• <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 ?

    基于改進(jìn)Faster R-CNN的復(fù)雜背景紅外車(chē)輛檢測(cè)算法

    2022-06-09 07:13:34趙維駿郭一亮焦國(guó)力
    激光與紅外 2022年4期
    關(guān)鍵詞:特征提取卷積權(quán)重

    顧 燕,李 臻,楊 鋒,趙維駿,朱 波,郭一亮,呂 揚(yáng),焦國(guó)力

    (北方夜視科技(南京)研究院有限公司,江蘇 南京 211102)

    1 引 言

    隨著汽車(chē)制造工業(yè)的發(fā)展,小型轎車(chē)的城市人均擁有量逐年攀升,城市主要道路上的車(chē)流量也在不斷上升。一方面由于智慧城市概念的興起和計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展,傳統(tǒng)的基于人工的交通管理與規(guī)劃正在被智能算法逐步替代[1]。另一方面,車(chē)輛的檢測(cè)識(shí)別也是實(shí)現(xiàn)無(wú)人安全駕駛的必要手段。

    傳統(tǒng)的圖像車(chē)輛檢測(cè)算法通常通過(guò)經(jīng)典圖像處理方法實(shí)現(xiàn)檢測(cè)功能,這種采用人工提取圖像特征的方法,主要有背景差分法[2],幀差法[3],以及光流法[4],等車(chē)輛實(shí)時(shí)檢測(cè)方法。這類(lèi)基于人工特征提取的圖像處理算法經(jīng)典、簡(jiǎn)單,但缺點(diǎn)也比較明顯,其算法設(shè)計(jì)往往過(guò)于主觀性,檢測(cè)精度不高,穩(wěn)定性較差。

    基于人工智能的深度神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法目前主流有兩個(gè)方向,一個(gè)方向?yàn)樵O(shè)計(jì)有緊密-稀疏(Dense-Sparse)候選結(jié)構(gòu)的二階段目標(biāo)檢測(cè)方法,如Faster R-CNN[5]、Fast R-CNN[6]等,另一個(gè)方向是緊密(Dense)無(wú)區(qū)域建議的端到端檢測(cè)算法,如YOLO系列[7]、SSD[8]等。就國(guó)際通用的算法精度評(píng)價(jià)標(biāo)準(zhǔn)AP而言,前者的計(jì)算精度遠(yuǎn)高于后者。而對(duì)Faster R-CNN的改進(jìn)已經(jīng)廣泛應(yīng)用于道路交通標(biāo)志檢測(cè)[9-10]、道路異物檢測(cè)、道路擁堵?tīng)顟B(tài)檢測(cè)、運(yùn)動(dòng)行人檢測(cè)[9]等方面,在車(chē)輛目標(biāo)檢測(cè)方面,魏子洋[11]等通過(guò)用k-means聚類(lèi)改進(jìn)錨框生成方式的方法提高了Faster R-CNN檢測(cè)車(chē)輛的精度,劉澤康[12]等通過(guò)融合目標(biāo)的邊緣信息,陳飛[13]等通過(guò)融合特征圖信息提高了Faster R-CNN的車(chē)輛檢測(cè)精度。

    本文針對(duì)Faster R-CNN的特征提取層,并提出了改進(jìn)方法,避免了車(chē)輛目標(biāo)因尺度差距過(guò)大而引起的檢測(cè)精度低的問(wèn)題,改變Faster R-CNN的NMS方法增強(qiáng)網(wǎng)絡(luò)對(duì)多目標(biāo)重疊情況的魯棒性,本文首先設(shè)計(jì)了多感受野特征提取網(wǎng)絡(luò)Tri-VGG,不同感受野的特征信息通過(guò)深度融合來(lái)提升Faster R-CNN的檢測(cè)精度。其次,對(duì)RPN(Region Proposal Network)網(wǎng)絡(luò)中的非極大值抑制(NMS,Non-Maximum Suppression)方法進(jìn)行了探索,設(shè)計(jì)了一種改進(jìn)的soft-NMS算法。最后,設(shè)計(jì)了一種參數(shù)調(diào)整和訓(xùn)練策略,解決了在實(shí)驗(yàn)中的過(guò)擬合問(wèn)題。最終本文設(shè)計(jì)的檢測(cè)算法的評(píng)價(jià)準(zhǔn)確率AP達(dá)到了85.32 %,比原始的Faster R-CNN算法提高了5.86 %。

    2 模型改進(jìn)

    2.1 神經(jīng)網(wǎng)絡(luò)特征提取機(jī)制的改進(jìn)

    針對(duì)紅外視頻下車(chē)輛目標(biāo)像素大小差距過(guò)大的問(wèn)題,文獻(xiàn)[14]中提出不同尺度感受野卷積核對(duì)于不同尺寸的目標(biāo)有偏向性,尺度大的感受野卷積核偏向于大目標(biāo),相反,尺度小的感受野卷積核偏向于小目標(biāo),因此本文設(shè)計(jì)了一種多尺度感受野并行提取特征的方法。但直接使用多個(gè)感受野的卷積核采樣再融合的方法并不可取,因?yàn)檫@會(huì)使神經(jīng)網(wǎng)絡(luò)出現(xiàn)過(guò)擬合,不僅算法精度不會(huì)有明顯提高,而且會(huì)消耗大量的計(jì)算成本。

    解決上述問(wèn)題可以采用空洞卷積(Dilated Convolution),權(quán)重因子共享原則進(jìn)行多個(gè)感受野的并行采集。空洞卷積間隔采樣原理示意如圖1所示。

    圖1 空洞卷積原理示意圖Fig.1 Schematic diagram of dilated convolution principle

    改進(jìn)模型的特征提取層神經(jīng)網(wǎng)絡(luò)由三路權(quán)重共享以及并行采集融合的卷積神經(jīng)網(wǎng)絡(luò)組成。特征提取層的整體流程示意如圖2所示。其中,Conv表示卷積層(Convlution Layer)。

