• <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 ?

    一種基于生成式對抗網(wǎng)絡(luò)的數(shù)據(jù)集擴(kuò)充方法在濕地 鳥類圖像識別中的應(yīng)用

    2022-08-30 06:43:36熊聰聰趙子健曹鑒華湯凌燕
    天津科技大學(xué)學(xué)報 2022年4期
    關(guān)鍵詞:檢測模型

    熊聰聰,趙子健,曹鑒華,湯凌燕

    (天津科技大學(xué)人工智能學(xué)院,天津 300457)

    濕地是鳥類重要的棲息地,也是天然的物種基因庫和人類的重要環(huán)境之一[1].將計算機(jī)視覺技術(shù)應(yīng)用于濕地鳥類識別,利用目標(biāo)檢測算法對濕地鳥類進(jìn)行識別,識別的速度更快、結(jié)果更準(zhǔn)確.該技術(shù)能夠有效地對濕地鳥類進(jìn)行統(tǒng)計、跟蹤,為科研工作者研究濕地鳥類的活動范圍、生活習(xí)性以及種群繁衍等提供便利,進(jìn)一步為濕地鳥類提供更具有針對性的保護(hù)措施,對保護(hù)濕地的生態(tài)平衡和物種多樣性具有重要 意義.

    基于深度學(xué)習(xí)的特征表達(dá)具有強(qiáng)大的分層自學(xué)能力,能深度挖掘隱含在數(shù)據(jù)內(nèi)部的潛在關(guān)系,因此適合解決分類、目標(biāo)檢測、語義分割等計算機(jī)視覺問題.然而,深度學(xué)習(xí)依賴大量有標(biāo)注數(shù)據(jù)的支持[2]. 與傳統(tǒng)生物數(shù)據(jù)集相比,鳥類識別數(shù)據(jù)集具有不同類別間差距大、同類別內(nèi)差距小、背景復(fù)雜等特點[3]. 與傳統(tǒng)鳥類識別數(shù)據(jù)集相比,天津大黃堡濕地鳥類數(shù)據(jù)集存在鳥類樣本數(shù)量少、樣本分布不均衡等特點. 針對上述問題,本文提出一種基于生成式對抗網(wǎng)絡(luò)(generative adversarial network,GAN)的濕地鳥類識別數(shù)據(jù)集擴(kuò)充方法.首先對現(xiàn)有的濕地鳥類數(shù)據(jù)樣本進(jìn)行常規(guī)的仿射變換處理,如旋轉(zhuǎn)、縮放、水平翻轉(zhuǎn)、改變顏色通道、添加隨機(jī)噪聲等.在此基礎(chǔ)上,采用生成式對抗網(wǎng)絡(luò)樣本擴(kuò)充方法,將濕地鳥類圖像輸入生成式對抗網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練,獲取更多的鳥類圖像樣本,緩解樣本不均衡的問題,提高濕地保護(hù)區(qū)內(nèi)鳥類識別檢測的精度.

    1 研究現(xiàn)狀

    深度學(xué)習(xí)在許多場景和任務(wù)中已經(jīng)取得了巨大成功,如圖像分類檢測、機(jī)器翻譯、語音識別、視頻處理等[4-7].相比于傳統(tǒng)的有監(jiān)督機(jī)器學(xué)習(xí)方法,深度學(xué)習(xí)不僅依賴復(fù)雜的網(wǎng)絡(luò)模型結(jié)構(gòu)和不斷優(yōu)化的網(wǎng)絡(luò)算法,而且更需要足夠的、大規(guī)模的甚至超大規(guī)模的訓(xùn)練樣本,保證模型具有魯棒性和泛化性.當(dāng)樣本數(shù)量少、樣本分布不均衡時,深度網(wǎng)絡(luò)模型的精度往往會大打折扣.如何提升樣本數(shù)量、提高模型可靠性是亟待解決的問題[2].

