置信度影響,知道各種模態(tài)數(shù)據(jù)對于決策的重要程度.這一點(diǎn)在實(shí)際應(yīng)用中對模型可靠性和可解釋性都有要求的場合中具有重要意義.

    猜你喜歡
    模態(tài)分類融合
    村企黨建聯(lián)建融合共贏
    融合菜
    分類算一算
    從創(chuàng)新出發(fā),與高考數(shù)列相遇、融合
    《融合》
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    國內(nèi)多模態(tài)教學(xué)研究回顧與展望
    基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
    美女午夜性视频免费| 99re6热这里在线精品视频| 色网站视频免费| 超色免费av| 日韩三级伦理在线观看| 久久国内精品自在自线图片| 国产日韩欧美在线精品| 国产熟女欧美一区二区| 亚洲综合色惰| 美女福利国产在线| 中文字幕亚洲精品专区| 热99久久久久精品小说推荐| 亚洲欧美一区二区三区黑人 | 午夜久久久在线观看| 一本久久精品| 欧美精品高潮呻吟av久久| 久久久国产精品麻豆| 午夜av观看不卡| 久久久久人妻精品一区果冻| 亚洲精品第二区| 国产精品香港三级国产av潘金莲 | 亚洲久久久国产精品| 亚洲av国产av综合av卡| 国产精品女同一区二区软件| 蜜桃国产av成人99| 亚洲国产日韩一区二区| 69精品国产乱码久久久| 青春草亚洲视频在线观看| 九色亚洲精品在线播放| 黄片小视频在线播放| 1024视频免费在线观看| 久久热在线av| 欧美日韩亚洲高清精品| 亚洲成色77777| 欧美bdsm另类| av国产久精品久网站免费入址| 毛片一级片免费看久久久久| 国产乱来视频区| 日韩欧美一区视频在线观看| 亚洲av中文av极速乱| 国产精品秋霞免费鲁丝片| 热re99久久国产66热| 国产欧美日韩一区二区三区在线| 欧美最新免费一区二区三区| 一区二区av电影网| 99久久精品国产国产毛片| 日日啪夜夜爽| 国产福利在线免费观看视频| 激情五月婷婷亚洲| 日韩 亚洲 欧美在线| 精品一品国产午夜福利视频| 亚洲av国产av综合av卡| 黄色怎么调成土黄色| 久久久久久免费高清国产稀缺| 日韩在线高清观看一区二区三区| 国产精品偷伦视频观看了| 精品第一国产精品| 亚洲精品国产av蜜桃| 91精品三级在线观看| 日本色播在线视频| 亚洲国产欧美网| 国产在线一区二区三区精| 国产免费现黄频在线看| 大码成人一级视频| 人妻少妇偷人精品九色| 蜜桃在线观看..| 亚洲人成电影观看| 精品少妇内射三级| 波多野结衣av一区二区av| 久久人妻熟女aⅴ| 久久久久国产一级毛片高清牌| 我要看黄色一级片免费的| 91成人精品电影| 香蕉丝袜av| 99久久中文字幕三级久久日本| 国产免费一区二区三区四区乱码| 久久国产精品男人的天堂亚洲| 精品国产露脸久久av麻豆| 七月丁香在线播放| 欧美日韩av久久| 久热这里只有精品99| 日韩人妻精品一区2区三区| 欧美国产精品一级二级三级| 国产精品久久久久久久久免| 久久久久久久久久人人人人人人| 国产激情久久老熟女| 久久久久精品性色| 午夜福利,免费看| 亚洲美女黄色视频免费看| 亚洲精品久久午夜乱码| 伊人久久大香线蕉亚洲五| 国产成人精品在线电影| 国产97色在线日韩免费| 亚洲欧美精品综合一区二区三区 | 一本—道久久a久久精品蜜桃钙片| 一本大道久久a久久精品| 少妇精品久久久久久久| 只有这里有精品99| 久久久久久久精品精品| 老女人水多毛片| 亚洲欧美一区二区三区黑人 | 