    圖2 特征提取網(wǎng)絡(luò)流程Fig.2 Process of feature extraction network

    每一路神經(jīng)網(wǎng)絡(luò)的下采樣結(jié)構(gòu)由4個(gè)卷積層及其正則化和激活層以及2個(gè)最大池化層(maxpool)組成,卷積核尺寸為3×3,于是每一路的感受野為3×3,5×5,7×7。卷積層通道數(shù)依次為64、64、128、128。卷積核步長(zhǎng)(stride)為1,填充(padding)為1。此外,將每一路網(wǎng)絡(luò)的下采用結(jié)構(gòu)中的梯度凍結(jié),即權(quán)重凍結(jié),減緩神經(jīng)網(wǎng)絡(luò)的過(guò)擬合情況。

    采用九層二維卷積層和三層最大池化層構(gòu)成并行特征采集器的每一個(gè)通道,這類(lèi)似于VGG16的原始結(jié)構(gòu),但是三路權(quán)重僅有一路權(quán)重用于共享,通過(guò)元素相加的形式將三路特征提取網(wǎng)絡(luò)進(jìn)行融合,生成的特征圖傳遞到RPN網(wǎng)絡(luò),還需要經(jīng)過(guò)一層正則化-激活-最大池化層處理,特征提取網(wǎng)絡(luò)的總體流程示意圖如圖2所示。

    每一路特征圖的尺寸應(yīng)當(dāng)始終保持一致,本文將非空洞卷積網(wǎng)絡(luò)中的卷積層填充系數(shù)設(shè)置為1,步長(zhǎng)系數(shù)設(shè)置為1;將一路空洞卷積層的膨脹系數(shù)設(shè)置為2,則3×3大小的卷積核等效于5×5大小的感受野,卷積核填充系數(shù)為2,步長(zhǎng)系數(shù)設(shè)置為1;另一路空洞卷積層的膨脹系數(shù)為3,則3×3大小的卷積核等效于7×7大小的感受野,卷積核填充系數(shù)為3,步長(zhǎng)系數(shù)為1。

    這樣設(shè)計(jì)的原因是為了使得三路網(wǎng)絡(luò)共享一組權(quán)重,實(shí)驗(yàn)中發(fā)現(xiàn),如果同時(shí)不同的權(quán)重對(duì)三路網(wǎng)絡(luò)進(jìn)行訓(xùn)練則會(huì)出現(xiàn)由參數(shù)冗余導(dǎo)致的網(wǎng)絡(luò)過(guò)擬合,會(huì)出現(xiàn)損失函數(shù)無(wú)法收斂、檢測(cè)精度無(wú)法提高、訓(xùn)練時(shí)間過(guò)渡延長(zhǎng)等問(wèn)題,于是我們采用權(quán)重共享策略來(lái)避免過(guò)擬合問(wèn)題。三路網(wǎng)絡(luò)在訓(xùn)練和預(yù)測(cè)時(shí)只使用一組共享權(quán)重,即從初始化到訓(xùn)練完成都是共享的,這種共享權(quán)重的方式可以減小計(jì)算成本從而大大提升算法速度。并行特征提取網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖3所示,網(wǎng)絡(luò)之間的每一層卷積層共享權(quán)重。

    圖3 并行提取網(wǎng)絡(luò)示意圖Fig.3 Schematic diagram of parallel extraction network

    2.2 NMS過(guò)程的改進(jìn)

    針對(duì)紅外視頻內(nèi)車(chē)輛在視野中重疊概率較高的問(wèn)題,對(duì)Faster R-CNN邊框回歸中的NMS方法改進(jìn)進(jìn)行了探索。

    Faster R-CNN在RPN網(wǎng)絡(luò)過(guò)濾生成的錨框時(shí)使用了非極大值抑制NMS(Non-Maximum Suppression)方法。其大致過(guò)程是對(duì)于重疊部分較多的檢測(cè)框進(jìn)行概率排序,只保留其中概率最高的檢測(cè)框,而將其余檢測(cè)框直接取消。但是對(duì)于道路上的車(chē)輛檢測(cè),視野中出現(xiàn)目標(biāo)重疊的情況十分常見(jiàn),因此直接將相近的檢測(cè)框取消會(huì)降低算法的檢測(cè)精度。

    作為生物圈中的一員,人類(lèi)的活動(dòng)對(duì)生物圈有重要影響。為了讓學(xué)生有切身體會(huì),在本課中,教師請(qǐng)學(xué)生閱讀書(shū)本上的4個(gè)案例,要求小組討論,并發(fā)揮聯(lián)想交流啟示。

    文獻(xiàn)[15]提出了一種基于IOU權(quán)重函數(shù)的Soft-NMS方法,但是這種方法的計(jì)算時(shí)間開(kāi)銷(xiāo)會(huì)隨圖片尺寸的變化呈指數(shù)級(jí)增長(zhǎng),且對(duì)于非密集圖片的檢測(cè)精度沒(méi)有明顯的提升。

    基于上述問(wèn)題基于Soft-NMS進(jìn)行了改進(jìn),即對(duì)于與分?jǐn)?shù)最大的框的IOU小于Nt1的檢測(cè)框不作處理,對(duì)IOU介于Nt1和Nt2之間的檢測(cè)框作線性權(quán)重衰減,而對(duì)IOU大于Nt2的框直接取消。

