• <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 ?

    基于增強圖卷積神經(jīng)網(wǎng)絡的病毒形態(tài)識別方法研究

    2022-04-18 09:41:26哈艷袁偉珵孟翔杰田俊峰
    中國全科醫(yī)學 2022年14期
    關鍵詞:分類特征方法

    哈艷,袁偉珵,孟翔杰,田俊峰

    致病病毒嚴重威脅人類的生命健康,如新型冠狀病毒肺炎全球大流行,造成了不可挽回的損失,但同時提高了人們對病毒傳播、致病和治療等的認知及重視程度。在病毒爆發(fā)的過程中,對病毒及時進行早期診斷則是遏制病毒傳播的最佳手段。目前利用透射電子顯微鏡(transmission electron microscope,TEM)對病毒進行形態(tài)觀察是對病毒早期診斷的重要檢測方式,通過TEM可以獲得病毒的高分辨率圖像,能夠表達病毒超微結構的更多細節(jié)[1-2],因此TEM成為病毒形態(tài)學診斷的有力工具[3]。

    在臨床檢測中,傳統(tǒng)的TEM檢測方法常依靠專家手工識別,存在步驟繁瑣、耗時長、效率低等缺陷,并且需要經(jīng)驗豐富的病毒專家才能進行精準判斷。由于專業(yè)訓練的病毒專家屬于非常昂貴的人力資源,世界各地能夠使用TEM進行病毒鑒定的機構非常少[4-5],導致發(fā)展中國家和落后地區(qū)等無法對新型或變異病毒進行及時檢測和診斷,嚴重影響了病毒傳染疾病的診治與防疫工作。近年來,隨著計算機輔助診斷技術的發(fā)展,很多研究工作利用機器學習方法,通過手工設計的特征構建分類器以開展TEM圖像中的病毒形態(tài)自動識別工作,有效緩解了病毒檢測與診斷的壓力[6]。但由于病毒結構多樣、背景復雜和TEM圖像中不可避免地出現(xiàn)噪聲,上述方法在病毒識別方面受到特征依賴性和場景泛化能力差的影響,其效果不能滿足實際應用的要求。

    目前,深度學習技術由于其卓越的性能已被廣泛應用于醫(yī)學圖像識別任務,可以有效解決TEM病毒圖像手工檢測效率低和機器學習方法受背景噪聲影響大等問題。但已有的深度學習方法大多關注圖像像素級信息,使得提取的信息獨立表示該圖像的特征,忽略了不同病毒樣本之間的關系,導致模型過于關注圖像上的局部特征,而忽略了整體的形態(tài)特征差異關系,進而導致對病毒形態(tài)圖像識別準確率不高。

    本文提出的增強圖卷積神經(jīng)網(wǎng)絡(Enhanced Graph Convolutional Network,EGCN)用于透射電子顯微鏡下的病毒形態(tài)自動識別。該方法不僅關注圖像的局部特征,而且指導模型學習不同病毒樣本之間的關系,從其鄰居樣本中獲得更全面的病毒形態(tài)信息。首先,利用卷積神經(jīng)網(wǎng)絡(CNN)提取病毒的像素級特征,獲得的CNN特征主要集中于不同病毒樣本的局部信息。然后使用K近鄰(K-Nearest Neighbor,KNN)算法將圖像之間的相關性融合到模型中。最后,在圖卷積網(wǎng)絡(GCN)分類器中引入群體超分類技術,從而提取到更全面的病毒結構特征,進行病毒形態(tài)的精準分類。

    1 相關工作

    1.1 顯微圖像分類 目前,與人工智能相關的顯微鏡圖像識別算法因其高效和效果良好而被廣泛應用[6-12]。比如,ABDALLA等[7]采用K近鄰和人工神經(jīng)網(wǎng)絡算法來識別顯微圖像數(shù)據(jù)中的細胞和寄生蟲。MARC等[8]提出了對利什曼原蟲的深度學習自動分割和識別算法。除此之外,LI等[9]設計了深度循環(huán)遷移學習模型來識別多種寄生蟲顯微圖像,通過引入寄生蟲相似樣本的宏觀目標樣本促進寄生蟲圖像的特征提取,由此提高了寄生蟲顯微圖像的識別效果。

    在病毒形態(tài)識別領域,也有一些基于電子顯微鏡的研究。XIAO等[6]提出了用于病毒形態(tài)學診斷的殘差混合注意力網(wǎng)絡,將殘差結構和三個注意力模塊集成到一個端到端的模型中,完成了對電子顯微鏡中病毒識別任務。SINTORN等[10]提出了一種精細化的模板匹配方法來識別巨細胞病毒顆粒。ONG等[11]提出了一種基于雙譜特征的識別方法,通過獲取輪廓和紋理信息來識別胃腸病毒。WEN等[12]建立了一種通過多尺度主成分分析方法提取病毒特征的病毒識別模型。但是這些方法僅考慮病毒圖像樣本類別與圖像特征之間的關系,忽視了圖像樣本特征中的群體相似問題,因此在實際應用中效果還不理想。

