• <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 ?

    一種基于Inception-V4的車位狀態(tài)檢測方法

    2022-03-21 16:23:14王棟蔡斌斌宰昶豐
    計算機時代 2022年3期
    關(guān)鍵詞:深度學(xué)習(xí)

    王棟 蔡斌斌 宰昶豐

    摘? 要: 針對城市停車難,車位檢測環(huán)境復(fù)雜等情況,研究了一種基于Inception-V4算法的車位狀態(tài)檢測方法。在Inception-V4網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上使用Leaky_ReLU代替ReLU作為激活函數(shù),解決ReLU激活函數(shù)引起的神經(jīng)元失活問題;在網(wǎng)絡(luò)分類層前添加FReLU激活函數(shù)層和多個全連接層,使其獲得有更豐富語義信息的特征向量,防止了網(wǎng)絡(luò)過擬合問題,提高車位狀態(tài)檢測模型的整體性能?;赑KLot停車場數(shù)據(jù)集的實驗結(jié)果表明,該方法對車位狀態(tài)檢測準(zhǔn)確率較原模型有較大程度的提升。

    關(guān)鍵詞: 車位檢測; 深度學(xué)習(xí); Inception-V4; Leaky_ReLU; FReLU

    中圖分類號:TP181? ? ? ? ? 文獻(xiàn)標(biāo)識碼:A? ? ?文章編號:1006-8228(2022)03-05-06

    Abstract: Due to the difficulty of parking in cities and the complex detection environment of parking spaces, a parking space state detection method based on Inception-V4 algorithm is studied in this paper. On the basis of the Inception-V4 network structure, Leaky_ReLU is used instead of ReLU as the activation function to solve the problem of neuron inactivation caused by the ReLU activation function; the FReLU activation function layer and multiple fully connected layers are added before the network classification layer to obtain feature vectors with richer semantic information, which prevents network over-fitting problems and improves the overall performance of the parking space state detection model. The experimental results on PKLot parking lot data set show that the accuracy of the parking space state detection of this method is greatly improved compared with the original model.

    Key words: parking space detection; deep learning; Inception-V4; Leaky_ReLU; FReLU

    0 引言

    隨著城市規(guī)模與機動車數(shù)量的不斷增長,城市道路越來越擁擠,許多學(xué)者提出使用車位信息共享緩解城市交通擁堵,而車位狀態(tài)檢測是實現(xiàn)車位信息共享的重要前提。

    目前車位狀態(tài)檢測主要分為基于傳感器和基于計算機視覺兩種。基于傳感器的車位狀態(tài)檢測方法主要通過計算紅外線、超聲波、雷達(dá)等傳感器到目標(biāo)車輛的距離來判斷車位是否在指定車位上,如,何偉[1]使用車載超聲波傳感器及輪速傳感器聯(lián)合測得垂直泊車工況下車位,曾凱[2]使用基于NB-IoT技術(shù)的地磁傳感器車位檢測系統(tǒng)獲取車位狀態(tài)信息,但該方法需要大量的傳感器裝置覆蓋停車場或安裝至目標(biāo)車內(nèi),且安裝鋪設(shè)繁瑣,成本高,維護(hù)困難?;谟嬎銠C視覺的檢測方法主要通過圖像采集設(shè)備對場景進(jìn)行拍攝獲取圖像,并結(jié)合統(tǒng)計模式識別或者深度學(xué)習(xí)等方法對車位狀態(tài)進(jìn)行檢測。圖像采集設(shè)備覆蓋范圍廣,成本低,且基于停車場現(xiàn)有的監(jiān)控設(shè)備就可實現(xiàn)檢測,基于視覺的檢測方法成為目前主要的研究方向。如,Dan[3]等人使用支持向量機(Support Vector Machine,SVM)的方法實現(xiàn)了對空車位的檢測,實驗結(jié)果顯示檢測速度較慢;Wu[4]等人通過將SVM與馬爾可夫隨機場框架結(jié)合及Paulo[5]等人將SVM與高斯初始化的局部二值化模式結(jié)合來提高檢測效率。該技術(shù)解決了光照變化對車位檢測的影響,但需要根據(jù)具體數(shù)據(jù)調(diào)整分類器,泛化能力較弱,對天氣和陰影條件干擾的圖像識別率較低。而深度學(xué)習(xí)可以學(xué)習(xí)海量數(shù)據(jù),解決數(shù)據(jù)中高維、高噪聲等SVM難以處理的問題,提高檢測準(zhǔn)確率。

    近年來,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)由于大量的訓(xùn)練標(biāo)記數(shù)據(jù)和連續(xù)多層卷積過程,已被廣泛應(yīng)用于計算機視覺任務(wù)中[6],隨著深度學(xué)習(xí)不斷發(fā)展,神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)到更抽象、更高級,更具辨別性的特征,AlexNet[7],ZFNet[8],VGGNet[9],GoogLeNet[10],ResNet[11],SENet[12]等網(wǎng)絡(luò)結(jié)構(gòu)的相繼出現(xiàn),在圖像分類任務(wù)上效果出眾。如,karakaya[13]等人在嵌入式系統(tǒng)上運行循環(huán)神經(jīng)網(wǎng)絡(luò)來對停車場圖像進(jìn)行處理,獲取停車場可用性信息,檢測停車位占用率,但沒有在空車位檢測信息方面做更多研究;安旭驍[14]等人提出使用迷你卷積神經(jīng)網(wǎng)絡(luò)(Mini Convolutional Neural Network,MCNN)進(jìn)行車位檢測,通過減小網(wǎng)絡(luò)參數(shù),使用小卷積核,局部響應(yīng)歸一化等方法提高網(wǎng)絡(luò)訓(xùn)練速度和識別時間,但對存在陰影干擾的車位圖像識別效果不佳,易受到光照變化,物體運動陰影,遮擋等復(fù)雜環(huán)境因素干擾,準(zhǔn)確率較低。