    近年來,數(shù)據(jù)擴(kuò)充(data augmentation)已經(jīng)成為一個重要的研究領(lǐng)域,它是指通過一定的方法創(chuàng)建額外的合成樣本.在計算機(jī)視覺領(lǐng)域,當(dāng)已有的圖像數(shù)量過少時,可以使用傳統(tǒng)的圖像處理方法如平移、旋轉(zhuǎn)、縮放、改變顏色通道等,增加樣本的數(shù)量[8].如AlexNet模型[9]提出時就采用了兩種數(shù)據(jù)擴(kuò)充方法,一種是平移和水平翻轉(zhuǎn)以及在圖像的四角和中心區(qū)域進(jìn)行剪裁;另一種是調(diào)整圖像的RGB通道,改變照明的強(qiáng)度和顏色.這兩種方法使得AlexNet模型的準(zhǔn)確率提升了1%.SPP-Net、Fast RCNN、Faster RCNN、YOLO等多種目標(biāo)檢測算法中同樣提出多種仿射變換數(shù)據(jù)擴(kuò)充策略[10].使用深度學(xué)習(xí)模型進(jìn)行數(shù)據(jù)擴(kuò)充的方法受到學(xué)術(shù)界的關(guān)注,例如使用人工神經(jīng)網(wǎng)絡(luò)生成用于文本識別的合成數(shù)據(jù)集[2]以及可變自動編碼器[11].同時,一些研究者在計算機(jī)視覺圖像分類、目標(biāo)檢測、語義分割領(lǐng)域的多種任務(wù)中,使用生成式對抗網(wǎng)絡(luò)生成數(shù)據(jù)樣本提升模型的精度和泛化性能[12-13].

    生成式對抗網(wǎng)絡(luò)的優(yōu)勢在于其具有強(qiáng)大的隱式建模能力,不需要真實樣本數(shù)據(jù)的顯式分布以及假設(shè)更多的數(shù)學(xué)條件,這些優(yōu)勢使得基于對抗網(wǎng)絡(luò)的圖像生成方法可以被應(yīng)用于很多學(xué)術(shù)領(lǐng)域和工程領(lǐng)域. Qin等[14]針對醫(yī)學(xué)皮膚病變圖像數(shù)據(jù)集,提出基于皮膚病變圖像風(fēng)格的SL-StyleGAN模型,有效地合成高質(zhì)量的皮膚病變圖像,并且緩解了類別不平衡的問題.Liu等[15]針對行人檢測數(shù)據(jù)集,提出屬性保持生成式對抗網(wǎng)絡(luò)APGAN模型,以模擬各種比例和遮擋的行人圖像,同時使用風(fēng)格轉(zhuǎn)換增加圖像的真實度,實現(xiàn)了數(shù)據(jù)集的擴(kuò)充.王金娜等[16]針對輸電線路絕緣子目標(biāo)檢測數(shù)據(jù)集,提出一種基于Cycle-GAN的絕緣子圖像生成方法,生成高質(zhì)量的絕緣子圖像,擴(kuò)充了數(shù)據(jù)集并提升了分類網(wǎng)絡(luò)的性能.

    深度學(xué)習(xí)作為鳥類識別領(lǐng)域的重要技術(shù)在理論和應(yīng)用等方面已經(jīng)取得較大進(jìn)展[17],但目前使用的數(shù)據(jù)集主要是CUB-200-2011數(shù)據(jù)集.王光陛[18]提出基于Faster RCNN的語義檢測細(xì)粒度識別方法,在CUB-200-2011數(shù)據(jù)集上取得81.56%的準(zhǔn)確率.智緒曄[3]使用強(qiáng)監(jiān)督目標(biāo)檢測模型單次多目標(biāo)框檢測器,實現(xiàn)鳥類目標(biāo)和關(guān)鍵部位的檢測定位,在CUB-200-2011數(shù)據(jù)集的驗證集上取得89.7%的準(zhǔn)確率.翁雨辰[19]選用VGG和ResNet作為特征提取網(wǎng)絡(luò),搭建基于區(qū)域建議網(wǎng)絡(luò)和深度全卷積的網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)鳥類圖像分割任務(wù),在CUB-200-2011數(shù)據(jù)集的訓(xùn)練集和測試集上取得97.7%的準(zhǔn)確率.

    2 數(shù)據(jù)集

    天津大黃堡濕地的生境類型多樣,有大面積的蘆葦沼澤、淺灘、水塘、堤岸草叢及防護(hù)林帶等,其獨特的地理環(huán)境和優(yōu)良的水質(zhì)為多種鳥類提供了適宜的棲息環(huán)境[20].據(jù)調(diào)查,大黃堡濕地內(nèi)有記錄的鳥類有17目44科199種,其中國家一級保護(hù)鳥類4種,國家二級保護(hù)鳥類34種[20].天津大黃堡濕地內(nèi)的4種國家一級保護(hù)鳥類如圖1所示.