    2.3 訓(xùn)練策略

    2.3.1 VGG預(yù)訓(xùn)練

    改進(jìn)后的Faster R-CNN在ROI Pooling層的分類(lèi)網(wǎng)絡(luò)仍采用VGG16的三個(gè)全連接層(Fully connection Layer)加一層softmax的決策網(wǎng)絡(luò)結(jié)構(gòu),而特征提取部分的前四個(gè)卷積層也與VGG16的結(jié)構(gòu)相同。于是可以先采用基于VGG16分類(lèi)網(wǎng)絡(luò)的Faster R-CNN訓(xùn)練數(shù)據(jù)集,將訓(xùn)練得到的權(quán)重分配給相應(yīng)的層,如圖4所示。

    圖4 VGG16權(quán)重預(yù)訓(xùn)練策略Fig.4 Weight pre-training strategy based on VGG16

    將VGG16網(wǎng)絡(luò)前四層分配給特征提取層的下采樣部分,并且為了防止參數(shù)冗余將下采樣層學(xué)習(xí)率設(shè)置為0,使其不再參與學(xué)習(xí)。將VGG最后四層分配給Faster R-CNN的分類(lèi)器,作為分類(lèi)器的預(yù)訓(xùn)練權(quán)重繼續(xù)參與學(xué)習(xí)。

    2.3.2 權(quán)重衰減和dropout策略

    訓(xùn)練網(wǎng)絡(luò)時(shí),為了避免可學(xué)習(xí)參數(shù)過(guò)多導(dǎo)致神經(jīng)網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象,本文采用L2正則化(1)抑制網(wǎng)絡(luò)中的所有權(quán)重,避免某一部分權(quán)重出現(xiàn)過(guò)高或過(guò)低的現(xiàn)象。

    (1)

    其中,L0為Faster R-CNN中的RPN網(wǎng)絡(luò)總損失函數(shù);n為訓(xùn)練集樣本量;λ是一個(gè)調(diào)整對(duì)權(quán)重的超參數(shù);ω為神經(jīng)網(wǎng)絡(luò)中的可學(xué)習(xí)參數(shù),即神經(jīng)網(wǎng)絡(luò)權(quán)重。

    此外,本文采用dropout方法對(duì)神經(jīng)網(wǎng)絡(luò)中的最后幾層分類(lèi)層進(jìn)行訓(xùn)練。dropout是一種神經(jīng)網(wǎng)絡(luò)隨機(jī)失活的策略,在訓(xùn)練中隨機(jī)失活部分卷積核,使其權(quán)重降為0,這樣可以動(dòng)態(tài)的平衡分類(lèi)層中各卷積核的重要性,可以有效規(guī)避因網(wǎng)絡(luò)可學(xué)習(xí)參數(shù)過(guò)多導(dǎo)致的過(guò)擬合問(wèn)題。

    3 實(shí)驗(yàn)及分析

    本文的采用驗(yàn)證平臺(tái):硬件資源顯卡NVIDIA TITAN XP×2,軟件環(huán)境Ubuntu16.04LTS系統(tǒng),Pytorch1.3.1編程框架,并且采用了CUDA 10.0 GPU加速環(huán)境。

    3.1 數(shù)據(jù)集的準(zhǔn)備

    為了增強(qiáng)實(shí)驗(yàn)的說(shuō)服力,我們采用公開(kāi)的FIRL數(shù)據(jù)集。該數(shù)據(jù)集分為兩個(gè)部分,不僅提供了帶人工標(biāo)注的熱成像數(shù)據(jù)集,而且第二個(gè)部分提供了對(duì)應(yīng)的無(wú)標(biāo)注RGB彩色圖像,用于訓(xùn)練和驗(yàn)證神經(jīng)網(wǎng)絡(luò)。數(shù)據(jù)通過(guò)車(chē)載RGB相機(jī)和熱成像儀器采集獲得。FIRL數(shù)據(jù)集內(nèi)一共有5個(gè)類(lèi)別,我們對(duì)數(shù)據(jù)集處理,將其他類(lèi)別的標(biāo)注屏蔽,保留數(shù)據(jù)集轎車(chē)和其他兩類(lèi),并將其合并一類(lèi),命名為“車(chē)輛”。

    FIRL數(shù)據(jù)集共有三類(lèi)輸入圖像,分別為RGB圖像、8比特紅外圖像、16比特紅外圖像,本文僅采用8比特紅外圖像作為實(shí)驗(yàn)數(shù)據(jù)集,其中訓(xùn)練集有8862張圖像;測(cè)試集有1366張圖像;不設(shè)置驗(yàn)證集。所有圖像的尺寸均為640×512×3,如圖5所示。

    圖5 FIRL數(shù)據(jù)集輸入圖像Fig.5 Input image from FIRL dataset

    此外,為了提升算法權(quán)重的魯棒性,在訓(xùn)練時(shí)對(duì)輸入的圖像進(jìn)行隨機(jī)翻轉(zhuǎn)、對(duì)稱(chēng)、附加高斯噪聲等圖像增強(qiáng)操作。

    3.2 實(shí)驗(yàn)細(xì)節(jié)

    本文采用國(guó)際通用的評(píng)價(jià)標(biāo)準(zhǔn)“平均精確率(Average Precision,AP)”為評(píng)價(jià)標(biāo)準(zhǔn)來(lái)評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)模型檢測(cè)性能。

    為了對(duì)比soft-NMS對(duì)算法檢測(cè)精度的影響,首先采用原始的Faster R-CNN對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練,循環(huán)14次,batch大小為16張圖片,前四層卷積層初始學(xué)習(xí)率Rl=0,其余層初始學(xué)習(xí)率Rl=0.001,每一個(gè)循環(huán)學(xué)習(xí)率下降,比率為0.1,RPN候選框取300個(gè)/張,權(quán)重衰減常數(shù)為0.0001。然后在Faster R-CNN的RPN網(wǎng)絡(luò)采用改進(jìn)的soft-NMS的進(jìn)行訓(xùn)練,其他參數(shù)同上。