中文字幕人妻丝袜一区二区 | 久久青草综合色| 亚洲国产成人一精品久久久| 成年美女黄网站色视频大全免费| 国产亚洲欧美精品永久| 亚洲成人一二三区av| 九草在线视频观看| 中文字幕色久视频| 狂野欧美激情性bbbbbb| 国产成人一区二区在线| 亚洲美女视频黄频| 亚洲国产色片| 亚洲精品美女久久久久99蜜臀 | 亚洲精品久久久久久婷婷小说| 在线观看美女被高潮喷水网站| 女的被弄到高潮叫床怎么办| 香蕉丝袜av| 日本猛色少妇xxxxx猛交久久| 最近的中文字幕免费完整| 宅男免费午夜| 国产一区二区在线观看av| 久久国内精品自在自线图片| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 一本大道久久a久久精品| 男人添女人高潮全过程视频| 亚洲色图 男人天堂 中文字幕| 国产1区2区3区精品| 老熟女久久久| 纵有疾风起免费观看全集完整版| 中文字幕最新亚洲高清| 亚洲av在线观看美女高潮| 欧美xxⅹ黑人| 国产一区二区 视频在线| 亚洲精品国产av蜜桃| 中文字幕另类日韩欧美亚洲嫩草| 欧美国产精品一级二级三级| 黑人巨大精品欧美一区二区蜜桃| av网站免费在线观看视频| 久久久久人妻精品一区果冻| av在线app专区| 亚洲一码二码三码区别大吗| 久久久久人妻精品一区果冻| 精品亚洲成国产av| 叶爱在线成人免费视频播放| av在线观看视频网站免费| 多毛熟女@视频| 婷婷成人精品国产| 免费女性裸体啪啪无遮挡网站| 午夜久久久在线观看| 国产精品一二三区在线看| av在线老鸭窝| 亚洲色图 男人天堂 中文字幕| 久久午夜福利片| 精品一区二区三卡| 国产极品粉嫩免费观看在线| 国产 精品1| 99国产精品免费福利视频| 国产一区二区在线观看av| 亚洲一区中文字幕在线| av有码第一页| 丰满乱子伦码专区| 男女午夜视频在线观看| 亚洲精品视频女| 91在线精品国自产拍蜜月| 精品亚洲成国产av| 青草久久国产| 亚洲情色 制服丝袜| 天天躁夜夜躁狠狠躁躁| 中文天堂在线官网| 91精品国产国语对白视频| 亚洲欧美色中文字幕在线| 一区二区三区精品91| 少妇猛男粗大的猛烈进出视频| 国产精品久久久av美女十八| av在线观看视频网站免费| 精品卡一卡二卡四卡免费| 美女中出高潮动态图| 欧美日韩视频精品一区| 国产片特级美女逼逼视频| 高清视频免费观看一区二区| 国产成人精品婷婷| 老汉色∧v一级毛片| 国产精品不卡视频一区二区| 亚洲欧洲国产日韩| a级毛片黄视频| 欧美+日韩+精品| 99热网站在线观看| 韩国高清视频一区二区三区| 国产福利在线免费观看视频| 国产免费视频播放在线视频| 精品一品国产午夜福利视频| 99热网站在线观看| 如何舔出高潮| 日韩一本色道免费dvd| 国产1区2区3区精品| 国产淫语在线视频| 免费观看a级毛片全部| 99久久精品国产国产毛片| 国产成人一区二区在线| 国产97色在线日韩免费| 亚洲国产最新在线播放| 一个人免费看片子| 久久久久精品久久久久真实原创| 一二三四中文在线观看免费高清| 十八禁高潮呻吟视频| 亚洲激情五月婷婷啪啪| 久久综合国产亚洲精品| 麻豆精品久久久久久蜜桃| 亚洲欧美成人精品一区二区| 人人妻人人澡人人看| 9热在线视频观看99| 成年人免费黄色播放视频| 成年女人毛片免费观看观看9 | 久久久久人妻精品一区果冻| 欧美在线黄色| 国产一区二区在线观看av| 一级a爱视频在线免费观看| 亚洲中文av在线| 国产亚洲欧美精品永久| 精品人妻一区二区三区麻豆| av福利片在线| 曰老女人黄片| 久久久久久久久久人人人人人人| 制服人妻中文乱码| 亚洲国产看品久久| 国产成人免费观看mmmm| 久热久热在线精品观看| 