    上述方法均存在對陰影干擾下的車位圖像檢測效果差,容易出現(xiàn)誤檢的問題,為了更適用于車位檢測,減弱陰影條件對車位狀態(tài)檢測的干擾,本文研究一種基于Inception-V4模型的車位檢測方法。該方法以Inception-V4為基礎(chǔ)網(wǎng)絡(luò)構(gòu)架并進(jìn)行結(jié)構(gòu)調(diào)整、添加和替換FReLU,Leaky ReLU激活函數(shù),使改進(jìn)后的算法Inception-FN更加適用于車位狀態(tài)檢測,增加陰影條件下車位狀態(tài)檢測的魯棒性。

    1 Inception-V4結(jié)構(gòu)基本原理

    對于卷積網(wǎng)絡(luò)來說,獲取高效的網(wǎng)絡(luò)性能的有效方法就是增加網(wǎng)絡(luò)的廣度及深度,但是盲目的增加會導(dǎo)致網(wǎng)絡(luò)參數(shù)的急劇增加,很容易引起過擬合,GoogLeNet[10]在經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的基礎(chǔ)上,針對上述問題設(shè)計了Inception模塊,引入多尺度卷積提取多尺度局部特征,增加了網(wǎng)絡(luò)寬度和深度,克服因深度和寬度增加帶來的參數(shù)量爆炸和優(yōu)化計算量劇增問題,提高深度神經(jīng)網(wǎng)絡(luò)模型質(zhì)量。從Incetpion-V1到Inception-V4[15-18]版本,每個版本的網(wǎng)絡(luò)都在原有基礎(chǔ)上進(jìn)行了部分改進(jìn),以提高網(wǎng)絡(luò)性能。本文使用Inception-V4算法進(jìn)行車位狀態(tài)檢測,其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,主要包括Stem模塊、Inception-A模塊、Inception-B模塊、Inception-C模塊、Reduction-A模塊、Reduction-B模塊。

    Inception-V4模型在保證模型性能的同時,增加模型結(jié)構(gòu)、使用更少的參數(shù)、保留特征、并提高計算效率。但在小型數(shù)據(jù)集模型上容易過擬合,在車位狀態(tài)檢測過程中,對陰影條件下的車位圖像容易出現(xiàn)漏檢、誤檢等問題,因此針對此不足之處進(jìn)行改進(jìn)。使用leaky_ReLU激活函數(shù)代替原網(wǎng)絡(luò)中的ReLU函數(shù),解決ReLU激活函數(shù)引起的神經(jīng)元失活問題;并對Inception-v4的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整,在網(wǎng)絡(luò)分類層前添加FReLU激活函數(shù)層,自適應(yīng)捕獲圖像像素空間相關(guān)性,豐富提取的車位圖像特征和高等級的抽象語義信息;添加批量歸一化層和全連接層,加強模型正則化,減少信息傳遞損失和過擬合影響,從而提高模型性能以及泛化能力。

    2 基于Inception-V4的車位檢測

    2.1 激活函數(shù)改進(jìn)

    Inception-V4神經(jīng)網(wǎng)絡(luò)用線性修正單元ReLU[19]作為激活函數(shù),ReLU激活函數(shù)及其導(dǎo)數(shù)表達(dá)式為:

    ReLU激活函數(shù)在[x>0]時輸出為[x],可以避免梯度消失,計算速度快,能使網(wǎng)絡(luò)快速收斂,[x≤0]時,輸出為0,使部分神經(jīng)元處于非激活狀態(tài),其后向傳導(dǎo)權(quán)重?zé)o法更新。

    為了解決ReLU激活函數(shù)輸入值為負(fù)時神經(jīng)元會失活的問題,使用Leaky_ReLU[20]函數(shù)作為網(wǎng)絡(luò)主體的激活函數(shù),其表達(dá)式為:

    其中,[x]為上層輸出特征,[α]為一個較小的常數(shù),一般取值為0.01。當(dāng)[x>0]時輸出為[x],[x<0]時,得到[αx],保證輸入信息不會丟失,防止神經(jīng)元失活,保證訓(xùn)練梯度正常傳播。

    為了減少圖像在網(wǎng)絡(luò)傳遞中的信息損失,提高網(wǎng)絡(luò)性能,在分類層前增加FReLU[21]激活函數(shù)層,擴(kuò)大感受野,使網(wǎng)絡(luò)獲取更豐富的語義信息。

    其表達(dá)式為:

    其中:[Pωc]表示此窗口上在同一通道中共享的系數(shù);[xωc,i,j]是以二維空間位置[(i,j)]上第C個通道上的非線性激活函數(shù)[f(?)]的輸入像素為中心的參數(shù)池化窗口,使用參數(shù)池化窗口在創(chuàng)建空間依賴性。

    FReLU激活函數(shù)通過增加可忽略不計的空間條件計算開銷將ReLU和PReLU擴(kuò)展為具有像素級建模能力的視覺參數(shù)化2D激活函數(shù)。通常的做法是在卷積層創(chuàng)建空間依賴性,并分別進(jìn)行非線性變換,該方法使得網(wǎng)絡(luò)可以在每個像素的非線性激活中產(chǎn)生空間條件,非線性變換時也產(chǎn)生空間依賴性,在使用網(wǎng)絡(luò)訓(xùn)練車位狀態(tài)檢測時,增加網(wǎng)絡(luò)上下層空間依賴性,豐富網(wǎng)絡(luò)中的高級語義信息,有利于區(qū)分陰影條件干擾,提高車位檢測的魯棒性。