    實(shí)驗(yàn)中發(fā)現(xiàn),soft-NMS的閾值Nt1取值范圍在0.3到0.5,Nt2取0.7~0.9之間時(shí)優(yōu)化效果較明顯,檢測(cè)AP如表1所示。

    表1 改進(jìn)的soft-NMS不同取值對(duì)應(yīng)的APTab.1 AP values corresponding to different values of improved soft-NMS

    選取改進(jìn)的soft-NMS的兩個(gè)閾值分別取Nt1=0.4,Nt2=0.9的模型作為對(duì)比,訓(xùn)練結(jié)果每10個(gè)batch打印一次,結(jié)果如圖6所示。

    圖6 改進(jìn)的soft-NMS與NMS方法損失函數(shù)及AP對(duì)比Fig.6 Comparison of improved soft-NMS and NMS methods in loss function and AP

    圖例SNMS和NMS分別代表基于soft-NMS和NMS的算法由損失函數(shù)曲線圖和AP曲線可以看出,是否采用改進(jìn)的soft-NMS對(duì)于損失函數(shù)的收斂影響并不顯著,但是采用soft-NMS方法可以略微增加目標(biāo)檢測(cè)的準(zhǔn)確度,改進(jìn)后的算法AP達(dá)到了82.31 %,相較于改進(jìn)之前79.46 %提高了約2.85 %。

    同樣地,用基于改進(jìn)的soft-NMS方法、VGG16網(wǎng)絡(luò)作為特征提取層的Faster R-CNN作為對(duì)照設(shè)計(jì)實(shí)驗(yàn)檢驗(yàn)Tri-VGG網(wǎng)絡(luò)對(duì)算法檢測(cè)性能的影響。batch大小取16,循環(huán)14次,前四層卷積層初始學(xué)習(xí)率Rl=0,其余層初始學(xué)習(xí)率為Rl=0.001,每一個(gè)循環(huán)學(xué)習(xí)率下降,比率為0.1,RoI候選框取256個(gè)/張,權(quán)重衰減常數(shù)為0.0001。實(shí)驗(yàn)結(jié)果每10個(gè)batch打印一次,結(jié)果如圖7所示。圖例中的VGG16表示特征提取層為VGG16的網(wǎng)絡(luò),Tri-VGG1表示不采用權(quán)重共享、不采用預(yù)訓(xùn)練策略以及不采用正則化方法的Tri-VGG特征提取網(wǎng)絡(luò),Tri-VGG2表示采用權(quán)重共享及預(yù)訓(xùn)練策略、權(quán)重衰減系數(shù)為0.0001、dropout系數(shù)為0.4的Tri-VGG特征提取網(wǎng)絡(luò)。

    圖7 Tri-VGG與VGG16特征提取層的Faster R-cnn損失函數(shù)及AP對(duì)比Fig.7 Comparison of Tri-VGG and VGG16 feather extraction layer in Faster R-cnn loss function and AP

    由實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),未采取任何訓(xùn)練策略的Tri-VGG特征提取網(wǎng)絡(luò)的損失函數(shù)無(wú)法進(jìn)一步收斂,而算法的檢測(cè)精度卻無(wú)法提升,這是因?yàn)榇嬖趨?shù)冗余,也就是過(guò)擬合現(xiàn)象。

    于是我們對(duì)該網(wǎng)絡(luò)采取了凍結(jié)預(yù)訓(xùn)練卷積層、權(quán)重共享、權(quán)重衰減、dropout等方法避免網(wǎng)絡(luò)的過(guò)擬合,在實(shí)驗(yàn)中發(fā)現(xiàn),隨著dropout系數(shù)的增長(zhǎng),網(wǎng)絡(luò)的過(guò)擬合現(xiàn)象起初會(huì)得到較好的改善,但是如果dropout系數(shù)超過(guò)0.4,網(wǎng)絡(luò)的檢測(cè)性能的不穩(wěn)定性就會(huì)較為突出,每次試驗(yàn)的結(jié)果波動(dòng)較大,于是本文采用的dropout為0.4是緩解網(wǎng)絡(luò)過(guò)擬合的前提下,較為穩(wěn)妥的選擇。由圖7可以看出,經(jīng)過(guò)預(yù)訓(xùn)練的Tri-VGG網(wǎng)絡(luò)的收斂效果也有明顯的提升,采用Tri-VGG的神經(jīng)網(wǎng)絡(luò)模型得到的AP達(dá)到了85.21 %,相較于原始的VGG神經(jīng)網(wǎng)絡(luò)模型高出了約3.01 %。

    表2為幾種算法的綜合對(duì)比,實(shí)驗(yàn)結(jié)果表明,檢測(cè)精度上一階段網(wǎng)絡(luò)檢測(cè)模型稍遜于二階段網(wǎng)絡(luò)模型,而本文的模型相比RPN網(wǎng)絡(luò)采用soft-NMS的Faster R-CNN模型AP提高了3.01 %,相比原始的Faster R-CNN檢測(cè)算法AP提高了5.86 %。運(yùn)算速度上,一階段算法的運(yùn)算速度略快于二階段算法,本文的網(wǎng)絡(luò)模型檢測(cè)速度為20 f/s,在滿足檢測(cè)實(shí)時(shí)性的條件下,盡可能的提升了算法的檢測(cè)精度。算法的可視化結(jié)果如圖8所示。

    表2 算法檢測(cè)精度比較Tab.2 Comparison of detection accuracy of algorithms

    圖8 紅外車(chē)輛檢測(cè)算法可視化結(jié)果Fig.8 Visualization results of infrared vehicle detection algorithm