    1.2 GCN 由于GCN具有挖掘樣本特征之間關系的獨特能力,許多研究采用GCN作為特征學習方法[13-18]。如SAHBI等[13]為圖像特征建立了一個正交的連接矩陣,通過鄰域最優(yōu)地聚集特征節(jié)點,并結合輕量級GCN進行手勢識別;MIN等[14]提出了一種基于注意力圖網(wǎng)絡的車位檢測方法,其根據(jù)標記點周圍視圖的圖像建立圖結構,用單元化的圖神經(jīng)網(wǎng)絡來聚合樣本之間的鄰近信息。ZHOU等[15]通過GCN將動作特征和微表情特征聯(lián)合表示,實現(xiàn)微表情識別;XIAO等[16]提出了一種利用GCN將類間相似度知識整合到CNN模型的方法來解決圖像識別問題。此外,ADNAN等[17]通過兩階段表征學習框架識別了兩種肺癌亞型,該方法通過基于顏色的算法和圖神經(jīng)網(wǎng)絡將原始圖像映射為向量表示,并在圖池中引入注意力機制來推斷樣本之間的相關性。BAO等[18]提出的掩碼圖注意力網(wǎng)絡,該網(wǎng)絡通過CNN特征表示節(jié)點之間的相互信息傳輸,更有效地實現(xiàn)行人的再識別。

    為了更好地解決病毒形態(tài)診斷問題,首先利用CNN提取圖像特征表示,然后將CNN特征和樣本之間的關系輸入GCN模塊,整個網(wǎng)絡由群體超分類損失和病毒分類交叉熵損失進行聯(lián)合優(yōu)化,進而提出了EGCN。

    2 EGCN

    2.1 方法總述 為了解決病毒形態(tài)分類問題,首先,使用CNN從原始圖像中提取視覺特征。然后,通過KNN算法計算一個鄰接矩陣來表示CNN特征的相關性。最后,將CNN特征和其他的相關性輸入到GCN中學習圖特征表示,并利用群體超分類和病毒分類損失進行網(wǎng)絡優(yōu)化,提出了一種端到端的EGCN。模型整體結構如圖1所示。首先,EGCN通過CNN對病毒圖片提取像素級特征,然后通過圖學習建立樣本特征之間的關系,并引入圖卷積神經(jīng)網(wǎng)絡進行圖特征學習,利用超分類損失提高網(wǎng)絡的特征提取能力,實現(xiàn)在像素級特征上提取更具魯棒性的樣本鑒別特征,最終通過主分類損失進行病毒形態(tài)識別。

    圖1 EGCN算法模型整體結構Figure 1 Overall structure of EGCN algorithm model

    2.2 像素級特征提取 CNN可以根據(jù)像素間的關系挖掘圖像的像素級特征信息,在分類問題上解決了許多挑戰(zhàn)性的問題[19]。因此,本文使用經(jīng)典的CNN模型RepVGG[20]作為像素級的特征提取器。給定原始數(shù)據(jù)X={x1,…,xi,…,xn},包括病毒圖像,通過以下公式提取CNN特征:Y=F(X)(1)。其中F(·)表示RepVGG-B3模型,Y表示像素級特征集合。RepVGG由5個階段組成,每個階段使用多個 卷積,不存在池化模塊。每個階段的第一層通過設置stride=2來改變圖像的大小。RepVGG的詳細信息見表1。

    表1 RepVGG模型Table 1 The model of Rep VGG network

    為解決內(nèi)部協(xié)變量移位問題,在每個卷積層后加入批歸一化公式:

    其中xb,xb+1分別表示第b層批標準化層的輸入和輸出,ε(·)表示期望,V(·)表示方差,ε>0。

    2.3 超分類圖嵌入學習 在提取CNN 特征后,將這些特征作為GCN的輸入,并結合樣本之間的關系進行圖特征表示,最終經(jīng)過分類層預測分類結果。該模塊包括兩部分,首先計算CNN特征之間的相關性構建鄰接矩陣,然后通過超分類GCN計算預測的概率分布。

    2.3.1 圖構建算法 為了確定CNN特征之間的關系,采用KNN算法建立一個圖結構G(V,E),其中V表示圖的節(jié)點,E表示圖的邊。具體來說,將每個圖像的CNN特征假設為一個節(jié)點。KNN算法中對于每個節(jié)點,將其連接到最接近該節(jié)點的前K個節(jié)點,計算鄰接矩陣A=(Aij):

    其中Nj表示樣本j的K個近鄰點的集合。樣本的近鄰點由歐幾里得距離決定:

    2.3.2 超分類圖卷積算法 設Y={y1,…,yi,…,yn}∈Rn×d是n個d維的特征向量的集合,并且利用鄰接矩陣A表示病毒樣本之間的關系。給定特征Z0=Y和圖結構A,GCN[21]可以表示為:

    其中M表示屬于每種類別的概率,G(Y)表示GCN,δ(·)表示激活函數(shù),如ReLU(·)=max(0,·)。針對每個隱含層,GCN可以用以下公式表示:

    其中l(wèi){0,1,…L}并且Wl表示第l層GCN的可訓練參數(shù)。Zl和Zl+1分別表示第l層和第l+1層輸出的GCN特征。D=diag(d1,d2,…,dn)是一個對角矩陣,且為了確定概率分布,將GCN層的輸出輸入到softmax函數(shù)中:

    其中Mi表示第i個GCN特征的概率分布,表示矩陣中的第i行第c列,C表示類別數(shù)。為此,本研究建立了兩個分類器,同時優(yōu)化兩個并列的GCN:

    其中Gp表示病毒形態(tài)類別預測層,Ga表示超分類病毒形態(tài)預測層,即將每個病毒類別再次隨機劃分為兩類輔助網(wǎng)絡進一步提取特征。Mp={mp1,…,mpi,…mpn}和Ma={ma1,…,mai,…man}分別代表Gp和Ga的輸出。其中超分類網(wǎng)絡通過將一類病毒分為兩類來提高EGCN模型提取全局特征的能力。

