• <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
    国产黄片视频在线免费观看| 免费黄色在线免费观看| 欧美激情久久久久久爽电影| 亚洲av中文字字幕乱码综合| 日本免费在线观看一区| 深夜a级毛片| 欧美+日韩+精品| 黄色一级大片看看| 日日啪夜夜撸| 国产一区二区亚洲精品在线观看| 六月丁香七月| 美女高潮的动态| 真实男女啪啪啪动态图| 国产精品一区二区三区四区免费观看| 欧美xxⅹ黑人| 2022亚洲国产成人精品| 少妇的逼好多水| 91久久精品国产一区二区成人| 精品人妻熟女av久视频| tube8黄色片| 麻豆成人av视频| 欧美三级亚洲精品| 亚洲国产精品专区欧美| 色播亚洲综合网| 韩国av在线不卡| 国产色爽女视频免费观看| 久久精品国产亚洲av涩爱| 两个人的视频大全免费| 最近最新中文字幕免费大全7| 综合色丁香网| 国产亚洲一区二区精品| 久热这里只有精品99| 亚洲成人av在线免费| 日本与韩国留学比较| 精品久久国产蜜桃| 少妇 在线观看| 国产成人a区在线观看| 国产成人aa在线观看| 国产成人福利小说| 九九在线视频观看精品| 国产精品国产三级国产专区5o| 少妇被粗大猛烈的视频| 国产伦在线观看视频一区| 国产黄色视频一区二区在线观看| 2021天堂中文幕一二区在线观| 日本午夜av视频| h日本视频在线播放| 精品99又大又爽又粗少妇毛片| 卡戴珊不雅视频在线播放| 午夜福利网站1000一区二区三区| 99久久精品热视频| .国产精品久久| 国产日韩欧美亚洲二区| 亚洲精品成人av观看孕妇| 亚洲国产欧美人成| 亚洲色图av天堂| 国产黄片视频在线免费观看| 亚洲怡红院男人天堂| 中文天堂在线官网| 精品酒店卫生间| 大又大粗又爽又黄少妇毛片口| 亚洲一区二区三区欧美精品 | 少妇丰满av| 内地一区二区视频在线| 国产精品99久久99久久久不卡 | 免费观看无遮挡的男女| 亚洲欧美清纯卡通| 亚洲欧美日韩卡通动漫| 亚洲欧美日韩卡通动漫| 麻豆成人午夜福利视频| 日韩在线高清观看一区二区三区| 少妇人妻一区二区三区视频| 国产成人a∨麻豆精品| 建设人人有责人人尽责人人享有的 | 日韩强制内射视频| 亚洲成人一二三区av| 中国美白少妇内射xxxbb| 日本与韩国留学比较| 超碰av人人做人人爽久久| 热re99久久精品国产66热6| 熟女av电影| 91aial.com中文字幕在线观看| 欧美性感艳星| 蜜桃久久精品国产亚洲av| 国产成人精品福利久久| 高清日韩中文字幕在线| 简卡轻食公司| 亚洲,欧美,日韩| 一区二区三区精品91| 18禁在线播放成人免费| 久久久久久久久久久丰满| .国产精品久久| 我的女老师完整版在线观看| 老司机影院成人| 可以在线观看毛片的网站| 午夜日本视频在线| 嫩草影院新地址| 国产v大片淫在线免费观看| 免费看光身美女| 五月伊人婷婷丁香| 春色校园在线视频观看| 成人午夜精彩视频在线观看| 日韩中字成人| 春色校园在线视频观看| 另类亚洲欧美激情| 亚洲天堂av无毛| 国产高清有码在线观看视频| 97在线人人人人妻| 国产爱豆传媒在线观看| 少妇裸体淫交视频免费看高清| 韩国高清视频一区二区三区| 亚洲精品一二三| 亚洲欧美精品专区久久| 久久午夜福利片| 久久久久久久亚洲中文字幕| 2022亚洲国产成人精品| 欧美成人a在线观看| 久久精品国产鲁丝片午夜精品| 午夜免费观看性视频| 亚洲丝袜综合中文字幕| 我要看日韩黄色一级片| 欧美激情在线99| 