    4 結(jié) 論

    本文在Faster R-CNN網(wǎng)絡(luò)基礎(chǔ)上發(fā)展了一種權(quán)重共享的多感受野融合特征提取網(wǎng)絡(luò)Tri-VGG,并且設(shè)計(jì)了改進(jìn)的soft-NMS方法改進(jìn)了Faster R-CNN的第二次NMS過(guò)程,并且設(shè)計(jì)了訓(xùn)練策略防止網(wǎng)絡(luò)過(guò)擬合,使得改進(jìn)的多尺度特征融合的Faster R-CNN網(wǎng)絡(luò)對(duì)于擁堵路況的小型車(chē)輛的AP最高達(dá)到了86.65 %,車(chē)輛檢測(cè)AP達(dá)到了85.32 %,比采用了改進(jìn)soft-NMS的Faster R-CNN高了3.01 %,比原始的Faster R-CNN網(wǎng)絡(luò)高了5.86 %。后續(xù)的研究可從優(yōu)化Faster R-CNN的邊框回歸機(jī)制、改進(jìn)網(wǎng)絡(luò)的損失函數(shù)以及提高算法檢測(cè)速度等方向進(jìn)行。

    猜你喜歡
    特征提取卷積權(quán)重
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    權(quán)重常思“浮名輕”
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    為黨督政勤履職 代民行權(quán)重?fù)?dān)當(dāng)
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    基于公約式權(quán)重的截短線性分組碼盲識(shí)別方法
    Bagging RCSP腦電特征提取算法
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    一二三四社区在线视频社区8| 精品第一国产精品| 国产午夜精品久久久久久| 久久久久免费精品人妻一区二区| 欧美一级毛片孕妇| 我要搜黄色片| 此物有八面人人有两片| 搞女人的毛片| 国内久久婷婷六月综合欲色啪| 日韩欧美三级三区| 一边摸一边做爽爽视频免费| 成人精品一区二区免费| 老司机福利观看| 亚洲av熟女| 午夜福利高清视频| 他把我摸到了高潮在线观看| 国产麻豆成人av免费视频| 1024视频免费在线观看| 国产成人精品久久二区二区91| 亚洲狠狠婷婷综合久久图片| av中文乱码字幕在线| 久热爱精品视频在线9| 夜夜看夜夜爽夜夜摸| 精品一区二区三区视频在线观看免费| 波多野结衣巨乳人妻| 在线观看一区二区三区| 亚洲专区字幕在线| 成熟少妇高潮喷水视频| 校园春色视频在线观看| 首页视频小说图片口味搜索| 男女视频在线观看网站免费 | 精华霜和精华液先用哪个| 妹子高潮喷水视频| 亚洲va日本ⅴa欧美va伊人久久| 国产成+人综合+亚洲专区| 国产免费男女视频| 欧美乱码精品一区二区三区| 色综合婷婷激情| 禁无遮挡网站| 精品久久久久久久末码| 欧美日韩乱码在线| 日韩精品免费视频一区二区三区| 久久欧美精品欧美久久欧美| 日韩精品免费视频一区二区三区| 国产欧美日韩一区二区三| 99精品欧美一区二区三区四区| 国产一区二区三区视频了| 日日干狠狠操夜夜爽| 亚洲欧美日韩无卡精品| 97人妻精品一区二区三区麻豆| 女人高潮潮喷娇喘18禁视频| 亚洲国产精品sss在线观看| 国产高清有码在线观看视频 | 丰满的人妻完整版| 日本五十路高清| 老司机靠b影院| 老司机在亚洲福利影院| 特大巨黑吊av在线直播| 后天国语完整版免费观看| 国产乱人伦免费视频| 久久九九热精品免费| 十八禁网站免费在线| 美女午夜性视频免费| 日本黄大片高清| 国产伦一二天堂av在线观看| xxx96com| 亚洲精品国产一区二区精华液| 桃红色精品国产亚洲av| 亚洲七黄色美女视频| 国产黄a三级三级三级人| 亚洲精品久久成人aⅴ小说| 波多野结衣高清无吗| 一级毛片高清免费大全| 制服人妻中文乱码| 色尼玛亚洲综合影院| 国产精品一区二区免费欧美| 久久性视频一级片| 亚洲精品国产精品久久久不卡| 男女午夜视频在线观看| 久久久国产欧美日韩av| 久久人人精品亚洲av| 久久这里只有精品中国| 国产精品久久久久久亚洲av鲁大| 熟妇人妻久久中文字幕3abv| 中文字幕久久专区| 99国产精品99久久久久| 国产午夜精品论理片| 成年版毛片免费区| 国产99久久九九免费精品| 久久香蕉国产精品| 欧美性长视频在线观看| 国产av麻豆久久久久久久| 亚洲av成人一区二区三| 国产精品99久久99久久久不卡| 又紧又爽又黄一区二区| 在线看三级毛片| 岛国在线免费视频观看| 丰满人妻一区二区三区视频av | 国产成人精品久久二区二区免费| 国产亚洲精品av在线| 国产午夜精品论理片| 白带黄色成豆腐渣| 国语自产精品视频在线第100页| 