    2.4 算法優(yōu)化 假設CNN模型的可訓練參數(shù)為Wv,超分類GCN的參數(shù)為Wg。本文通過以下?lián)p失函數(shù)優(yōu)化權重集合W={Wv,Wg}。首先,考慮到病毒圖像樣本相關關系建立方法沒有使用真實標簽,所以GCN中的鄰接矩陣中可能會有很多噪聲。由此,本文提出一個圖校正損失來抑制圖中的噪聲:

    其中H=(Hij)∈Rn×n表示一個分類矩陣,由下式?jīng)Q定:

    其中Lcp表示GCN的病毒形態(tài)交叉熵分類損失,Lca表示GCN的增強超分類損失。和分別表示兩種分類層輸出的第i個標簽。為了更好地控制樣本間的距離,本文對GCN增加了對比損失,即:

    其中η是一個可調(diào)參數(shù),用于控制不同類別樣本的約束程度。最后,通過如下?lián)p失函數(shù)優(yōu)化:

    其中λ1,λ2和λ3表示不同損失之間的平衡系數(shù)。此為構建的EGCN。

    3 實驗驗證

    3.1 數(shù)據(jù)來源 本文的研究數(shù)據(jù)是基于15類病毒的TEM圖像集[21],其使用兩種不同的電子顯微鏡進行拍攝,包括一臺Tecnai10和一臺MegaViewIII相機,以及一臺LEO和一臺Morada相機。該數(shù)據(jù)集使用文獻[22]中描述的方法從分割的對象中自動提取樣本,每類有100個圖像(總共1 500個樣本)。每張圖片均是無損壓縮為16位PNG格式,大小為41×41。此外,從每類中隨機選擇數(shù)據(jù)作為測試集,所選圖像不用于訓練,訓練集與測試集的比例為3∶1。表2顯示了每個病毒類中的圖像數(shù)量以及相應的訓練和測試部分的圖像數(shù)量。

    表2 TEM病毒數(shù)據(jù)集Table 2 TEM virus dataset.

    3.2 實驗設計和評價指標 為了進行公平的病毒分類效果對比,本文使用PyTorch框架在GTX2080GPU上實現(xiàn)了EGCN算法和其他相關模型。在訓練前,EGCN將訓練樣本的大小統(tǒng)一為70×70像素,然后將其隨機裁剪為64×64像素,并進行隨機旋轉。測試集的大小統(tǒng)一為64×64像素。在訓練時,EGCN模型通過自適應矩估計法(Adaptive Moment Estimation,Adam)[23]進行優(yōu)化,其中學習率為1e-5和權重衰減率為5e-4。經(jīng)實驗驗證,設置最大Epoch次數(shù)為300,批處理規(guī)模為64。λ1,λ2和λ3分別為0.3、1.0和0.1。Lcom的參數(shù)η被設置為5。此外,本文算法中使用的RepVGG模型已經(jīng)在ImageNet上進行了預訓練,以便更好地提取病毒圖像特征。

    為了定量評價病毒形態(tài)學診斷模型,本小節(jié)計算了EGCN在病毒圖像數(shù)據(jù)上的top-1錯誤率、top-2錯誤率、精確度和召回率作為性能指標,具體情況如下。

    top-1錯誤率:該度量計算測試圖像中與真實標簽不同的預測標簽的比例。

    top-2錯誤率:該度量計算測試圖像中正確標簽不在top-2預測標簽中的比例[24]。

    精確度:該指標表示模型預測為正確的樣本中正確預測樣本的比例。

    召回率:表示測試集中的樣本被正確分類的比例。

    3.3 實驗結果 為了驗證本文提出的EGCN模型用于病毒形態(tài)學診斷的性能,本節(jié)將EGCN算法與相關方法進行了比較,包括 VGG-19[19],ResNet-50[25],DenseNet-101[26],RepVGG-B3[20]和殘差混合注意網(wǎng)絡(RMAN)[6]。其中,VGG-19,ResNet-50,DenseNet-101和RepVGG-B3是在具有挑戰(zhàn)性的圖像識別任務中取得最佳結果的監(jiān)督模型[27]。RMAN通過在深度網(wǎng)絡中加入改進的注意力模型,在病毒形態(tài)識別中取得了較好的效果。

    不同模型在不同評價指標上的實驗效果顯示:EGCN方法分別達到了3.40%的top-1錯誤率,1.88%的top-2錯誤率,96.65%的精確度和96.60%的召回率。由于訓練集樣本數(shù)量較少,過深的網(wǎng)絡會因參數(shù)過多而導致過擬合問題。因此,在傳統(tǒng)監(jiān)督網(wǎng)絡的實驗中,VGG-19和RepVGG模型比更深的ResNet-50和DenseNet-101算法表現(xiàn)更好。與其他方法相比,EGCN算法在top-1錯誤率至少低1.27%,在top-2錯誤率至少低0.64%,精確度至少提高了1.24%,召回率至少提高了1.27%。表3得到的結果表明,EGCN算法在GCN的特征提取能力基礎上,群體超分類挖掘了更豐富的類別信息,和樣本級分類損失的聯(lián)合優(yōu)化在病毒形態(tài)診斷任務中可以獲得更好的結果。見表3。

    表3 不同模型對病毒形態(tài)分類的定量分析結果匯總(%)Table 3 Summary of quantitative analysis results of virus morphological classification by different models