    2.2 網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整

    由于Inception-V4模型復(fù)雜,為減少模型參數(shù)過多導(dǎo)致車位狀態(tài)檢測模型過擬合,影響其泛化能力,本文對Inception-v4的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整,在網(wǎng)絡(luò)末端分類層添加FReLU激活函數(shù)層、批歸一化層和全連接層,減少信息傳遞損失,加強模型正則化,減少過擬合影響,提高模型泛化能力。圖2為結(jié)構(gòu)調(diào)整后的Inception-v4模型網(wǎng)絡(luò)結(jié)構(gòu)圖(改進(jìn)模型稱為Inception-FN),其中方框內(nèi)為結(jié)構(gòu)調(diào)整的部分。

    3 實驗與結(jié)果分析

    3.1 實驗數(shù)據(jù)

    本文使用PKLot數(shù)據(jù)集[5]中的車位圖像作為實驗數(shù)據(jù)。使用PKLot數(shù)據(jù)集中UFPR05停車場場景數(shù)據(jù)子集,包括停車場不同天氣下的場景圖像和場景中分割出的各車位圖像,場景如圖3所示。

    PKLot停車場數(shù)據(jù)集中包含三種天氣情況下的車位圖像,分別是晴天、多云和下雨,實驗主要選取陰影干擾較嚴(yán)重的晴天天氣圖像作為研究對象,文獻(xiàn)[13-14]對停車場車位狀態(tài)檢測結(jié)果均表明,陰影條件下的車位圖像狀態(tài)檢測效果

    最差,是影響檢測準(zhǔn)確率的重要因素之一。針對該問題,在PKLot停車場數(shù)據(jù)集的所有晴天環(huán)境的車位圖像中隨機選擇了18000多張車位圖像作為車位檢測模型的數(shù)據(jù)集,其數(shù)據(jù)分布如表1所示,總數(shù)據(jù)集的45%作為訓(xùn)練集,20%作為驗證集,35%作為測試集,其中占用車位和非占用車位圖像在各數(shù)據(jù)集中均占50%,另選擇未參與模型訓(xùn)練的6541張陰影條件下的車位圖像作為陰影數(shù)據(jù)集。

    3.2 車位檢測模型訓(xùn)練

    本文使用PaddlePaddle深度學(xué)習(xí)框架實現(xiàn)Inception-V4和改進(jìn)的Inception-V4模型Inception-FN,并在百度AI Studio云深度學(xué)習(xí)平臺測試運行調(diào)試,GPU實驗環(huán)境為Linux操作系統(tǒng),32G顯存和GPU-TeslaV100。

    輸入圖像尺寸為(3,299,299),使用ImageNet數(shù)據(jù)集訓(xùn)練的Inception-V4預(yù)訓(xùn)練模型對網(wǎng)絡(luò)對應(yīng)的層進(jìn)行權(quán)重初始化,每批次處理的圖像為32張,最大訓(xùn)練輪次為30輪,每輪訓(xùn)練500批次,PKLot數(shù)據(jù)集的所有車位圖像三通道均值RGB分別為(91.5,90.7,85.5),采用SGD優(yōu)化器優(yōu)化梯度,初始學(xué)習(xí)率為0.0001,學(xué)習(xí)率衰減策略為每訓(xùn)練10輪學(xué)習(xí)率減半,每20個批次記錄一次訓(xùn)練結(jié)果,每輪記錄一次測試結(jié)果。

    由圖4可見,當(dāng)訓(xùn)練輪次迭代至4000次左右時,準(zhǔn)確率率收斂至98%附近,之后趨于穩(wěn)定,Inception-V4模型準(zhǔn)確率最高為98.7%。Inception-FN模型在訓(xùn)練輪次7534次左右準(zhǔn)確率最高為99.2%。

    圖4中帶星號的曲線為準(zhǔn)確率最優(yōu)曲線。由圖4可見,在相同的迭代次數(shù)下,改進(jìn)的Inception-FN模型較原模型收斂速度更快,且準(zhǔn)確率得到了保證。

    3.3 實驗分析

    3.3.1 模型評估指標(biāo)

    停車位狀態(tài)檢測包括占用和非占用兩種情況,屬于二分類問題。針對該模型,實驗選取驗證集準(zhǔn)確率和受試者工作特征(receiver operating characteristic,ROC)曲線及曲線下面積(Area Under Curve,AUC)作為模型性能評估指標(biāo)。

    ROC曲線橫坐標(biāo)為假陽性率FPR,縱坐標(biāo)為真陽性率TPR,見式7-8,是反映靈敏性和特效性連續(xù)變量的綜合指標(biāo)。AUC(為ROC曲線下的面積,取值范圍在0.5和1之間,對應(yīng)AUC更大的分類模型效果更好。

    3.3.2 晴天條件下車位狀態(tài)檢測分析

    使用Inception-V4模型和改進(jìn)的Inception-FN模型對驗證數(shù)據(jù)集進(jìn)行10000次訓(xùn)練,對比晴天條件下車位占用狀態(tài)檢測結(jié)果,并畫出相應(yīng)的ROC曲線,其結(jié)果如圖5所示。

    圖5中橫坐標(biāo)為假陽性率(False Positive Rate,F(xiàn)PR),縱坐標(biāo)為真陽性率(True Positive Rate,TPR)。原Inception-V4模型的AUC值為0.9891,準(zhǔn)確率為98.7%,改進(jìn)的Incception-FN模型的AUC值為0.9903,準(zhǔn)確率99.2%,AUC值提高了0.0012,準(zhǔn)確率提高了0.5%,且在圖5中改進(jìn)模型的AOC曲線包裹著原模型ROC曲線,其模型分類能力表現(xiàn)更佳。