脱女人内裤的视频| 欧美大码av| 欧美最黄视频在线播放免费| 国产97色在线日韩免费| 欧美成人一区二区免费高清观看 | 国产伦人伦偷精品视频| 欧美在线一区亚洲| 国产一区二区三区在线臀色熟女| 久久婷婷成人综合色麻豆| 精品少妇一区二区三区视频日本电影| 日韩欧美 国产精品| 亚洲自拍偷在线| 亚洲精品在线美女| 欧美 亚洲 国产 日韩一| 国产1区2区3区精品| 脱女人内裤的视频| 亚洲精品av麻豆狂野| 免费一级毛片在线播放高清视频| 国产激情欧美一区二区| 亚洲av中文字字幕乱码综合| bbb黄色大片| 久久久精品国产亚洲av高清涩受| av福利片在线| 这个男人来自地球电影免费观看| 狠狠狠狠99中文字幕| 亚洲精品美女久久av网站| 国产精品久久久人人做人人爽| 国产精品久久久av美女十八| 男人舔奶头视频| 老熟妇仑乱视频hdxx| 动漫黄色视频在线观看| 亚洲欧美精品综合一区二区三区| 日韩精品中文字幕看吧| 特级一级黄色大片| 无限看片的www在线观看| 91在线观看av| 黑人操中国人逼视频| 99久久99久久久精品蜜桃| 国产激情偷乱视频一区二区| 最近最新中文字幕大全电影3| 亚洲成a人片在线一区二区| 欧洲精品卡2卡3卡4卡5卡区| 亚洲欧美日韩高清在线视频| 韩国av一区二区三区四区| 亚洲第一电影网av| 妹子高潮喷水视频| 精品久久久久久久久久免费视频| 亚洲国产欧美网| 欧美成人午夜精品| 欧美又色又爽又黄视频| 神马国产精品三级电影在线观看 | 亚洲精品久久国产高清桃花| e午夜精品久久久久久久| 亚洲欧洲精品一区二区精品久久久| 国产精品一区二区免费欧美| 国产精品永久免费网站| 久久久久久久精品吃奶| 久久久精品欧美日韩精品| 久久精品国产亚洲av高清一级| 禁无遮挡网站| 久久草成人影院| 亚洲av成人精品一区久久| 亚洲欧美精品综合久久99| www国产在线视频色| 亚洲男人的天堂狠狠| 久久久久性生活片| 女警被强在线播放| www.精华液| 人人妻人人看人人澡| 国产亚洲精品久久久久久毛片| 麻豆成人av在线观看| 老熟妇乱子伦视频在线观看| 悠悠久久av| 亚洲精品在线观看二区| 91字幕亚洲| 巨乳人妻的诱惑在线观看| 美女黄网站色视频| 国产亚洲精品久久久久5区| 别揉我奶头~嗯~啊~动态视频| 三级毛片av免费| 无遮挡黄片免费观看| 久久精品人妻少妇| 国产av一区二区精品久久| 俄罗斯特黄特色一大片| 日韩欧美免费精品| 淫秽高清视频在线观看| 亚洲国产欧美人成| 久久人妻福利社区极品人妻图片| 国产欧美日韩一区二区三| 在线永久观看黄色视频| 1024香蕉在线观看| 视频区欧美日本亚洲| 免费观看人在逋| 日韩大码丰满熟妇| 午夜激情福利司机影院| 18禁黄网站禁片午夜丰满| 两人在一起打扑克的视频| 国产激情偷乱视频一区二区| 99久久99久久久精品蜜桃| 91在线观看av| 亚洲va日本ⅴa欧美va伊人久久| 婷婷精品国产亚洲av| 一区二区三区激情视频| 91字幕亚洲| 日韩中文字幕欧美一区二区| 无限看片的www在线观看| 久久久久久免费高清国产稀缺| 精华霜和精华液先用哪个| 亚洲人成77777在线视频| 欧美黑人精品巨大| 不卡av一区二区三区| 欧美精品啪啪一区二区三区| 午夜福利高清视频| 亚洲成人国产一区在线观看| 亚洲aⅴ乱码一区二区在线播放 | 午夜久久久久精精品| 黄色丝袜av网址大全| 国产精品免费视频内射| 村上凉子中文字幕在线| 国产精品日韩av在线免费观看| 欧美成狂野欧美在线观看| 久久久国产成人精品二区| 老司机午夜福利在线观看视频| 日本 欧美在线| 啪啪无遮挡十八禁网站| 亚洲五月天丁香| 久久精品国产99精品国产亚洲性色| xxx96com| 黑人巨大精品欧美一区二区mp4| 亚洲美女视频黄频| 亚洲精品国产精品久久久不卡| 啦啦啦免费观看视频1| 国产高清激情床上av| 久久精品国产亚洲av香蕉五月| 国产一区二区三区在线臀色熟女| 大型av网站在线播放| 女人被狂操c到高潮| 国产午夜精品论理片| 亚洲自拍偷在线| 一夜夜www| 国内精品久久久久久久电影| 亚洲第一电影网av| 又黄又粗又硬又大视频| 午夜福利高清视频| 亚洲国产欧美人成| 国产精品 国内视频| 精品无人区乱码1区二区| 99国产精品99久久久久| 亚洲精品中文字幕在线视频| 两个人免费观看高清视频| 极品教师在线免费播放| 久久久国产成人精品二区| 一个人免费在线观看电影 | 久久久久久久精品吃奶| 很黄的视频免费| 脱女人内裤的视频| 黑人操中国人逼视频| 亚洲va日本ⅴa欧美va伊人久久| 999久久久精品免费观看国产| 午夜免费成人在线视频| 99热只有精品国产| 精品免费久久久久久久清纯| av福利片在线| 在线观看www视频免费| 中文字幕人成人乱码亚洲影| 国产精品野战在线观看| 黄色成人免费大全| 成年版毛片免费区| 亚洲成人久久性| 精品久久久久久,| 两个人免费观看高清视频| 中文字幕人妻丝袜一区二区| 日日干狠狠操夜夜爽| 精品熟女少妇八av免费久了| 成人三级做爰电影| 国产探花在线观看一区二区| 搡老熟女国产l中国老女人| 悠悠久久av| 日韩成人在线观看一区二区三区| 巨乳人妻的诱惑在线观看| 亚洲av日韩精品久久久久久密| 99热6这里只有精品| 波多野结衣高清作品| 亚洲精华国产精华精| 国产久久久一区二区三区| 一级毛片精品| 欧美日韩瑟瑟在线播放| 两个人的视频大全免费| 99re在线观看精品视频| 精品免费久久久久久久清纯| 成熟少妇高潮喷水视频| 国产精品1区2区在线观看.