    圖1 天津大黃堡濕地內(nèi)的4種國家一級保護(hù)鳥類 Fig. 1 Four species of national first-class protected birds in Dahuangbao wetland in Tianjin

    受時間、環(huán)境等客觀因素的影響,本次收集到濕地鳥類數(shù)據(jù)集的種類和樣本均比較有限,基于細(xì)粒度方式統(tǒng)計,共包含鳥類121種、圖像樣本6045張,數(shù)據(jù)樣本明顯不夠,同時各類樣本之間不均衡的特征較為突出.

    采用平衡系數(shù)Balance評價數(shù)據(jù)集的均衡程度.平衡系數(shù)Balance是一種基于香農(nóng)熵(H)的平衡度量.當(dāng)Balance為1時,表示數(shù)據(jù)集完全平衡,表明每個類別包含的樣本數(shù)量相同;當(dāng)Balance為0時,表示數(shù)據(jù)集完全不平衡[2].Balance越小說明數(shù)據(jù)集越不平衡,其計算公式見式(1).

    其中:n為數(shù)據(jù)集樣本數(shù)量,K為類別數(shù)量,ic表示每個類別包含的樣本數(shù)量.

    按照上述計算方法計算原始數(shù)據(jù)集的平衡系數(shù),結(jié)果僅為0.8.經(jīng)過觀察統(tǒng)計,本數(shù)據(jù)集中大量類別樣本數(shù)量小于10,導(dǎo)致數(shù)據(jù)集嚴(yán)重不平衡,因此權(quán)衡后僅保留單個類別樣本數(shù)量大于100的類別構(gòu)成初始數(shù)據(jù)集,共計21類3048張樣本(表1).

    表1 濕地鳥類數(shù)據(jù)集概況 Tab. 1 Overview of wetland bird dataset

    3 生成式對抗網(wǎng)絡(luò)和條件對抗網(wǎng)絡(luò)

    生成式對抗網(wǎng)絡(luò)[21]自誕生以來,已經(jīng)成為生成式深度學(xué)習(xí)技術(shù)最顯著的突破之一.生成式對抗網(wǎng)絡(luò)模型的基本架構(gòu)由兩個神經(jīng)網(wǎng)絡(luò)組成,分別稱為生成器和判別器,它們在對抗的過程中同時訓(xùn)練.生成器的目的是生成一個新的合成樣本,使判別器將之誤判為真實樣本.

    為了學(xué)習(xí)生成器在數(shù)據(jù)x上的分布,定義輸入噪聲變量 pz(z),然后將數(shù)據(jù)空間的映射表示為G(z;θg).判別器的目的是判斷輸入樣本是來自真實數(shù)據(jù)集 pdata還是合成數(shù)據(jù)集 pg.判別器 D(x;θd)的輸出為一個標(biāo)量,D(x)表示x來自真實數(shù)據(jù)集而不是合成數(shù)據(jù)集的概率.因此,生成器和判別器的過程是相反的,二者在相互競爭中不斷優(yōu)化函數(shù),即

    GAN的損失函數(shù)包含網(wǎng)絡(luò)模型的兩個相互關(guān)聯(lián)的部分:一部分涉及真實樣本的識別,其表達(dá)式為;另一部分涉及合成樣本的識別,其表達(dá)式為.在對抗訓(xùn)練的過程中最大化 logD(x),提升判別器的判別能力,同時最小化 log(1 ? D( G(z ))),強(qiáng)化生成器模擬真實數(shù)據(jù)的能力.

    如果向生成器和判別器輸入額外的信息y,y作為附加輸入層輸入生成器和判別器,就將生成式對抗網(wǎng)絡(luò)擴(kuò)展為條件對抗網(wǎng)絡(luò)[22],y可以是任何種類的輔助信息,例如類別標(biāo)簽等.在生成器中,輸入噪聲pz(z)和y被組合成聯(lián)合隱藏表示,在判別器中,x和y被作為輸入提供給判別函數(shù),優(yōu)化函數(shù)為

    圖2為一個簡單的條件對抗網(wǎng)絡(luò)結(jié)構(gòu)示意圖.