    每個類別中的top-1錯誤率,橫軸表示病毒類別,縱軸表示預測結果top-1錯誤率,結果見圖2。從圖3可以看出腺病毒、星狀病毒、剛果出血熱病毒、流感病毒、馬爾堡病毒、諾如病毒、輪狀病毒和西尼羅河病毒其各自突出的形態(tài)特征均有著較低的錯誤率。相對而言,登革熱病毒、埃博拉病毒和拉沙病毒的形狀相似,容易混淆,導致錯誤率較高。此外,與其他方法相比,EGCN模型在其他所有病毒類別中達到了最低的識別錯誤率,證明了EGCN算法在病毒識別問題上的優(yōu)越性。

    圖2 所有對比方法中每個類別的top-1錯誤率Figure 2 Top-1 error rates of each category in comparison methods

    EGCN的混淆矩陣如圖3所示,其展示了EGCN算法對不同類別樣本的識別能力,EGCN算法對腺病毒、星狀病毒、剛果出血熱病毒、牛痘病毒、流感病毒、馬爾堡病毒、諾如病毒、輪狀病毒和西尼羅河病毒的分類是100.00%正確的。混淆矩陣的結果表明,EGCN模型能夠正確區(qū)分大多數(shù)病毒類別,對于形狀相似的病毒可能會產(chǎn)生少量的混淆。

    圖3 混淆矩陣Figure 3 The confusion matrix

    此外,本小節(jié)利用二維t-分布隨機鄰域嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)圖來可視化網(wǎng)絡學習到的特征。該方法通過對高維特征表示的降維和可視化來展示高維特征在低維空間的分布,從而驗證了方法的特征提取能力。EGCN和對比算法的結果顯示,幾種傳統(tǒng)網(wǎng)絡的效果相對較差,RMAN模型可以清晰地分離出各種樣本,但仍然不如EGCN模型具有更好的特征分離度,見圖4。綜上,本文提出的EGCN方法在病毒形態(tài)識別問題上有很好的效果。

    圖4 t-SNE可視化效果圖Figure 4 The t-SNE plots of our method and comparison algorithms

    3.4 結果分析 圖5顯示了損失函數(shù)中平衡參數(shù)的影響。圖5(a)表明輔助交叉熵損失(Lca)的正則化作用可以幫助模型收斂到局部最優(yōu)。相比之下,較弱的約束會導致算法過分關注樣本的局部信息,影響方法的優(yōu)化效果。另外,圖修正損失對模型影響較小,當λ2為1時,top-1錯誤率最低。最后,對比損失幫助EGCN從另一個角度提取訓練集的樣本信息,其最優(yōu)平衡參數(shù)值為0.3。

    圖5 損失函數(shù)中平衡參數(shù) 對EGCN算法的影響Figure 5 The influence of balance parameters in loss function on our EGCN algorithm

    為了驗證EGCN算法中每個模塊對病毒識別任務的貢獻,本節(jié)設計了一系列的消融實驗,結果如表4所示。首先,本節(jié)提供了一種無數(shù)據(jù)增強的算法,并證明其正則化效果可以使EGCN的錯誤率降低0.77%。之后去掉了GCN模塊,直接使用CNN特征進行病毒識別,以驗證EGCN中GCN部分的效果。結果表明,能夠整合樣本間信息的GCN使錯誤率降低了8.87%。另外,去掉了超分類技巧來驗證這部分在算法中的貢獻。這證明了該超分類方法提高了EGCN模型提取圖像全局表示的能力,降低了0.56%的錯誤率。最后,本部分驗證了圖歸一化方法,結果表明,歸一化圖有效地防止了梯度爆炸的問題,降低了29.14%的top-1錯誤率。

    表4 EGCN方法的消融實驗結果Figure 4 Ablation experimental results of EGCN method.

    4 討論

    本文針對多種病毒形態(tài)分類任務,設計了EGCN進行病毒TEM圖像分類特征的學習和樣本關系的挖掘,結合超分類損失提高模型的鑒別能力,達到了3.4%的top-1錯誤率,1.88%的top-2錯誤率,并且獲得了96.65%的精確度和96.6%的召回率。對于病毒形態(tài)分類任務,已有相關文獻展開過研究,比如文獻[28]對電子圖像中的自動病毒鑒別任務設計了深度學習算法,結合病毒的形態(tài)屬性和網(wǎng)絡的損失函數(shù)來對SRS、MERS、HIV和COVID-19四種病毒進行分類識別;文獻[29]通過引入CNN來檢測和識別病毒,實現(xiàn)數(shù)據(jù)標注、樣本成像和圖像增強,并提高模型的運行速度,取得了不錯的研究進展。與上述相關文獻相比,本文模型主要針對類別相似性較高的病毒種類識別,并設計了超分類損失來促進網(wǎng)絡對類別之間差異特征的學習,重點解決了多種病毒分類的復雜任務。

    雖然本方法可以有效解決病毒類別分類問題,但在模型訓練過程中需要大量標注樣本,在實際應用中TEM病毒圖像的標注工作十分復雜,且耗時、耗力。本文提出的EGCN在無標記數(shù)據(jù)或者標記樣本較少的情況下效果如何有待進一步驗證。在未來的研究中,將重點研究半監(jiān)督學習和遷移學習在病毒分類問題中的應用問題,以便能夠在無標記樣本或標記樣本較少的情況下達到較好的病毒形態(tài)分類的效果。

    針對電子顯微鏡下的病毒形態(tài)識別,本文提出了一個改進的EGCN來解決病毒形態(tài)分類問題。該方法首先采用CNN提取原始圖像的特征,然后采用KNN建圖方法連接相關樣本構建圖結構關系,最后將圖結構與提取的CNN特征相結合,輸入超分類GCN進行最終的病毒形態(tài)分類。實驗結果表明,EGCN在病毒識別方面優(yōu)于所有的對比方法,提高了識別準確率。從理論和實際應用的角度均綜合驗證了EGCN對于病毒形態(tài)識別的重要應用價值和研究意義,對病毒傳播過程中的早期診斷具有重要的實際應用潛力。