| 两个人免费观看高清视频| 高清毛片免费观看视频网站| 国产精品一区二区免费欧美| 超碰成人久久| 亚洲专区国产一区二区| 国产av一区二区精品久久| 在线观看午夜福利视频| 精品一区二区三区av网在线观看| 黄色 视频免费看| 国产一区二区在线av高清观看| 俺也久久电影网| 亚洲欧美日韩高清专用| 后天国语完整版免费观看| 久久久精品国产亚洲av高清涩受| 欧美久久黑人一区二区| 在线观看www视频免费| 国产成人精品久久二区二区免费| 国产在线精品亚洲第一网站| 啦啦啦韩国在线观看视频| 999久久久精品免费观看国产| 久久精品国产清高在天天线| 成人手机av| 男女那种视频在线观看| 手机成人av网站| 久久精品夜夜夜夜夜久久蜜豆 | 久久香蕉国产精品| 97超级碰碰碰精品色视频在线观看| 麻豆一二三区av精品| 亚洲午夜理论影院| 99国产极品粉嫩在线观看| 1024香蕉在线观看| 丝袜美腿诱惑在线| 一本久久中文字幕| 日日夜夜操网爽| 日韩欧美 国产精品| 90打野战视频偷拍视频| 99在线视频只有这里精品首页| 最近最新中文字幕大全电影3| 亚洲电影在线观看av| 精华霜和精华液先用哪个| 午夜福利免费观看在线| 久久性视频一级片| 中国美女看黄片| 精品久久蜜臀av无| 国产伦一二天堂av在线观看| av在线播放免费不卡| 亚洲av第一区精品v没综合| √禁漫天堂资源中文www| 亚洲va日本ⅴa欧美va伊人久久| ponron亚洲| 十八禁网站免费在线| 两性夫妻黄色片| 精品久久久久久久久久免费视频| 久久国产精品影院| 免费av毛片视频| 欧美成人一区二区免费高清观看 | 国产熟女午夜一区二区三区| 成熟少妇高潮喷水视频| 日韩精品中文字幕看吧| 国产免费av片在线观看野外av| 久9热在线精品视频| 在线观看舔阴道视频| 全区人妻精品视频| 精品国产美女av久久久久小说| 制服丝袜大香蕉在线| 久久久久性生活片| 国产亚洲精品综合一区在线观看 | 久久精品91无色码中文字幕| 欧美极品一区二区三区四区| 在线十欧美十亚洲十日本专区| 免费看a级黄色片| 亚洲无线在线观看| 亚洲人成电影免费在线| 久久国产精品人妻蜜桃| 成人特级黄色片久久久久久久| 91麻豆精品激情在线观看国产| 夜夜爽天天搞| 99热这里只有精品一区 | 欧美中文日本在线观看视频| 一级毛片高清免费大全| 欧美+亚洲+日韩+国产| 视频区欧美日本亚洲| 国产成人一区二区三区免费视频网站| 亚洲中文日韩欧美视频| 窝窝影院91人妻| 悠悠久久av| 男女床上黄色一级片免费看| 亚洲人与动物交配视频| 激情在线观看视频在线高清| 日韩欧美三级三区| 最近视频中文字幕2019在线8| 可以在线观看的亚洲视频| 亚洲av成人精品一区久久| 国产视频一区二区在线看| 久久久水蜜桃国产精品网| 久久久久久亚洲精品国产蜜桃av| 精品少妇一区二区三区视频日本电影| 波多野结衣高清作品| 中出人妻视频一区二区| 成人高潮视频无遮挡免费网站| 国产精品久久久久久亚洲av鲁大| 亚洲黑人精品在线| 亚洲精品av麻豆狂野| 国产一区二区在线观看日韩 | 国产又黄又爽又无遮挡在线| 欧美不卡视频在线免费观看 | 精品国内亚洲2022精品成人| 欧美成人午夜精品| 18禁国产床啪视频网站| 精品熟女少妇八av免费久了| 亚洲专区字幕在线| 亚洲男人天堂网一区| 亚洲一区高清亚洲精品| 国产一区二区三区视频了| 琪琪午夜伦伦电影理论片6080| 成人午夜高清在线视频| 久久伊人香网站| 亚洲中文字幕日韩| 天堂动漫精品| 一卡2卡三卡四卡精品乱码亚洲| 久热爱精品视频在线9| 99精品欧美一区二区三区四区| 特大巨黑吊av在线直播| 国产一区二区三区视频了| 两个人视频免费观看高清| 久久久久久久久免费视频了| 女人高潮潮喷娇喘18禁视频| av超薄肉色丝袜交足视频| 国内精品久久久久精免费| 美女午夜性视频免费| 国产精品美女特级片免费视频播放器 | 国产精品亚洲一级av第二区| 国产精品免费一区二区三区在线| 99热6这里只有精品| 在线a可以看的网站| 免费看美女性在线毛片视频| 久久国产精品人妻蜜桃| 大型黄色视频在线免费观看| 久久久久久国产a免费观看| 高清毛片免费观看视频网站| 中文字幕高清在线视频| 欧美av亚洲av综合av国产av| 亚洲成av人片免费观看| 无限看片的www在线观看| 变态另类丝袜制服| 亚洲欧洲精品一区二区精品久久久| 婷婷精品国产亚洲av| 一级毛片精品| 不卡av一区二区三区| 一进一出好大好爽视频| 亚洲一卡2卡3卡4卡5卡精品中文| 国产午夜精品论理片| 99久久精品热视频| 别揉我奶头~嗯~啊~动态视频| 国产午夜精品论理片| 丰满的人妻完整版| 亚洲人与动物交配视频| 少妇熟女aⅴ在线视频| 亚洲,欧美精品.