男女免费视频国产| 好男人视频免费观看在线| 另类亚洲欧美激情| 日韩三级伦理在线观看| 黑人巨大精品欧美一区二区蜜桃| 2022亚洲国产成人精品| 亚洲国产色片| 免费女性裸体啪啪无遮挡网站| 日本av手机在线免费观看| 巨乳人妻的诱惑在线观看| 亚洲天堂av无毛| 色婷婷久久久亚洲欧美| 精品国产一区二区三区久久久樱花| 制服人妻中文乱码| 人妻 亚洲 视频| av片东京热男人的天堂| 纯流量卡能插随身wifi吗| 电影成人av| 亚洲婷婷狠狠爱综合网| 亚洲精品美女久久久久99蜜臀 | 99热网站在线观看| 精品99又大又爽又粗少妇毛片| 国产精品 国内视频| 嫩草影院入口| 美女高潮到喷水免费观看| 黑人猛操日本美女一级片| 十八禁高潮呻吟视频| 香蕉国产在线看| 中文乱码字字幕精品一区二区三区| 日韩熟女老妇一区二区性免费视频| av一本久久久久| av在线app专区| 亚洲天堂av无毛| 狂野欧美激情性bbbbbb| 亚洲精品aⅴ在线观看| 国产免费视频播放在线视频| a级片在线免费高清观看视频| 一本色道久久久久久精品综合| 18禁动态无遮挡网站| 人成视频在线观看免费观看| 亚洲成人手机| 美女高潮到喷水免费观看| 搡老乐熟女国产| 久久久久久久亚洲中文字幕| 性少妇av在线| 成年av动漫网址| 国产极品天堂在线| 国产成人aa在线观看| 免费观看av网站的网址| 99九九在线精品视频| 伦精品一区二区三区| 亚洲内射少妇av| 亚洲伊人色综图| 国产精品一国产av| 热re99久久精品国产66热6| 成人毛片a级毛片在线播放| 大片免费播放器 马上看| 久久av网站| 亚洲内射少妇av| 精品亚洲成国产av| 七月丁香在线播放| 精品人妻一区二区三区麻豆| 国产一区二区在线观看av| 国产一级毛片在线| 如日韩欧美国产精品一区二区三区| 午夜激情av网站| 免费女性裸体啪啪无遮挡网站| 久久韩国三级中文字幕| 黄色一级大片看看| 青春草亚洲视频在线观看| 男女无遮挡免费网站观看| av免费在线看不卡| videos熟女内射| 日本午夜av视频| 麻豆乱淫一区二区| 麻豆av在线久日| 免费日韩欧美在线观看| 制服丝袜香蕉在线| 国产精品嫩草影院av在线观看| 黑丝袜美女国产一区| xxxhd国产人妻xxx| 日韩,欧美,国产一区二区三区| 国产精品一区二区在线不卡| 欧美变态另类bdsm刘玥| 97在线视频观看| 亚洲第一av免费看| 国产男人的电影天堂91| 国产精品久久久av美女十八| 国产精品人妻久久久影院| av线在线观看网站| 国产一区二区在线观看av| 久久久久久人人人人人| 99热国产这里只有精品6| 激情视频va一区二区三区| 1024视频免费在线观看| 在线免费观看不下载黄p国产| 寂寞人妻少妇视频99o| 久久国产亚洲av麻豆专区| 不卡视频在线观看欧美| 亚洲精品久久午夜乱码| 九草在线视频观看| 美女福利国产在线| 亚洲av电影在线进入| 久久 成人 亚洲| 日韩,欧美,国产一区二区三区| 国产精品女同一区二区软件| 亚洲成av片中文字幕在线观看 | 中文天堂在线官网| 国产成人aa在线观看| 纵有疾风起免费观看全集完整版| 欧美日韩av久久| 大话2 男鬼变身卡| 女性被躁到高潮视频| 香蕉丝袜av| 一二三四中文在线观看免费高清| 成人免费观看视频高清| 精品卡一卡二卡四卡免费| 女性生殖器流出的白浆| 好男人视频免费观看在线| 国产精品.