    3.3.3 陰影條件下車位狀態(tài)檢測分析

    為了驗證改進(jìn)方法針對陰影車位檢測的有效性,選取陰影車位圖像數(shù)據(jù)進(jìn)行對比實驗。

    由圖6可知,改進(jìn)后的Inception-FN模型在陰影車位數(shù)據(jù)集中的AUC值為0.9126,原模型AUC值為0.8791,改進(jìn)后提高了0.0335;準(zhǔn)確率從原模型的87.5%提高到92.3%。改進(jìn)后的Inception-FN對于陰影車位檢測的準(zhǔn)確率明顯高于原算法,表明改進(jìn)后的模型提取到更豐富的細(xì)節(jié)特征和語義信息,改善了陰影車位誤檢、檢測率低等現(xiàn)象。

    圖7中選取三組不同陰影條件下的UFPR05停車場圖像,其中(a)為空停車場,(b)為滿停車場和(c)為半滿停車場圖像,并采用檢測框表示當(dāng)前車位占用狀態(tài),深色框表示車位占用,淺色框表示車位非占用。由圖7中三組車位檢測結(jié)果顯示,改進(jìn)模型Inception-FN在陰影條件下的車位檢測效果優(yōu)于原模型。

    4 結(jié)束語

    本文為解決陰影干擾對車位檢測的影響,研究一種改進(jìn)Inception-V4的車位狀態(tài)檢測方法,以Inception-V4算法為基礎(chǔ),通過借助Leaky_ReLU和FReLU激活函數(shù)的特點,將原網(wǎng)絡(luò)的激活函數(shù)替換,使之能夠獲取更豐富的信息特征,并減弱神經(jīng)元失活情況,更好的應(yīng)用于車位狀態(tài)檢測,在PKLot停車場數(shù)據(jù)集和從中篩選出的陰影條件下的車位數(shù)據(jù)集上,對Inception-V4算法改進(jìn)前后模型進(jìn)行對比試驗,并得到相應(yīng)的驗證結(jié)果。實驗表明,改進(jìn)后Inception-FN算法在車位狀態(tài)檢測任務(wù)中檢測精度可達(dá)99.2%,較原算法提高了0.5%,并驗證在有陰影干擾的復(fù)雜背景下,Inception-FN算法也能取得更準(zhǔn)確的檢測結(jié)果,可滿足在陰影干擾條件下對車位狀態(tài)檢測的要求,在室外停車場智能化管理中有一定的應(yīng)用參考。下一步計劃將該車位檢測方法應(yīng)用于手機中,輔助用戶進(jìn)行停車定位等操作。

    參考文獻(xiàn)(References):

    [1] 何偉.基于超聲波傳感器的自動泊車車位補償檢測法[J].中國儀器儀表,2016(2):47-50

    [2] 曾凱.基于NB-IoT技術(shù)的地磁車位檢測系統(tǒng)設(shè)計與實現(xiàn)[D].合肥:安徽大學(xué),2020:29-36

    [3] DAN N.Parking management system and method:US,200301448980AI[P].2002-01-31

    [4] WU Q,HUANG C,WANG S Y,et al.Robust parking space detection considering inter-space correlation [C]. ICME 2007: Proceedings of the 2007 IEEE International Conference on Multimedia &Ex-po. Piscataway,NJ:IEEE,2007:659-662

    [5] DEAlMEIDA P R L, OLIVEIRA L S, BRITTO A S J, et al.PKLot-Arobust dataset for parking lot classification[J]. Expert Systems With Applications,2015,42(11):4937-4949

    [6] 盧宏濤,張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理,2016,31(1):1-17

    [7] DANG Y, ZHANG J X, DENG K Z, et al.Classification and?evaluation of surface coverage of remote sensing images based on deep learning AlexNet[J].Jourmal of Geoinformatics,2017,19(11):1530-1537

    [8] KRIZHEVSKY A, SUTSKEVER I, HINTON G E.ImageNet classification with deep convolutional nature networks[C].Advances in Neural Information Processing Systems,2012:1097-1105

    [9] SIMONYANK, ZISSERMAN A.Very deep convolutional networks for large-scale image recognition [EB/0L].(2014-12-23) [2019-11-06].https://arxiv.org/abs/1409.1556.

    [10] SZEGEDY C, LIUW, JIA Y, et al. Going deeper with convolutions[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE,2015:1-9

    [11] HE K, ZHANG X, RENS, et al. Deep residual learning?for image recognition[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE,2016:770-778

    [12] HU J, SHEN L, SUN G. Squeeze-and-Excitation Networks[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.IEEE, 2018:7132-7141

    [13] KARAKAYA M, AKINC F C. Parking space occupancy detection using deep learning methods[C]. Signal Processing and Communications Applications Conference (SIU),2018:1-4

    [14] 安旭驍,鄧洪敏,史興宇.基于迷你卷積神經(jīng)網(wǎng)絡(luò)的停車場空車位檢測方法[J].計算機應(yīng)用,2018,38(4):935-938

    [15] SZEGEDY C, LIU W, JIA Y Q, et al.Going deeper with?convolutions[C]. Conference on Computer Vision and Pattern Recognition.2015:1-9

    [16] IOFFE S,SZEGEDY C. Batch normalization: accelerating deep network training by reducing internal covariate shift[J].2015:448-456

    [17] SZEGEDY C,VANHOUSKE V, IOFFE S, et al.?Rethinking the inception architecture for computer vision[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, IEEE,2016:2818-2826

    [18] SZEGEDY C, IOFFE S, VANHOUSKE V, et al.Inception-V4,Inception-Res Net and the impact of residual connections on learning[EB/OL].[2019-11-25].https://arxiv.org/abs/1602.07261.