午夜福利视频1000在线观看| 国产v大片淫在线免费观看| 中文资源天堂在线| 欧美精品一区二区大全| 亚洲真实伦在线观看| 深夜a级毛片| 在线观看三级黄色| 中国国产av一级| 亚洲精品久久午夜乱码| 国产精品久久久久久精品电影小说 | 国产亚洲91精品色在线| 99九九线精品视频在线观看视频| 国产av不卡久久| 国产精品久久久久久av不卡| 在线 av 中文字幕| 欧美xxxx性猛交bbbb| 欧美成人精品欧美一级黄| 成人美女网站在线观看视频| kizo精华| 成人免费观看视频高清| 国产精品一区二区在线观看99| 不卡视频在线观看欧美| 99久久九九国产精品国产免费| 欧美最新免费一区二区三区| 亚洲av日韩在线播放| 亚洲av中文av极速乱| 少妇丰满av| 欧美性感艳星| 成人二区视频| 新久久久久国产一级毛片| 黄色一级大片看看| 亚洲第一区二区三区不卡| 一级毛片 在线播放| 毛片一级片免费看久久久久| 五月天丁香电影| 在线观看一区二区三区激情| 精品国产一区二区三区久久久樱花 | 99热6这里只有精品| 中文字幕人妻熟人妻熟丝袜美| 欧美激情久久久久久爽电影| 五月伊人婷婷丁香| 欧美zozozo另类| 成年av动漫网址| 成人免费观看视频高清| 精品久久久久久电影网| 欧美成人a在线观看| 久久精品国产鲁丝片午夜精品| 老司机影院毛片| 免费av毛片视频| 亚洲最大成人手机在线| 久久久a久久爽久久v久久| 亚洲最大成人中文| 免费高清在线观看视频在线观看| 97在线视频观看| 午夜爱爱视频在线播放| 亚洲精品一二三| 亚洲欧美精品专区久久| 丰满乱子伦码专区| 精品一区二区三区视频在线| 日韩电影二区| 1000部很黄的大片| 亚洲国产欧美在线一区| 青春草亚洲视频在线观看| 男人爽女人下面视频在线观看| 欧美潮喷喷水| 亚洲av国产av综合av卡| 久久久精品94久久精品| 精品一区二区三区视频在线| 成人欧美大片| 91久久精品电影网| 亚洲精品国产色婷婷电影| 秋霞在线观看毛片| 又黄又爽又刺激的免费视频.| 天堂网av新在线| 国产男女超爽视频在线观看| av在线蜜桃| av一本久久久久| 老司机影院成人| 天堂网av新在线| 91午夜精品亚洲一区二区三区| 亚洲国产精品专区欧美| 国产成人免费无遮挡视频| 成人鲁丝片一二三区免费| 中文字幕久久专区| 搡女人真爽免费视频火全软件| 中文乱码字字幕精品一区二区三区| 精品少妇黑人巨大在线播放| 久久人人爽人人爽人人片va| 高清在线视频一区二区三区| 五月伊人婷婷丁香| 韩国av在线不卡| 精品国产一区二区三区久久久樱花 | 精品人妻视频免费看| 久久久久九九精品影院| 女人久久www免费人成看片| 自拍欧美九色日韩亚洲蝌蚪91 | 熟女人妻精品中文字幕| 一级毛片黄色毛片免费观看视频| 女人十人毛片免费观看3o分钟| 久久精品熟女亚洲av麻豆精品| 亚洲天堂av无毛| 国产淫片久久久久久久久| 人妻一区二区av| 色吧在线观看| 中文字幕亚洲精品专区| 午夜福利在线在线| 国产精品久久久久久精品电影小说 | 一级毛片黄色毛片免费观看视频| 欧美zozozo另类| 80岁老熟妇乱子伦牲交| 国产成人91sexporn| 亚洲精品成人av观看孕妇| 插逼视频在线观看| 女人十人毛片免费观看3o分钟| 可以在线观看毛片的网站| 最新中文字幕久久久久| 免费看日本二区| 我的老师免费观看完整版| 丝袜美腿在线中文| 亚洲欧美成人精品一区二区| 啦啦啦在线观看免费高清www| 国产欧美日韩一区二区三区在线 | 国产v大片淫在线免费观看| 我的老师免费观看完整版| 日日摸夜夜添夜夜爱| av专区在线播放| 国产精品久久久久久精品电影| 麻豆乱淫一区二区| 国产高潮美女av| 午夜福利视频精品| 亚洲人成网站在线观看播放| 国产一区亚洲一区在线观看| 中文字幕人妻熟人妻熟丝袜美| 欧美日韩在线观看h| 男人和女人高潮做爰伦理| 伊人久久精品亚洲午夜| 搡老乐熟女国产| 最近最新中文字幕大全电影3| 国产真实伦视频高清在线观看| 麻豆成人午夜福利视频| 日本-黄色视频高清免费观看| 视频中文字幕在线观看| 少妇的逼水好多| 97超视频在线观看视频| 亚洲图色成人| 又大又黄又爽视频免费| 久久久久久久大尺度免费视频| 日韩av在线免费看完整版不卡| 亚洲精品国产av成人精品| 精品少妇黑人巨大在线播放| 99九九线精品视频在线观看视频| 看黄色毛片网站| 精品午夜福利在线看| 又爽又黄无遮挡网站| 麻豆久久精品国产亚洲av| 国产成人免费无遮挡视频| 日日摸夜夜添夜夜添av毛片| 一边亲一边摸免费视频| 久久久久国产精品人妻一区二区| 最近最新中文字幕大全电影3| av国产久精品久网站免费入址| 交换朋友夫妻互换小说| 一级毛片aaaaaa免费看小| 欧美激情久久久久久爽电影| 亚洲精品日韩av片在线观看| 91久久精品国产一区二区三区| 亚洲欧美清纯卡通| 亚洲av成人精品一区久久| 网址你懂的国产日韩在线| 欧美亚洲 丝袜 人妻 在线| 国产一区二区亚洲精品在线观看| 亚洲欧美日韩另类电影网站 | 午夜爱爱视频在线播放| 日韩国内少妇激情av| xxx大片免费视频| 国产乱人偷精品视频| 国产精品国产三级专区第一集| 最近手机中文字幕大全| 国产熟女欧美一区二区| 美女内射精品一级片tv| 夫妻性生交免费视频一级片| 性插视频无遮挡在线免费观看| 亚洲精华国产精华液的使用体验| 久久久精品94久久精品| 日韩一区二区视频免费看| 国产一区亚洲一区在线观看| 国产成人a区在线观看| 国产成人91sexporn| 中文字幕免费在线视频6| 国产精品无大码| 日韩 亚洲 欧美在线| 在线看a的网站| 午夜福利视频精品| 久久女婷五月综合色啪小说 | 欧美老熟妇乱子伦牲交| 精品一区在线观看国产| 久久久精品免费免费高清| 丝袜美腿在线中文| 精品视频人人做人人爽| 少妇丰满av| 麻豆精品久久久久久蜜桃| 国产欧美亚洲国产| 狂野欧美激情性xxxx在线观看| 国产色婷婷99| 777米奇影视久久| 日日啪夜夜爽| 少妇人妻久久综合中文| 国产在线一区二区三区精| 久久久久精品久久久久真实原创| 熟妇人妻不卡中文字幕| 亚洲国产av新网站| 尤物成人国产欧美一区二区三区| 高清日韩中文字幕在线| 又黄又爽又刺激的免费视频.| 久久久久久久久大av| 久久精品国产a三级三级三级| 精品国产乱码久久久久久小说| 久久精品久久久久久久性| 91午夜精品亚洲一区二区三区| av女优亚洲男人天堂| av在线蜜桃| 久久久色成人| 久久久久久九九精品二区国产| 2021少妇久久久久久久久久久| 熟女电影av网| 婷婷色综合www| 人体艺术视频欧美日本| 国语对白做爰xxxⅹ性视频网站| 伦理电影大哥的女人| 嫩草影院新地址| 日韩国内少妇激情av| 国产综合精华液| 国产成人一区二区在线| 在线观看美女被高潮喷水网站| 18+在线观看网站| 精品久久久久久久久av| 午夜免费男女啪啪视频观看| 欧美性猛交╳xxx乱大交人| 在线播放无遮挡| 听说在线观看完整版免费高清| 午夜视频国产福利| 亚洲精品国产色婷婷电影| 