| 欧美色欧美亚洲另类二区| 婷婷精品国产亚洲av| 国产黄a三级三级三级人| www国产在线视频色| 一区二区三区激情视频| 最近视频中文字幕2019在线8| √禁漫天堂资源中文www| 久久久久久九九精品二区国产 | 国产在线精品亚洲第一网站| av中文乱码字幕在线| 欧美成人一区二区免费高清观看 | 50天的宝宝边吃奶边哭怎么回事| 国产av在哪里看| a级毛片在线看网站| 日本撒尿小便嘘嘘汇集6| 亚洲中文字幕日韩| 久久中文字幕人妻熟女| 精品久久久久久久久久久久久| 亚洲国产精品sss在线观看| 精品熟女少妇八av免费久了| 国语自产精品视频在线第100页| 90打野战视频偷拍视频| 淫妇啪啪啪对白视频| 久久这里只有精品中国| 久久久精品国产亚洲av高清涩受| 婷婷精品国产亚洲av| 亚洲av电影在线进入| 蜜桃久久精品国产亚洲av| 亚洲真实伦在线观看| 麻豆国产av国片精品| 成人特级黄色片久久久久久久| 亚洲黑人精品在线| 国产午夜精品论理片| 国产一区二区激情短视频| 欧美大码av| 一区福利在线观看| 在线看三级毛片| 少妇粗大呻吟视频| 成年人黄色毛片网站| 一级黄色大片毛片| 一级片免费观看大全| 亚洲专区字幕在线| 精品久久久久久久毛片微露脸| 高潮久久久久久久久久久不卡| 国产精品久久久久久精品电影| 欧美丝袜亚洲另类 | 国产黄色小视频在线观看| 久久久久久久久免费视频了| 久久精品国产亚洲av香蕉五月| 欧美一级毛片孕妇| 国产精品久久久av美女十八| 很黄的视频免费| 大型黄色视频在线免费观看| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲电影在线观看av| 99riav亚洲国产免费| 老司机在亚洲福利影院| 国内毛片毛片毛片毛片毛片| 亚洲精品av麻豆狂野| 国产91精品成人一区二区三区| 中出人妻视频一区二区| 国产精品影院久久| 毛片女人毛片| 精品不卡国产一区二区三区| 99国产精品一区二区蜜桃av| 日韩欧美在线乱码| 九色成人免费人妻av| 免费在线观看日本一区| 深夜精品福利| 久久热在线av| 一a级毛片在线观看| 欧美黄色淫秽网站| 日韩中文字幕欧美一区二区| 久热爱精品视频在线9| 两个人视频免费观看高清| 特级一级黄色大片| 黄频高清免费视频| 欧美乱色亚洲激情| 久久久久久国产a免费观看| 欧美久久黑人一区二区| 国产成人系列免费观看| 国产成人欧美在线观看| av中文乱码字幕在线| 欧美色欧美亚洲另类二区| 男人舔奶头视频| e午夜精品久久久久久久| 日本五十路高清| 两人在一起打扑克的视频| 国产精品久久久久久亚洲av鲁大| 后天国语完整版免费观看| 久久精品91蜜桃| 久久天躁狠狠躁夜夜2o2o| 日韩精品中文字幕看吧| 黄频高清免费视频| 亚洲欧美日韩东京热| 国内毛片毛片毛片毛片毛片| 一本综合久久免费| 国产精品av久久久久免费| 欧美日韩国产亚洲二区| 国产一区二区三区在线臀色熟女| 亚洲成av人片在线播放无| 欧美一区二区国产精品久久精品 | 91九色精品人成在线观看| 午夜福利免费观看在线| 国产av麻豆久久久久久久| 国产高清视频在线观看网站| 久久人妻av系列| 国产精品一及| 国产精品 欧美亚洲| 国产成人系列免费观看| 欧美中文日本在线观看视频| 2021天堂中文幕一二区在线观| 国内精品久久久久久久电影| 国产高清视频在线播放一区| 男人的好看免费观看在线视频 | 最近视频中文字幕2019在线8| 国产亚洲精品综合一区在线观看 | 成人一区二区视频在线观看| 国产高清视频在线观看网站| 两个人看的免费小视频| 亚洲成人国产一区在线观看| 高清在线国产一区| 99久久精品热视频| 亚洲国产精品久久男人天堂| 一区福利在线观看| 欧美日韩亚洲国产一区二区在线观看| 国产野战对白在线观看| 国产成人一区二区三区免费视频网站| 国产精品综合久久久久久久免费| 欧美色视频一区免费| 黄色 视频免费看| 1024手机看黄色片| 麻豆久久精品国产亚洲av| 日韩高清综合在线| 国产视频一区二区在线看| 久久精品成人免费网站| 777久久人妻少妇嫩草av网站| 亚洲国产精品成人综合色| 欧美不卡视频在线免费观看 | 中文资源天堂在线| 亚洲性夜色夜夜综合| 女人爽到高潮嗷嗷叫在线视频| 国产精品爽爽va在线观看网站| 成人精品一区二区免费| 淫秽高清视频在线观看| 91在线观看av| 免费观看人在逋| 少妇熟女aⅴ在线视频| 老鸭窝网址在线观看| 精品一区二区三区视频在线观看免费| 欧美乱妇无乱码| 日韩欧美国产一区二区入口| 亚洲人成电影免费在线| 亚洲专区中文字幕在线| 99热6这里只有精品| 男女午夜视频在线观看| 久久草成人影院| 午夜a级毛片| 级片在线观看| 五月玫瑰六月丁香| 成人欧美大片|