    [19] KRIZHEVSKY A, SUTSKEVER I, HINTION G. ImageNet Classification with Deep Convolutional Neural Networks[J].Advances in Neural Information Processing Systems,2012,25(2):1097-1105

    [20] XU B, WANG N, CHEN T, et al. Empirical Evaluation of?Rectified Activations in Convolutional Network[J]. Communications and Computer Sciences,2015

    [21] MA N, ZhANGX, SUN J. Funnel Activation for Visual Recognition[C]. In Computer Vision-ECCV 2020,2020:351-368

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠(yuǎn)程開放實驗平臺構(gòu)建研究
    基于自動智能分類器的圖書館亂架圖書檢測
    搭建深度學(xué)習(xí)的三級階梯
    有體驗的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識別研究
    利用網(wǎng)絡(luò)技術(shù)促進(jìn)學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    成人国产综合亚洲| 亚洲七黄色美女视频| 一边摸一边抽搐一进一小说| 亚洲一区高清亚洲精品| 中文字幕久久专区| 国产精品1区2区在线观看.| 国产爱豆传媒在线观看 | 天天躁狠狠躁夜夜躁狠狠躁| 草草在线视频免费看| 亚洲熟妇熟女久久| 91国产中文字幕| 亚洲免费av在线视频| 日本一本二区三区精品| 麻豆成人av在线观看| 欧美日本亚洲视频在线播放| 嫩草影院精品99| 男人的好看免费观看在线视频 | 亚洲精品久久成人aⅴ小说| 亚洲九九香蕉| 两人在一起打扑克的视频| 免费在线观看日本一区| 老熟妇仑乱视频hdxx| 亚洲18禁久久av| 十八禁人妻一区二区| 亚洲av电影不卡..在线观看| 亚洲国产精品合色在线| 最好的美女福利视频网| 久久中文字幕人妻熟女| 成人国语在线视频| 国产精品国产高清国产av| 美女大奶头视频| 精品久久久久久久毛片微露脸| 香蕉国产在线看| 法律面前人人平等表现在哪些方面| 男男h啪啪无遮挡| 白带黄色成豆腐渣| 午夜福利在线观看吧| 人人妻,人人澡人人爽秒播| 欧美av亚洲av综合av国产av| 又紧又爽又黄一区二区| 久久婷婷成人综合色麻豆| 国产在线观看jvid| www.999成人在线观看| 99re在线观看精品视频| 午夜激情av网站| 国产三级中文精品| 国产精品一区二区三区四区久久| 99在线人妻在线中文字幕| 亚洲国产欧美人成| 亚洲精华国产精华精| 久久久国产成人免费| 久久久精品国产亚洲av高清涩受| 俺也久久电影网| 午夜激情福利司机影院| 精品熟女少妇八av免费久了| 亚洲精品久久国产高清桃花| 91国产中文字幕| 日韩有码中文字幕| svipshipincom国产片| 国产精品一区二区免费欧美| 中文字幕高清在线视频| av天堂在线播放| 久久久久久大精品| 欧美成人免费av一区二区三区| 看片在线看免费视频| 久久婷婷成人综合色麻豆| 长腿黑丝高跟| 成年免费大片在线观看| 国产黄片美女视频| 国产成年人精品一区二区| 久久九九热精品免费| 精品久久久久久久久久免费视频| 国产黄片美女视频| 一二三四社区在线视频社区8| cao死你这个sao货| 欧美日韩亚洲国产一区二区在线观看| 熟妇人妻久久中文字幕3abv| 国产精品久久久人人做人人爽| av视频在线观看入口| 蜜桃久久精品国产亚洲av| 国产精品99久久99久久久不卡| 一级a爱片免费观看的视频| 两个人视频免费观看高清| 色av中文字幕| 精品福利观看| 一二三四社区在线视频社区8| 男人的好看免费观看在线视频 | 美女免费视频网站| 99riav亚洲国产免费| 九色国产91popny在线| 妹子高潮喷水视频| 国产高清视频在线观看网站| 日本一区二区免费在线视频| 欧美绝顶高潮抽搐喷水| 他把我摸到了高潮在线观看| 国产精品美女特级片免费视频播放器 | e午夜精品久久久久久久| 国产亚洲精品一区二区www| 成人三级黄色视频| 禁无遮挡网站| 91九色精品人成在线观看| 亚洲欧美日韩无卡精品| 又大又爽又粗| 看黄色毛片网站| 亚洲真实伦在线观看| 一个人免费在线观看电影 | 天天一区二区日本电影三级| 久久久久久久久久黄片| 久久久精品国产亚洲av高清涩受| 欧美性长视频在线观看| 