    作者貢獻:哈艷、孟翔杰進行文章的構思與設計,研究的實施與可行性分析,數(shù)據(jù)整理;哈艷、田俊峰進行數(shù)據(jù)收集,論文的修訂,結果的分析與解釋;孟翔杰進行統(tǒng)計學處理;田俊峰撰寫論文,對文章整體負責,監(jiān)督管理;哈艷負責文章的質(zhì)量控制及審校。

    本文無利益沖突。

    猜你喜歡
    分類特征方法
    分類算一算
    如何表達“特征”
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    分類討論求坐標
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    抓住特征巧觀察
    可能是方法不對
    用對方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    超碰97精品在线观看| 人人妻人人澡人人看| 免费av中文字幕在线| 亚洲精品国产av成人精品| 天天躁夜夜躁狠狠躁躁| 成人免费观看视频高清| 日韩制服骚丝袜av| 9191精品国产免费久久| 97在线人人人人妻| 黄色视频,在线免费观看| 后天国语完整版免费观看| 夫妻午夜视频| 精品福利观看| 人妻 亚洲 视频| 久久99一区二区三区| 两人在一起打扑克的视频| 少妇猛男粗大的猛烈进出视频| 亚洲精品在线美女| 黄色视频不卡| 日韩制服骚丝袜av| 亚洲自偷自拍图片 自拍| 狠狠精品人妻久久久久久综合| 亚洲男人天堂网一区| 免费看十八禁软件| 亚洲av电影在线观看一区二区三区| a 毛片基地| 日韩 欧美 亚洲 中文字幕| 久久人妻熟女aⅴ| 99热网站在线观看| 免费日韩欧美在线观看| 国产主播在线观看一区二区| 最新的欧美精品一区二区| √禁漫天堂资源中文www| 女性被躁到高潮视频| 欧美av亚洲av综合av国产av| 男女之事视频高清在线观看| 午夜成年电影在线免费观看| 亚洲成人免费电影在线观看| 99国产精品免费福利视频| 免费人妻精品一区二区三区视频| 青青草视频在线视频观看| 亚洲中文字幕日韩| 啦啦啦 在线观看视频| 一区在线观看完整版| 色视频在线一区二区三区| 丰满饥渴人妻一区二区三| 欧美午夜高清在线| 久9热在线精品视频| 我的亚洲天堂| 亚洲av成人不卡在线观看播放网 | 中文字幕高清在线视频| 涩涩av久久男人的天堂| 久久99一区二区三区| 婷婷丁香在线五月| 又紧又爽又黄一区二区| 国产精品二区激情视频| 国产精品偷伦视频观看了| 夫妻午夜视频| 天堂俺去俺来也www色官网| 18禁国产床啪视频网站| 成人黄色视频免费在线看| 久久久久久久精品精品| 97在线人人人人妻| 亚洲黑人精品在线| 精品一区二区三区av网在线观看 | 在线亚洲精品国产二区图片欧美| 久久精品人人爽人人爽视色| 国产国语露脸激情在线看| 国精品久久久久久国模美| 中文字幕制服av| 欧美av亚洲av综合av国产av| 欧美精品一区二区大全| 久久热在线av| 伊人久久大香线蕉亚洲五| 色94色欧美一区二区| 别揉我奶头~嗯~啊~动态视频 | 肉色欧美久久久久久久蜜桃| 成人国产av品久久久| 国产无遮挡羞羞视频在线观看| 久久av网站| 国产一区二区三区av在线| 久久青草综合色| 999久久久国产精品视频| 亚洲成av片中文字幕在线观看| 国产一区二区三区av在线| 黄色怎么调成土黄色| 久久久久久人人人人人| 丝袜美腿诱惑在线| 免费av中文字幕在线| 午夜两性在线视频| 中文字幕人妻丝袜一区二区| 久久香蕉激情| 午夜福利影视在线免费观看| 啦啦啦免费观看视频1| 纵有疾风起免费观看全集完整版| 久久热在线av| 精品人妻1区二区| 香蕉丝袜av| 午夜激情久久久久久久| 在线观看www视频免费| 十八禁网站免费在线| 亚洲一卡2卡3卡4卡5卡精品中文| 久久精品国产综合久久久| 极品少妇高潮喷水抽搐| 天天操日日干夜夜撸| 国产精品欧美亚洲77777| 97精品久久久久久久久久精品| 久久久精品免费免费高清| 1024视频免费在线观看| 中国国产av一级| 妹子高潮喷水视频| 国产精品av久久久久免费| 亚洲成国产人片在线观看| 老司机深夜福利视频在线观看 | 天堂8中文在线网| 999精品在线视频| 国产亚洲欧美在线一区二区| 国产亚洲欧美精品永久| 97精品久久久久久久久久精品| 人妻一区二区av| 波多野结衣一区麻豆| 人人澡人人妻人| 在线亚洲精品国产二区图片欧美| 成年美女黄网站色视频大全免费| 国产日韩一区二区三区精品不卡| 亚洲精品中文字幕在线视频| 久久国产精品大桥未久av| 一本—道久久a久久精品蜜桃钙片| 99国产精品一区二区三区| 