小蜜桃在线观看免费完整版高清| av一本久久久久| 亚洲精华国产精华液的使用体验| 少妇裸体淫交视频免费看高清| 麻豆成人av视频| 青青草视频在线视频观看| 欧美日本视频| 欧美日韩视频高清一区二区三区二| 免费av观看视频| 久久久精品欧美日韩精品| 亚洲精品一二三| 深爱激情五月婷婷| 亚洲在久久综合| 亚洲av一区综合| 十八禁网站网址无遮挡 | 我要看日韩黄色一级片| 亚洲在久久综合| 69人妻影院| 亚洲无线观看免费| 欧美激情在线99| 亚洲色图av天堂| 一区二区三区免费毛片| 人体艺术视频欧美日本| 久久久久网色| 久久久亚洲精品成人影院| 狂野欧美激情性bbbbbb| 汤姆久久久久久久影院中文字幕| 麻豆精品久久久久久蜜桃| 黄片无遮挡物在线观看| 成年av动漫网址| 亚洲国产av新网站| 亚洲av成人精品一区久久| 国产成人精品婷婷| 免费av观看视频| 一级毛片久久久久久久久女| www.av在线官网国产| 女人十人毛片免费观看3o分钟| 成人免费观看视频高清| 午夜福利视频1000在线观看| 午夜福利高清视频| 久久精品国产亚洲网站| 日韩中字成人| 老女人水多毛片| 亚州av有码| 黄色欧美视频在线观看| 久久久久久国产a免费观看| kizo精华| 欧美zozozo另类| 在线a可以看的网站| 最后的刺客免费高清国语| 午夜福利在线观看免费完整高清在| 国产亚洲精品久久久com| 91久久精品电影网| 久久99热6这里只有精品| 亚洲天堂av无毛| 九九爱精品视频在线观看| av免费在线看不卡| 日韩欧美一区视频在线观看 | 午夜激情久久久久久久| 亚洲精品一二三| 精品少妇久久久久久888优播| 久久久久国产网址| 国语对白做爰xxxⅹ性视频网站| 国内精品美女久久久久久| 最近2019中文字幕mv第一页| 国产一区二区三区av在线| 欧美 日韩 精品 国产| 又大又黄又爽视频免费| 一级爰片在线观看| 国产精品爽爽va在线观看网站| 搞女人的毛片| 午夜老司机福利剧场| 在线看a的网站| 一级黄片播放器| 91aial.com中文字幕在线观看| 国产91av在线免费观看| 国产成年人精品一区二区| 80岁老熟妇乱子伦牲交| 精品少妇久久久久久888优播| 亚洲成色77777| 2021少妇久久久久久久久久久| 日韩一本色道免费dvd| 热re99久久精品国产66热6| 免费播放大片免费观看视频在线观看| 国产一区有黄有色的免费视频| 高清av免费在线| 日日摸夜夜添夜夜添av毛片| 亚洲精品影视一区二区三区av| 在线天堂最新版资源| 黄色视频在线播放观看不卡| 国产精品福利在线免费观看| 亚洲av在线观看美女高潮| 亚洲av福利一区| 国产精品不卡视频一区二区| 欧美激情在线99| 全区人妻精品视频| 韩国av在线不卡| 亚洲精品国产av成人精品| 大话2 男鬼变身卡| 99热全是精品| 国产精品av视频在线免费观看| 丝袜喷水一区| 久久影院123| 久久久久国产网址| 国产精品熟女久久久久浪| 日韩人妻高清精品专区| 晚上一个人看的免费电影| 免费av毛片视频| 欧美潮喷喷水| av国产精品久久久久影院| 精品国产露脸久久av麻豆| 中文乱码字字幕精品一区二区三区| 亚洲av国产av综合av卡| 欧美成人午夜免费资源| 亚洲国产欧美在线一区| 亚洲性久久影院| 少妇裸体淫交视频免费看高清| 老司机影院毛片| 国产精品一区www在线观看| 2021天堂中文幕一二区在线观| 久久精品国产亚洲av天美| 大码成人一级视频| 久久久久久久久久成人| 成人无遮挡网站| 