亚洲18禁久久av| 久99久视频精品免费| 国产1区2区3区精品| 国产三级中文精品| 亚洲五月天丁香| 日本在线视频免费播放| 999久久久国产精品视频| 亚洲人成77777在线视频| 欧美黄色淫秽网站| 亚洲熟女毛片儿| 免费看a级黄色片| 黄色成人免费大全| 久久久久久久久久黄片| 18禁裸乳无遮挡免费网站照片| 国产精华一区二区三区| 中文资源天堂在线| 国产91精品成人一区二区三区| 欧美成人一区二区免费高清观看 | 真人做人爱边吃奶动态| 国产男靠女视频免费网站| 在线观看美女被高潮喷水网站 | 日韩欧美国产一区二区入口| 欧美日韩乱码在线| 精品久久久久久久久久免费视频| 男人舔女人的私密视频| 免费人成视频x8x8入口观看| 日本一本二区三区精品| 精品久久久久久,| 男女视频在线观看网站免费 | 久久久国产精品麻豆| 欧美中文日本在线观看视频| 一二三四在线观看免费中文在| 日本 av在线| 在线观看免费日韩欧美大片| 欧美日本视频| 丰满人妻一区二区三区视频av | av有码第一页| 国产成人啪精品午夜网站| 亚洲国产高清在线一区二区三| 男女床上黄色一级片免费看| 国产单亲对白刺激| 老汉色∧v一级毛片| 久久久精品欧美日韩精品| 成熟少妇高潮喷水视频| 亚洲国产高清在线一区二区三| 他把我摸到了高潮在线观看| 国产一区在线观看成人免费| 亚洲熟妇熟女久久| 1024视频免费在线观看| 国产亚洲欧美98| 国产成人精品久久二区二区免费| 欧美激情久久久久久爽电影| 波多野结衣高清无吗| 欧美性猛交╳xxx乱大交人| 精品一区二区三区四区五区乱码| 欧洲精品卡2卡3卡4卡5卡区| 天堂av国产一区二区熟女人妻 | 日韩欧美国产一区二区入口| 国产av不卡久久| 搡老妇女老女人老熟妇| 国产精品美女特级片免费视频播放器 | 亚洲精品中文字幕一二三四区| 久久天躁狠狠躁夜夜2o2o| 久久精品国产99精品国产亚洲性色| 91老司机精品| 激情在线观看视频在线高清| 在线视频色国产色| 精品欧美国产一区二区三| 91在线观看av| 亚洲av成人av| 欧美中文综合在线视频| 婷婷精品国产亚洲av在线| 亚洲aⅴ乱码一区二区在线播放 | 制服丝袜大香蕉在线| www.熟女人妻精品国产| 村上凉子中文字幕在线| 精品欧美国产一区二区三| 无限看片的www在线观看| 一进一出好大好爽视频| 久久久国产成人精品二区| 国产精品免费视频内射| 成在线人永久免费视频| 50天的宝宝边吃奶边哭怎么回事| 亚洲自拍偷在线| 日韩高清综合在线| 久久精品亚洲精品国产色婷小说| 1024香蕉在线观看| 免费看日本二区| 亚洲熟女毛片儿| 国产一区二区三区在线臀色熟女| 国内久久婷婷六月综合欲色啪| 全区人妻精品视频| 亚洲精品中文字幕一二三四区| 国内久久婷婷六月综合欲色啪| 在线观看www视频免费| 听说在线观看完整版免费高清| 久久草成人影院| 夜夜看夜夜爽夜夜摸| 亚洲人成77777在线视频| 国产激情久久老熟女| 亚洲成人久久性| а√天堂www在线а√下载| 久久人妻av系列| 精品电影一区二区在线| 欧美成人一区二区免费高清观看 | 天天躁夜夜躁狠狠躁躁| 国模一区二区三区四区视频 | 国内少妇人妻偷人精品xxx网站 | 日韩欧美在线二视频| 日本免费一区二区三区高清不卡| av视频在线观看入口| 欧美最黄视频在线播放免费| 国产免费av片在线观看野外av| 亚洲欧美日韩高清专用| 亚洲精品一卡2卡三卡4卡5卡| 五月玫瑰六月丁香| 欧洲精品卡2卡3卡4卡5卡区| 无遮挡黄片免费观看| 嫁个100分男人电影在线观看| 真人做人爱边吃奶动态| 99精品欧美一区二区三区四区| 国产成人一区二区三区免费视频网站| 看片在线看免费视频| 丁香欧美五月| 久久久精品国产亚洲av高清涩受| 日本成人三级电影网站| 男女之事视频高清在线观看| 成人精品一区二区免费| 亚洲精品色激情综合| 欧美中文日本在线观看视频| 伊人久久大香线蕉亚洲五| 亚洲精华国产精华精| 一级毛片高清免费大全| 深夜精品福利| svipshipincom国产片| 婷婷精品国产亚洲av在线| 国产成人影院久久av| 成人永久免费在线观看视频| 欧美性猛交黑人性爽| 成人18禁在线播放| 巨乳人妻的诱惑在线观看| 国产熟女午夜一区二区三区| 亚洲人成网站在线播放欧美日韩| 丝袜美腿诱惑在线| 一级毛片女人18水好多| 久久久久久九九精品二区国产 | 日本 av在线| 日本 av在线| 日韩大码丰满熟妇| 成人一区二区视频在线观看| 国产三级在线视频| 欧美在线一区亚洲| 久久久久性生活片| 久久 成人 亚洲| 久久国产精品影院| 久久亚洲精品不卡| 国产成年人精品一区二区| 久久精品综合一区二区三区| 免费搜索国产男女视频| 亚洲欧美精品综合久久99| 国产熟女xx| 久久精品人妻少妇| 亚洲精品国产精品久久久不卡| av超薄肉色丝袜交足视频| 一卡2卡三卡四卡精品乱码亚洲| 看黄色毛片网站| 