    在深度生成網(wǎng)絡(luò)模型中,通過學(xué)習(xí)一組樣本的數(shù)據(jù)分布,進(jìn)而使用學(xué)到的分布生成新的樣本.GAN在兩個網(wǎng)絡(luò)之間產(chǎn)生對抗,一個網(wǎng)絡(luò)(生成器)學(xué)習(xí)真實數(shù)據(jù)的分布并生成新的合成數(shù)據(jù),試圖欺騙另一個網(wǎng)絡(luò);另一個網(wǎng)絡(luò)(判別器)負(fù)責(zé)辨別其接收到的數(shù)據(jù)是來自真實的數(shù)據(jù)集還是生成器生成的合成數(shù)據(jù). 兩個網(wǎng)絡(luò)在不斷對抗學(xué)習(xí)中逐漸提升合成和鑒別的能力,最后能夠生成可以使人類專家都無法分辨真?zhèn)蔚?合成圖像[21].

    4 大黃堡濕地鳥類數(shù)據(jù)集擴(kuò)充

    4.1 仿射變換

    首先,基于卷積神經(jīng)網(wǎng)絡(luò)的平移旋轉(zhuǎn)不變性,對所有鳥類圖像樣本進(jìn)行旋轉(zhuǎn)變換.考慮到盡量不引起檢測框長寬比的較大變化,旋轉(zhuǎn)角度設(shè)定為-5°~5°.然后,進(jìn)行縮放變換、水平翻轉(zhuǎn)變換,考慮到盡量控制位于圖像邊緣附近的鳥類圖像在放大后不越界,避免細(xì)節(jié)丟失,縮放尺度設(shè)定為90%~110%.最后,為了增加模型的魯棒性,使用了添加高斯噪聲的方法,其中μ=10、σ=1.將圖像RGB的3個通道與三維高斯噪聲相加,使用clamp函數(shù)處理越界的數(shù)值.

    圖3為仿射變換前后的效果對比.由圖3可以觀察到:經(jīng)過仿射變換,鳥類圖像得到初步擴(kuò)充,并且對邊界框的長寬比、鳥類圖像的細(xì)節(jié)沒有產(chǎn)生較大改變,對后續(xù)任務(wù)的精度不會產(chǎn)生較大影響.

    圖3 仿射變換前后的效果對比 Fig. 3 Comparison of effects before and after affine transformation

    4.2 數(shù)據(jù)標(biāo)注

    條件對抗網(wǎng)絡(luò)模型輸入需要具有標(biāo)注的樣本,因此首先對數(shù)據(jù)集已有的樣本進(jìn)行標(biāo)注處理.每個樣本的標(biāo)簽由一個列表構(gòu)成,包括5個元素c、x、y、w、h,其中:c為檢測框內(nèi)目標(biāo)的類別,x、y分別為檢測框中心的橫坐標(biāo)和縱坐標(biāo),w、h分別為檢測框的寬度和高度.對于每個鳥類圖像樣本,可以根據(jù)標(biāo)簽信息提取目標(biāo)檢測框內(nèi)的鳥類圖像.為了避免拉伸造成的形變對模型分類精度的影響,以檢測框的長邊為邊長繪制一個灰色的正方形,然后將目標(biāo)放置在正方形的中心,將正方形壓縮至128像素×128像素,最后保存每個目標(biāo)的類別(圖4).

    圖4 提取鳥類目標(biāo) Fig. 4 Extracting bird targets

    4.3 條件對抗網(wǎng)絡(luò)圖像生成

    將上述操作得到的鳥類圖像輸入條件對抗網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練.當(dāng)條件對抗網(wǎng)絡(luò)模型訓(xùn)練結(jié)束后,使用模型的生成器生成合成數(shù)據(jù).

    當(dāng)數(shù)據(jù)集中每個類別所包含的樣本數(shù)量不同甚至差距較大,即數(shù)據(jù)的分布不平衡時,將生成式對抗網(wǎng)絡(luò)模型直接應(yīng)用于合成數(shù)據(jù)的生成,會出現(xiàn)分類模型崩塌的現(xiàn)象.為了避免這種問題,針對具有不同數(shù)量樣本的類別,采用不同擴(kuò)充比例的擴(kuò)充方法,讓生成式對抗網(wǎng)絡(luò)模型更好地適應(yīng)所有類別的樣本分布. 可以使用式(5)確定某類樣本擴(kuò)充后的總數(shù)量N.

    其中:i為合成數(shù)據(jù)的類別,iN為第i類生成合成數(shù)據(jù)的個數(shù),x為第i類所包含的樣本數(shù)量占數(shù)據(jù)集中所有樣本數(shù)量的比例,n為數(shù)據(jù)集中包含的類別數(shù),N為希望生成的合成數(shù)據(jù)的總數(shù).