久久久| 亚洲,一卡二卡三卡| 高清视频免费观看一区二区| 看免费av毛片| 性高湖久久久久久久久免费观看| 精品卡一卡二卡四卡免费| 亚洲经典国产精华液单| 好男人视频免费观看在线| 亚洲经典国产精华液单| 性色avwww在线观看| 欧美日韩综合久久久久久| 精品国产国语对白av| 欧美最新免费一区二区三区| 日韩免费高清中文字幕av| 熟女电影av网| 色婷婷久久久亚洲欧美| a级毛片在线看网站| 水蜜桃什么品种好| 欧美亚洲 丝袜 人妻 在线| 国产精品国产三级国产专区5o| 日韩一本色道免费dvd| 国产精品熟女久久久久浪| 久久久久国产网址| 久久久国产一区二区| 熟妇人妻不卡中文字幕| 少妇人妻久久综合中文| 欧美av亚洲av综合av国产av | 免费在线观看视频国产中文字幕亚洲 | 男女下面插进去视频免费观看| 99久久精品国产国产毛片| 亚洲第一区二区三区不卡| 毛片一级片免费看久久久久| 国产不卡av网站在线观看| 可以免费在线观看a视频的电影网站 | 久久青草综合色| 国产又爽黄色视频| 99热国产这里只有精品6| 水蜜桃什么品种好| 欧美日韩一区二区视频在线观看视频在线| 亚洲av免费高清在线观看| 久久精品国产亚洲av高清一级| 亚洲 欧美一区二区三区| 18禁国产床啪视频网站| 国产综合精华液| 捣出白浆h1v1| 亚洲成人手机| 亚洲中文av在线| 人人澡人人妻人| 国产色婷婷99| 18禁裸乳无遮挡动漫免费视频| 天天躁狠狠躁夜夜躁狠狠躁| 国产激情久久老熟女| h视频一区二区三区| 桃花免费在线播放| 久久精品久久久久久久性| 欧美日韩视频精品一区| 国产深夜福利视频在线观看| 成人国产av品久久久| 熟女av电影| 亚洲情色 制服丝袜| 精品人妻熟女毛片av久久网站| 国产av国产精品国产| 亚洲成色77777| 天天躁日日躁夜夜躁夜夜| 黄频高清免费视频| 一二三四在线观看免费中文在| 久久99精品国语久久久| 18禁观看日本| 一本—道久久a久久精品蜜桃钙片| 巨乳人妻的诱惑在线观看| 免费久久久久久久精品成人欧美视频| a级片在线免费高清观看视频| 我的亚洲天堂| 午夜福利在线免费观看网站| 欧美 亚洲 国产 日韩一| 男的添女的下面高潮视频| 亚洲精品成人av观看孕妇| 久久99蜜桃精品久久| 婷婷成人精品国产| 亚洲综合色惰| 精品一品国产午夜福利视频| 青青草视频在线视频观看| 国产成人精品福利久久| 人妻人人澡人人爽人人| av网站免费在线观看视频| 人妻系列 视频| 美女主播在线视频| 丝袜喷水一区| 丰满乱子伦码专区| 成年人免费黄色播放视频| 精品国产国语对白av| 国产成人精品久久久久久| 国产精品免费视频内射| 婷婷色综合大香蕉| 国产日韩欧美亚洲二区| 一级片'在线观看视频| 热99久久久久精品小说推荐| 久久精品久久精品一区二区三区| 叶爱在线成人免费视频播放| 九色亚洲精品在线播放| 婷婷色综合大香蕉| av在线老鸭窝| 国产精品一区二区在线不卡| 亚洲中文av在线| 高清欧美精品videossex| 边亲边吃奶的免费视频| 亚洲成人一二三区av| 精品国产一区二区久久| 久久狼人影院| 日韩成人av中文字幕在线观看| 国产精品.久久久| 亚洲欧美清纯卡通| freevideosex欧美| 狠狠精品人妻久久久久久综合| 日本vs欧美在线观看视频| 亚洲国产看品久久| 午夜免费鲁丝| 你懂的网址亚洲精品在线观看| 成人毛片60女人毛片免费| 日日撸夜夜添| 十八禁高潮呻吟视频| 久久久精品国产亚洲av高清涩受| 狠狠精品人妻久久久久久综合| 亚洲天堂av无毛| 在线观看www视频免费| 国产极品天堂在线| 久久精品夜色国产| 免费女性裸体啪啪无遮挡网站| 免费在线观看视频国产中文字幕亚洲 | 99国产综合亚洲精品| 久久久久久久久免费视频了| 久久av网站| 亚洲精品国产色婷婷电影| 一区福利在线观看| www.