国产主播在线观看一区二区| 如日韩欧美国产精品一区二区三区| 一区二区三区四区激情视频| 国产精品麻豆人妻色哟哟久久| 成年美女黄网站色视频大全免费| 天堂8中文在线网| 久久人人97超碰香蕉20202| 丝袜美腿诱惑在线| 9色porny在线观看| 国产亚洲精品第一综合不卡| 国产黄色免费在线视频| 精品卡一卡二卡四卡免费| 日本欧美视频一区| 1024视频免费在线观看| 国产免费一区二区三区四区乱码| 久久久精品免费免费高清| 香蕉国产在线看| 精品少妇内射三级| 久久久精品免费免费高清| 制服诱惑二区| 国产老妇伦熟女老妇高清| 91麻豆精品激情在线观看国产 | 日韩 欧美 亚洲 中文字幕| 十八禁人妻一区二区| 国产成人免费无遮挡视频| 国产亚洲av片在线观看秒播厂| 一级片免费观看大全| 国产人伦9x9x在线观看| 97在线人人人人妻| 日本av免费视频播放| 午夜日韩欧美国产| 精品一品国产午夜福利视频| 免费在线观看黄色视频的| 无限看片的www在线观看| 在线永久观看黄色视频| 国产区一区二久久| 亚洲精品在线美女| 亚洲九九香蕉| 淫妇啪啪啪对白视频 | 亚洲熟女精品中文字幕| 正在播放国产对白刺激| 国产老妇伦熟女老妇高清| 亚洲男人天堂网一区| 日本vs欧美在线观看视频| a级毛片黄视频| 欧美黑人欧美精品刺激| 18禁裸乳无遮挡动漫免费视频| 亚洲精品成人av观看孕妇| av有码第一页| 久久午夜综合久久蜜桃| 一个人免费看片子| 欧美日韩一级在线毛片| 美女国产高潮福利片在线看| 女性生殖器流出的白浆| 久久午夜综合久久蜜桃| 日本欧美视频一区| 99久久国产精品久久久| 秋霞在线观看毛片| 男女之事视频高清在线观看| 免费一级毛片在线播放高清视频 | 午夜福利在线观看吧| xxxhd国产人妻xxx| av视频免费观看在线观看| 国产欧美日韩综合在线一区二区| 久久人人爽人人片av| 色94色欧美一区二区| 国产亚洲午夜精品一区二区久久| videos熟女内射| 视频在线观看一区二区三区| 大片免费播放器 马上看| 国产主播在线观看一区二区| 成人国产av品久久久| 精品一品国产午夜福利视频| 菩萨蛮人人尽说江南好唐韦庄| 亚洲欧美精品综合一区二区三区| 日韩三级视频一区二区三区| 中文字幕最新亚洲高清| 老熟女久久久| 亚洲精品久久久久久婷婷小说| 精品少妇内射三级| 亚洲久久久国产精品| 国产成人欧美在线观看 | 国产精品麻豆人妻色哟哟久久| 免费人妻精品一区二区三区视频| 美女国产高潮福利片在线看| 99国产综合亚洲精品| 中国国产av一级| 精品亚洲成国产av| 别揉我奶头~嗯~啊~动态视频 | 美女脱内裤让男人舔精品视频| 在线av久久热| 水蜜桃什么品种好| 国产真人三级小视频在线观看| 超色免费av| 午夜福利影视在线免费观看| 精品少妇黑人巨大在线播放| 欧美国产精品一级二级三级| 国产精品麻豆人妻色哟哟久久| 欧美日韩视频精品一区| 午夜激情av网站| 国产免费现黄频在线看| 淫妇啪啪啪对白视频 | e午夜精品久久久久久久| 久久久久国产精品人妻一区二区| 亚洲精品中文字幕一二三四区 | 自线自在国产av| 午夜福利在线观看吧| 看免费av毛片| www.自偷自拍.com| 91成年电影在线观看| 成年人黄色毛片网站| 高清在线国产一区| av免费在线观看网站| 天天躁狠狠躁夜夜躁狠狠躁| 中文字幕另类日韩欧美亚洲嫩草| 国产97色在线日韩免费| 久久国产亚洲av麻豆专区| 欧美亚洲日本最大视频资源| 亚洲精品国产精品久久久不卡| 欧美日韩福利视频一区二区| 青青草视频在线视频观看| 欧美日韩亚洲高清精品| 日韩熟女老妇一区二区性免费视频| 国产精品秋霞免费鲁丝片| 精品少妇内射三级| av在线app专区| 亚洲一码二码三码区别大吗| 欧美另类一区| 黄色 视频免费看| 午夜福利免费观看在线| 久久综合国产亚洲精品| 欧美变态另类bdsm刘玥| 久久久国产一区二区| 成人国产一区最新在线观看| 亚洲人成电影观看| 九色亚洲精品在线播放| 高清黄色对白视频在线免费看| 亚洲精品av麻豆狂野| 蜜桃在线观看..