亚洲激情五月婷婷啪啪| 精品99又大又爽又粗少妇毛片| 亚洲国产欧美在线一区| 在线精品无人区一区二区三 | 亚洲不卡免费看| 国产成年人精品一区二区| 中国美白少妇内射xxxbb| 美女内射精品一级片tv| 亚洲激情五月婷婷啪啪| 丝瓜视频免费看黄片| 日本猛色少妇xxxxx猛交久久| 不卡视频在线观看欧美| 国产精品熟女久久久久浪| 国产精品福利在线免费观看| 新久久久久国产一级毛片| 激情五月婷婷亚洲| 伦理电影大哥的女人| 成年人午夜在线观看视频| 自拍偷自拍亚洲精品老妇| 97在线人人人人妻| 噜噜噜噜噜久久久久久91| 黄色日韩在线| 在线免费观看不下载黄p国产| 美女主播在线视频| 一级爰片在线观看| 黄色怎么调成土黄色| 免费观看av网站的网址| 麻豆精品久久久久久蜜桃| 亚洲综合色惰| 中文资源天堂在线| 日韩免费高清中文字幕av| 亚洲真实伦在线观看| av在线app专区| 舔av片在线| 精品国产一区二区三区久久久樱花 | 欧美成人一区二区免费高清观看| 22中文网久久字幕| 亚洲精品乱码久久久v下载方式| 成人国产麻豆网| 伊人久久国产一区二区| 国产精品国产av在线观看| 少妇丰满av| 内地一区二区视频在线| 久久久成人免费电影| 高清毛片免费看| 草草在线视频免费看| 久久精品国产亚洲av天美| 亚洲欧洲国产日韩| 18禁动态无遮挡网站| 欧美bdsm另类| 亚洲久久久久久中文字幕| 免费av毛片视频| 久久久久久久亚洲中文字幕| 一级片'在线观看视频| 精品视频人人做人人爽| 欧美另类一区| 91精品一卡2卡3卡4卡| 色视频在线一区二区三区| 日韩国内少妇激情av| 少妇猛男粗大的猛烈进出视频 | 国产亚洲午夜精品一区二区久久 | 国国产精品蜜臀av免费| 国产精品国产av在线观看| 偷拍熟女少妇极品色| 日韩,欧美,国产一区二区三区| 久久6这里有精品| 国产白丝娇喘喷水9色精品| 18禁裸乳无遮挡免费网站照片| 看免费成人av毛片| 国产在视频线精品| 欧美日韩视频精品一区| 国产成人精品一,二区| 日韩成人av中文字幕在线观看| 在线天堂最新版资源| 一级av片app| 777米奇影视久久| 精品酒店卫生间| 少妇 在线观看| 一级毛片 在线播放| 欧美+日韩+精品| 精品一区二区三区视频在线| 亚洲欧洲国产日韩| 97超碰精品成人国产| 男插女下体视频免费在线播放| 亚洲精品日韩av片在线观看| 成人欧美大片| 成人无遮挡网站| 国产精品无大码| 成年女人在线观看亚洲视频 | 边亲边吃奶的免费视频| 高清毛片免费看| 听说在线观看完整版免费高清| 成年女人看的毛片在线观看| 亚洲av不卡在线观看| av一本久久久久| 亚洲国产高清在线一区二区三| 如何舔出高潮| 精品一区在线观看国产| 肉色欧美久久久久久久蜜桃 | 欧美精品国产亚洲| 亚洲色图av天堂| 建设人人有责人人尽责人人享有的 | 精品人妻视频免费看| 一级毛片aaaaaa免费看小| 国模一区二区三区四区视频| 深夜a级毛片| 国产伦精品一区二区三区四那| 能在线免费看毛片的网站| 日本色播在线视频| 成人欧美大片| 一本久久精品| 日本色播在线视频| 国产午夜精品一二区理论片| 日韩欧美精品免费久久| 日本午夜av视频| 午夜免费男女啪啪视频观看| 大香蕉97超碰在线| 日韩中字成人| 在线播放无遮挡| 精品一区二区三区视频在线| 国产 一区精品| 九九爱精品视频在线观看| 777米奇影视久久| 一区二区三区免费毛片| 久久久a久久爽久久v久久| 亚洲内射少妇av| av在线亚洲专区|