精华液| 新久久久久国产一级毛片| 日韩中字成人| 中文字幕亚洲精品专区| av免费观看日本| 欧美亚洲日本最大视频资源| 成人黄色视频免费在线看| 亚洲成人一二三区av| 免费观看a级毛片全部| 国产爽快片一区二区三区| 免费观看a级毛片全部| 97人妻天天添夜夜摸| 大话2 男鬼变身卡| 午夜老司机福利剧场| 夫妻性生交免费视频一级片| 嫩草影院入口| 在线天堂中文资源库| 男女国产视频网站| 国产又爽黄色视频| 久久久久网色| 亚洲av欧美aⅴ国产| 国产黄色视频一区二区在线观看| 美女大奶头黄色视频| 国产精品99久久99久久久不卡 | 亚洲色图 男人天堂 中文字幕| 在线免费观看不下载黄p国产| 国产福利在线免费观看视频| 精品国产国语对白av| 黄色一级大片看看| 欧美日韩视频高清一区二区三区二| 两个人免费观看高清视频| av又黄又爽大尺度在线免费看| 久久狼人影院| 国产一区亚洲一区在线观看| 99久久人妻综合| 欧美bdsm另类| 国产精品久久久久久精品古装| 欧美日韩视频精品一区| 亚洲国产成人一精品久久久| 黄片无遮挡物在线观看| 国产精品久久久久久精品古装| 亚洲天堂av无毛| 少妇熟女欧美另类| 视频在线观看一区二区三区| 亚洲五月色婷婷综合| 中文天堂在线官网| 国产成人aa在线观看| 高清黄色对白视频在线免费看| 99久国产av精品国产电影| 最近最新中文字幕大全免费视频 | 国产精品无大码| 久热久热在线精品观看| 日韩av在线免费看完整版不卡| 99九九在线精品视频| 久久久久久久久久人人人人人人| 成人18禁高潮啪啪吃奶动态图| 国产野战对白在线观看| 亚洲欧美成人综合另类久久久| 丝瓜视频免费看黄片| 成人国产av品久久久| 热re99久久国产66热| 精品国产一区二区三区久久久樱花| 一本大道久久a久久精品| 高清黄色对白视频在线免费看| 日韩 亚洲 欧美在线| 这个男人来自地球电影免费观看 | 国产又色又爽无遮挡免| av国产久精品久网站免费入址| freevideosex欧美| 精品亚洲成国产av| 观看美女的网站| 午夜福利在线观看免费完整高清在| 亚洲精品中文字幕在线视频| 久久久久国产一级毛片高清牌| 久久久久精品人妻al黑| 男人爽女人下面视频在线观看| 26uuu在线亚洲综合色| 久热这里只有精品99| 亚洲国产欧美网| 这个男人来自地球电影免费观看 | 亚洲经典国产精华液单| 婷婷色综合www| 男女边摸边吃奶| 亚洲成人一二三区av| 人人妻人人澡人人爽人人夜夜| 亚洲国产欧美在线一区| 午夜福利乱码中文字幕| 激情五月婷婷亚洲| 岛国毛片在线播放| av卡一久久| 亚洲精品aⅴ在线观看| 亚洲成人一二三区av| 欧美bdsm另类| 国产又爽黄色视频| 两个人看的免费小视频| 国产男女超爽视频在线观看| 亚洲欧美中文字幕日韩二区| 国产 一区精品| 自线自在国产av| 中文字幕色久视频| 日韩在线高清观看一区二区三区| 久久精品久久精品一区二区三区| 99精国产麻豆久久婷婷| 午夜激情av网站| 日韩伦理黄色片| 欧美97在线视频| 精品少妇久久久久久888优播| 精品国产一区二区三区久久久樱花| 水蜜桃什么品种好| 久久久久精品久久久久真实原创| 国产色婷婷99| 丰满迷人的少妇在线观看| 色网站视频免费| 少妇熟女欧美另类| 日韩精品有码人妻一区| 男女无遮挡免费网站观看| 久久青草综合色| 肉色欧美久久久久久久蜜桃| 麻豆乱淫一区二区| 美女国产视频在线观看| 国产成人精品一,二区| 美女xxoo啪啪120秒动态图| 国产精品一区二区在线观看99| 美女福利国产在线| 成人毛片a级毛片在线播放| 激情视频va一区二区三区| 亚洲伊人久久精品综合| 国产成人午夜福利电影在线观看| 大片免费播放器 马上看| 午夜福利网站1000一区二区三区| 国产黄色视频一区二区在线观看| av福利片在线| 日本91视频免费播放| 久久午夜综合久久蜜桃|