| 婷婷丁香在线五月| 国产一区有黄有色的免费视频| 日韩有码中文字幕| 12—13女人毛片做爰片一| 最近最新免费中文字幕在线| 男人爽女人下面视频在线观看| 午夜福利免费观看在线| 丁香六月欧美| 久久久水蜜桃国产精品网| 国产亚洲午夜精品一区二区久久| 精品一区二区三卡| 日韩中文字幕视频在线看片| 国产精品影院久久| 国产成人一区二区三区免费视频网站| 女人被躁到高潮嗷嗷叫费观| 波多野结衣一区麻豆| 一级a爱视频在线免费观看| 91av网站免费观看| 一本综合久久免费| 成在线人永久免费视频| 99国产精品99久久久久| 亚洲精品国产精品久久久不卡| 亚洲av电影在线观看一区二区三区| 青春草视频在线免费观看| 精品久久久久久电影网| 99久久人妻综合| 免费观看a级毛片全部| 亚洲精品一卡2卡三卡4卡5卡 | av国产精品久久久久影院| a级片在线免费高清观看视频| 久久久久国产一级毛片高清牌| 欧美日韩黄片免| av超薄肉色丝袜交足视频| 女人爽到高潮嗷嗷叫在线视频| 岛国毛片在线播放| 亚洲色图综合在线观看| 老汉色av国产亚洲站长工具| 人人妻人人添人人爽欧美一区卜| 黄片小视频在线播放| 国产精品 欧美亚洲| 啦啦啦免费观看视频1| 夜夜夜夜夜久久久久| 成年av动漫网址| 久久久国产成人免费| 韩国高清视频一区二区三区| 一区二区三区精品91| 欧美日韩av久久| 成年美女黄网站色视频大全免费| 高清欧美精品videossex| 91成年电影在线观看| 日日夜夜操网爽| 人妻一区二区av| 成人影院久久| 蜜桃在线观看..| 亚洲欧洲日产国产| 国产xxxxx性猛交| av片东京热男人的天堂| 国产亚洲精品第一综合不卡| 成人国语在线视频| 少妇精品久久久久久久| 国产精品亚洲av一区麻豆| 日韩制服丝袜自拍偷拍| 波多野结衣一区麻豆| 在线观看www视频免费| 久久久久国内视频| 黄网站色视频无遮挡免费观看| 国产精品 国内视频| 热99国产精品久久久久久7| 91av网站免费观看| 免费日韩欧美在线观看| 69av精品久久久久久 | 男人添女人高潮全过程视频| 人妻久久中文字幕网| 国产一区有黄有色的免费视频| 桃花免费在线播放| 国产一区有黄有色的免费视频| 两人在一起打扑克的视频| 久久精品国产a三级三级三级| 人人妻人人澡人人看| 纯流量卡能插随身wifi吗| 男人操女人黄网站| 动漫黄色视频在线观看| 香蕉国产在线看| 在线观看www视频免费| 亚洲五月婷婷丁香| 精品国产超薄肉色丝袜足j| 丝袜人妻中文字幕| 999久久久精品免费观看国产| 一区二区三区精品91| 亚洲成人免费电影在线观看| tocl精华| 少妇粗大呻吟视频| 国产欧美日韩综合在线一区二区| 黑人巨大精品欧美一区二区蜜桃| 精品久久久久久电影网| 久久久国产欧美日韩av| 中文字幕色久视频| 午夜福利乱码中文字幕| 国产精品一区二区在线不卡| 一本一本久久a久久精品综合妖精| 丰满迷人的少妇在线观看| 人妻 亚洲 视频| 一级毛片电影观看| 亚洲av美国av| av国产精品久久久久影院| 日本黄色日本黄色录像| 国产成人a∨麻豆精品| 成人免费观看视频高清| av电影中文网址| 91av网站免费观看| 亚洲国产精品成人久久小说| 久久免费观看电影| 激情视频va一区二区三区| 欧美精品一区二区免费开放| 亚洲精品国产av蜜桃| 亚洲熟女精品中文字幕| 嫩草影视91久久| 精品久久久久久电影网| 亚洲精品粉嫩美女一区| 热re99久久国产66热| 国产男女超爽视频在线观看| 不卡av一区二区三区| 亚洲国产精品一区二区三区在线| 午夜激情av网站| 午夜福利在线观看吧| 一边摸一边做爽爽视频免费| 两性夫妻黄色片| 飞空精品影院首页| 亚洲国产av影院在线观看| 亚洲少妇的诱惑av| 夜夜夜夜夜久久久久| 国产精品麻豆人妻色哟哟久久| 777米奇影视久久| 日韩电影二区| 国产日韩一区二区三区精品不卡| 啦啦啦 在线观看视频| 午夜福利视频精品| 免费女性裸体啪啪无遮挡网站| 老司机亚洲免费影院| 永久免费av网站大全| 97人妻天天添夜夜摸| 丝袜人妻中文字幕| 12—13女人毛片做爰片一| 国产国语露脸激情在线看| 人人妻,人人澡人人爽秒播| 成人国语在线视频| 人妻 亚洲 视频| 青春草亚洲视频在线观看| 免费在线观看完整版高清| 亚洲精品久久午夜乱码| 国产男女超爽视频在线观看| 国产老妇伦熟女老妇高清| 久久免费观看电影| 999精品在线视频| 一进一出抽搐动态| 日本91视频免费播放| 中文字幕色久视频| 国产又色又爽无遮挡免| 日日夜夜操网爽| 久久国产精品大桥未久av| 免费在线观看视频国产中文字幕亚洲 | 国产99久久九九免费精品| 久久精品人人爽人人爽视色| 热99国产精品久久久久久7| 伊人亚洲综合成人网| 建设人人有责人人尽责人人享有的| 美女中出高潮动态图| 亚洲综合色网址| 国产淫语在线视频| 欧美大码av| 在线天堂中文资源库| 99九九在线精品视频| 中文字幕人妻丝袜制服| 下体分泌物呈黄色| 制服诱惑二区| 极品少妇高潮喷水抽搐| 亚洲欧洲日产国产| 国产欧美日韩精品亚洲av| 99久久99久久久精品蜜桃| 亚洲七黄色美女视频| 一级a爱视频在线免费观看| 香蕉国产在线看| 老熟女久久久| 亚洲avbb在线观看| 欧美黄色片欧美黄色片| 亚洲中文日韩欧美视频| 亚洲欧美精品自产自拍| 日韩中文字幕欧美一区二区| 