黄色成人免费大全| 久久精品aⅴ一区二区三区四区| 舔av片在线| e午夜精品久久久久久久| 一本综合久久免费| 久久精品综合一区二区三区| 国产探花在线观看一区二区| 国产精品免费一区二区三区在线| 欧美日韩亚洲国产一区二区在线观看| 午夜福利在线在线| 香蕉国产在线看| 国产乱人伦免费视频| 久久人妻福利社区极品人妻图片| 国产激情欧美一区二区| www.999成人在线观看| 欧美国产日韩亚洲一区| 男女下面进入的视频免费午夜| av福利片在线| 免费在线观看影片大全网站| 欧美成狂野欧美在线观看| 午夜激情av网站| 精品国产乱码久久久久久男人| 国产在线精品亚洲第一网站| 久久精品国产清高在天天线| 精品久久久久久久久久久久久| 日本五十路高清| 99在线视频只有这里精品首页| 成人国产综合亚洲| 久久久久久久精品吃奶| 久久久久国产精品人妻aⅴ院| 19禁男女啪啪无遮挡网站| 日韩欧美国产在线观看| 亚洲激情在线av| 欧美中文综合在线视频| 久久精品夜夜夜夜夜久久蜜豆 | 老熟妇乱子伦视频在线观看| 亚洲七黄色美女视频| 亚洲国产欧美网| 久久精品影院6| 午夜久久久久精精品| 欧美日本亚洲视频在线播放| 人成视频在线观看免费观看| 日本五十路高清| avwww免费| АⅤ资源中文在线天堂| 两人在一起打扑克的视频| 午夜日韩欧美国产| 国产爱豆传媒在线观看 | 99热6这里只有精品| 亚洲人成网站在线播放欧美日韩| 国产成人精品久久二区二区91| 国产精品野战在线观看| 国产午夜精品久久久久久| 亚洲av成人精品一区久久| 久久精品国产清高在天天线| 中文在线观看免费www的网站 | 精品久久久久久久久久免费视频| 色综合亚洲欧美另类图片| 成人三级做爰电影| 精华霜和精华液先用哪个| 国产69精品久久久久777片 | 丝袜美腿诱惑在线| 国产伦在线观看视频一区| 亚洲狠狠婷婷综合久久图片| 亚洲av成人一区二区三| av在线天堂中文字幕| 久久久久久久久中文| 九色成人免费人妻av| 免费观看精品视频网站| 久久精品影院6| 欧美一级a爱片免费观看看 | 好看av亚洲va欧美ⅴa在| 视频区欧美日本亚洲| 日日摸夜夜添夜夜添小说| 久久精品影院6| 一级毛片女人18水好多| 国产精品九九99| 成人欧美大片| or卡值多少钱| 一区二区三区国产精品乱码| 中文字幕熟女人妻在线| 欧美日韩国产亚洲二区| 一夜夜www| 日韩国内少妇激情av| 久久中文字幕一级| 国内精品一区二区在线观看| 男女之事视频高清在线观看| 婷婷亚洲欧美| 色精品久久人妻99蜜桃| 亚洲成人免费电影在线观看| 香蕉国产在线看| 色哟哟哟哟哟哟| 久久午夜亚洲精品久久| 老熟妇仑乱视频hdxx| 日本一区二区免费在线视频| 亚洲真实伦在线观看| 成年免费大片在线观看| 日韩 欧美 亚洲 中文字幕| 欧美极品一区二区三区四区| 久久这里只有精品中国| 伦理电影免费视频| 波多野结衣高清作品| 啦啦啦观看免费观看视频高清| 午夜免费观看网址| 啦啦啦观看免费观看视频高清| 亚洲男人天堂网一区| 两个人看的免费小视频| АⅤ资源中文在线天堂| 亚洲av片天天在线观看| 日本免费a在线| 亚洲va日本ⅴa欧美va伊人久久| 少妇裸体淫交视频免费看高清 | 久久精品影院6| 日日爽夜夜爽网站| 久久久精品欧美日韩精品| 国产午夜精品论理片| 日本免费a在线| 亚洲国产精品合色在线| 这个男人来自地球电影免费观看| 在线观看66精品国产| 嫁个100分男人电影在线观看| 老司机福利观看| 日本五十路高清| 成人国语在线视频| 啦啦啦免费观看视频1| 老司机午夜福利在线观看视频| 亚洲美女黄片视频| 成人三级做爰电影| 亚洲激情在线av| 国产在线精品亚洲第一网站| 国产一区二区激情短视频| 中文字幕久久专区| 午夜福利免费观看在线| 老司机深夜福利视频在线观看| 丝袜美腿诱惑在线| 亚洲av五月六月丁香网| 久久久久九九精品影院| 18禁观看日本| 两人在一起打扑克的视频| 一级a爱片免费观看的视频| 蜜桃久久精品国产亚洲av| 欧美午夜高清在线| 啦啦啦韩国在线观看视频| 亚洲熟妇中文字幕五十中出| 亚洲av片天天在线观看| 成人午夜高清在线视频| 国产精品亚洲一级av第二区| 国产真实乱freesex| 神马国产精品三级电影在线观看 | 男女做爰动态图高潮gif福利片| 法律面前人人平等表现在哪些方面| 在线观看一区二区三区| 国产精品 欧美亚洲| 国产私拍福利视频在线观看| 日日夜夜操网爽| 久久久久久国产a免费观看| 欧美日本视频| 男女视频在线观看网站免费 | 99久久国产精品久久久| 亚洲国产中文字幕在线视频| 亚洲成人精品中文字幕电影| 别揉我奶头~嗯~啊~动态视频| 男男h啪啪无遮挡| 亚洲一区二区三区不卡视频| 哪里可以看免费的av片| 成人亚洲精品av一区二区| 久久国产乱子伦精品免费另类| 大型av网站在线播放| 在线国产一区二区在线| 亚洲av美国av| 亚洲第一电影网av| 