久久久精品国产亚洲av高清涩受| 久久狼人影院| 精品一区二区三区av网在线观看 | 亚洲精华国产精华精| 999久久久精品免费观看国产| 国产成人一区二区三区免费视频网站| 美女午夜性视频免费| 91大片在线观看| av有码第一页| 久久久久网色| 成年人黄色毛片网站| 老熟女久久久| 国产亚洲午夜精品一区二区久久| 亚洲精品美女久久av网站| 精品国产国语对白av| 天天操日日干夜夜撸| 啦啦啦啦在线视频资源| 日本vs欧美在线观看视频| 一区福利在线观看| av国产精品久久久久影院| 香蕉丝袜av| 又紧又爽又黄一区二区| 国产成人av教育| 亚洲第一av免费看| 黑人欧美特级aaaaaa片| 老司机影院毛片| 欧美日韩av久久| 后天国语完整版免费观看| 新久久久久国产一级毛片| √禁漫天堂资源中文www| 日本黄色日本黄色录像| 不卡av一区二区三区| 黄片大片在线免费观看| 97在线人人人人妻| 正在播放国产对白刺激| 国产成人精品在线电影| 日韩 亚洲 欧美在线| 免费观看a级毛片全部| av在线老鸭窝| 久久人人爽av亚洲精品天堂| 亚洲性夜色夜夜综合| av免费在线观看网站| 精品国产乱码久久久久久小说| 国产又爽黄色视频| 高潮久久久久久久久久久不卡| 丝袜美腿诱惑在线| 亚洲中文字幕日韩| 女人精品久久久久毛片| 欧美老熟妇乱子伦牲交| 天天躁日日躁夜夜躁夜夜| 亚洲一区二区三区欧美精品| 99久久人妻综合| 国产精品 欧美亚洲| 国产三级黄色录像| 丝袜脚勾引网站| 99精品久久久久人妻精品| 国产精品麻豆人妻色哟哟久久| 亚洲av电影在线观看一区二区三区| 国产一区二区三区在线臀色熟女 | 女警被强在线播放| 午夜福利乱码中文字幕| 真人做人爱边吃奶动态| 日韩人妻精品一区2区三区| 中文字幕制服av| 国产亚洲欧美精品永久| 欧美激情极品国产一区二区三区| 美女国产高潮福利片在线看| 欧美日韩福利视频一区二区| 成年动漫av网址| 国精品久久久久久国模美| 男女下面插进去视频免费观看| 国产精品久久久久久精品古装| 日韩大片免费观看网站| 欧美黑人欧美精品刺激| 不卡av一区二区三区| 亚洲色图 男人天堂 中文字幕| 国产一区有黄有色的免费视频| 黑人欧美特级aaaaaa片| 天堂中文最新版在线下载| 亚洲精品国产区一区二| 老司机福利观看| 侵犯人妻中文字幕一二三四区| 在线观看免费午夜福利视频| 成年动漫av网址| 日日摸夜夜添夜夜添小说| 69av精品久久久久久 | 午夜福利在线免费观看网站| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲国产欧美日韩在线播放| 婷婷丁香在线五月| 国产一区二区激情短视频 | 亚洲人成电影免费在线| 久久亚洲精品不卡| 热re99久久国产66热| 免费看十八禁软件| 精品亚洲成a人片在线观看| 久久影院123| 黄色视频,在线免费观看| 建设人人有责人人尽责人人享有的| 成人国产av品久久久| 国产精品久久久久久人妻精品电影 | 精品亚洲成国产av| 青青草视频在线视频观看| 51午夜福利影视在线观看| 每晚都被弄得嗷嗷叫到高潮| 法律面前人人平等表现在哪些方面 | 欧美大码av| 欧美激情高清一区二区三区| 热re99久久精品国产66热6| 大码成人一级视频| 亚洲中文av在线| 国产精品一区二区精品视频观看| 亚洲伊人久久精品综合| 久久中文看片网| 欧美 亚洲 国产 日韩一| 欧美日韩视频精品一区| 一区福利在线观看| netflix在线观看网站| 亚洲精品久久久久久婷婷小说| 无遮挡黄片免费观看| 久久青草综合色| 亚洲国产欧美一区二区综合| 精品人妻1区二区| 黄片播放在线免费| 交换朋友夫妻互换小说| 精品亚洲乱码少妇综合久久| 亚洲欧洲精品一区二区精品久久久| 亚洲人成77777在线视频| 在线观看www视频免费| 大片电影免费在线观看免费| 午夜福利免费观看在线| 久久久精品区二区三区| 人妻久久中文字幕网| 人人妻人人澡人人爽人人夜夜| 国产精品一二三区在线看| 成人三级做爰电影| 午夜福利在线免费观看网站| 精品国产超薄肉色丝袜足j| 久久久国产一区二区| 午夜福利在线免费观看网站| 国产无遮挡羞羞视频在线观看| 美女扒开内裤让男人捅视频| 黑丝袜美女国产一区| 欧美亚洲日本最大视频资源| 夫妻午夜视频| 91av网站免费观看| 久久久久久久大尺度免费视频| 精品一区在线观看国产| 精品免费久久久久久久清纯 | 在线观看人妻少妇| 亚洲色图综合在线观看| 这个男人来自地球电影免费观看| 国产日韩欧美在线精品| 亚洲中文日韩欧美视频| 久久九九热精品免费| 国产主播在线观看一区二区| 午夜福利影视在线免费观看| 最黄视频免费看| kizo精华|