丁香欧美五月| 97超级碰碰碰精品色视频在线观看| 午夜久久久久精精品| 黄色a级毛片大全视频| 久久精品夜夜夜夜夜久久蜜豆 | 狂野欧美激情性xxxx| 久久香蕉精品热| 久久亚洲真实| 天天一区二区日本电影三级| 舔av片在线| 国产人伦9x9x在线观看| 国产人伦9x9x在线观看| 久久亚洲精品不卡| 少妇的丰满在线观看| 婷婷精品国产亚洲av在线| 操出白浆在线播放| 日韩中文字幕欧美一区二区| 日本a在线网址| 久久久久免费精品人妻一区二区| 久久这里只有精品中国| 久久草成人影院| 成人国产一区最新在线观看| 精品欧美国产一区二区三| 午夜两性在线视频| 国产麻豆成人av免费视频| 亚洲欧美日韩无卡精品| 91大片在线观看| 黄色视频不卡| 国产精品亚洲美女久久久| 亚洲国产欧美一区二区综合| 一区二区三区高清视频在线| www国产在线视频色| 1024香蕉在线观看| 欧美高清成人免费视频www| 99国产精品一区二区蜜桃av| 亚洲一区二区三区色噜噜| 国产日本99.免费观看| 国产主播在线观看一区二区| 精品国内亚洲2022精品成人| 国产伦人伦偷精品视频| 全区人妻精品视频| 国产视频内射| 精品国产美女av久久久久小说| 观看免费一级毛片| 最近视频中文字幕2019在线8| 亚洲va日本ⅴa欧美va伊人久久| 欧美黑人巨大hd| 一区二区三区高清视频在线| 成熟少妇高潮喷水视频| 国产av不卡久久| 免费在线观看视频国产中文字幕亚洲| 亚洲黑人精品在线| 国产99白浆流出| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲国产日韩欧美精品在线观看 | 久久久久久久午夜电影| 精品一区二区三区av网在线观看| 国产高清激情床上av| 日本在线视频免费播放| 国产一区在线观看成人免费| 精品久久蜜臀av无| 国产一区在线观看成人免费| 亚洲男人的天堂狠狠| 久久国产乱子伦精品免费另类| 1024手机看黄色片| 在线观看www视频免费| 中文字幕熟女人妻在线| 真人做人爱边吃奶动态| 国产亚洲欧美在线一区二区| 亚洲av中文字字幕乱码综合| 两个人视频免费观看高清| 身体一侧抽搐| 精品午夜福利视频在线观看一区| 免费av毛片视频| 在线国产一区二区在线| 久久久久国内视频| 男女午夜视频在线观看| 天堂影院成人在线观看| 亚洲国产欧美人成| 国产精品98久久久久久宅男小说| 麻豆国产av国片精品| www日本黄色视频网| 50天的宝宝边吃奶边哭怎么回事| 极品教师在线免费播放| 熟女电影av网| 女人被狂操c到高潮| 国产成年人精品一区二区| 搞女人的毛片| 欧美人与性动交α欧美精品济南到| 男女午夜视频在线观看| 久久热在线av| 51午夜福利影视在线观看| 久久婷婷成人综合色麻豆| 欧美成人免费av一区二区三区| 精品乱码久久久久久99久播| 欧美绝顶高潮抽搐喷水| 久久久国产成人免费| av在线播放免费不卡| 国产99久久九九免费精品| 亚洲av熟女| 精品电影一区二区在线| www.熟女人妻精品国产| 久久中文字幕人妻熟女| 国产99白浆流出| 婷婷丁香在线五月| av有码第一页| 日本成人三级电影网站| 欧美黄色淫秽网站| 天堂√8在线中文| 亚洲av五月六月丁香网| 非洲黑人性xxxx精品又粗又长| av欧美777| 中文字幕av在线有码专区| 丝袜人妻中文字幕| av中文乱码字幕在线| xxx96com| av视频在线观看入口| 91字幕亚洲| 国产av一区在线观看免费| 天天添夜夜摸| 亚洲 欧美 日韩 在线 免费| 99久久综合精品五月天人人| av有码第一页| 亚洲人成网站在线播放欧美日韩| 日本撒尿小便嘘嘘汇集6| 99精品欧美一区二区三区四区| 一本综合久久免费| 国产熟女午夜一区二区三区| 亚洲精品久久成人aⅴ小说| 在线国产一区二区在线| 91国产中文字幕| 亚洲国产看品久久| 真人做人爱边吃奶动态| 俺也久久电影网| 国产在线观看jvid| 国产1区2区3区精品| 丝袜人妻中文字幕| 一级a爱片免费观看的视频| 看片在线看免费视频| 国产成人影院久久av| 亚洲成人中文字幕在线播放| 一级毛片高清免费大全| 男人的好看免费观看在线视频 | 国产精品 欧美亚洲| 黄色视频,在线免费观看| 久久精品91蜜桃| 色综合欧美亚洲国产小说| 色综合站精品国产| av免费在线观看网站| 夜夜夜夜夜久久久久| 亚洲精品美女久久久久99蜜臀| 国产欧美日韩一区二区三| 麻豆一二三区av精品| a在线观看视频网站| 中文字幕人成人乱码亚洲影| 亚洲国产欧美网| 亚洲成av人片免费观看| 日本 av在线| 国产伦一二天堂av在线观看| 欧美日韩福利视频一区二区| 少妇被粗大的猛进出69影院| 好看av亚洲va欧美ⅴa在| 国产真实乱freesex| 久久精品国产清高在天天线| 久久精品国产综合久久久| 久久久久久久精品吃奶| 九色国产91popny在线| ponron亚洲|