    基于初始數(shù)據(jù)集的特點,在條件對抗網(wǎng)絡(luò)模型中設(shè)置參數(shù).生成器的輸入為256維的隨機(jī)噪聲,結(jié)構(gòu)包括反卷積層、批處理歸一化層、ReLU激活層.判別器的結(jié)構(gòu)包括卷積層、批處理歸一化層、ReLU激活層、λ=0.5的隨機(jī)失活層以及全連接層,輸出長度為21的向量.批處理大小設(shè)置為256,生成器和判別器的學(xué)習(xí)率為1×10-5,訓(xùn)練次數(shù)為10000次.判別器網(wǎng)絡(luò)和生成器網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖5所示.

    圖5 判別器網(wǎng)絡(luò)和生成器網(wǎng)絡(luò)結(jié)構(gòu)示意圖 Fig. 5 Structure diagram of discriminator network and generator network

    本實驗平臺的硬件為GPU-RTX3090,顯存為24GB,算法基于Keras 2.4.3,編程語言為Python 3.8.5,總訓(xùn)練時間為31.2h.訓(xùn)練完成后,使用生成器進(jìn)行各類別鳥類圖像的生成并加入數(shù)據(jù)集.濕地鳥類原始圖像和對抗網(wǎng)絡(luò)生成圖像的對比如圖6所示,圖6即為條件對抗網(wǎng)絡(luò)生成樣本效果.經(jīng)過仿射變換和對抗網(wǎng)絡(luò)生成圖像的擴(kuò)充,數(shù)據(jù)集平衡系數(shù)大幅提升,達(dá)到了0.99.

    圖6 濕地鳥類原始圖像和對抗網(wǎng)絡(luò)生成圖像的對比(上圖為原圖,下圖為生成圖) Fig. 6 Comparison between the original image of wetland birds and the image generated by the adversarial network(the upper figure is the original image and the lower figure is the generated image)

    針對初始數(shù)據(jù)集存在樣本數(shù)量少的問題,綜合使用仿射變換、對抗網(wǎng)絡(luò)模型生成方法實現(xiàn)鳥類數(shù)據(jù)集的擴(kuò)充,基本保證后續(xù)目標(biāo)檢測任務(wù)的效率和精度.

    5 大黃堡濕地鳥類數(shù)據(jù)集目標(biāo)檢測實踐

    將仿射變換和對抗網(wǎng)絡(luò)生成的圖像加入數(shù)據(jù)集,并按8﹕2的比例劃分訓(xùn)練集和測試集.?dāng)?shù)據(jù)集擴(kuò)充前后不同算法評價指標(biāo)的對比見表2.表2展示了原始數(shù)據(jù)集、仿射變換擴(kuò)充數(shù)據(jù)集以及對抗網(wǎng)絡(luò)擴(kuò)充數(shù)據(jù)集分別在SSD、YOLOv3-SPP-Net、RetinaNet算法上訓(xùn)練100次的效果.3種算法均為單階段目標(biāo)檢測的經(jīng)典算法,且都可以進(jìn)行多尺度訓(xùn)練以及接受任意大小的圖片作為輸入,評價指標(biāo)為AP、mAP、AR,其中AP為將IoU設(shè)置為0.5或0.75時的平均精度,mAP為將IoU分別設(shè)置為[0.5,0.55,0.6,…,0.95]時AP的平均值,AR為將IoU分別設(shè)置為[0.5,0.55,0.6,…,0.95]時的平均召回率.

    表2 數(shù)據(jù)集擴(kuò)充前后不同算法評價指標(biāo)的對比 Tab. 2 Comparison of evaluation indicators of different algorithms before and after data set expansion %

    由表2可知,原始數(shù)據(jù)集的樣本數(shù)量有限,導(dǎo)致SSD算法和RetinaNet算法并不能充分學(xué)習(xí)各類樣本的特征,精度僅為20%左右,只有YOLOv3-SPP-Net算法的mAP達(dá)到了40%,但其AR不足50%.在仿射變換擴(kuò)充后,3種算法的mAP均超過了55%.而在使用本文提出的數(shù)據(jù)集擴(kuò)充方法之后,3種算法的mAP均超過了60%,AR也明顯提升.這表明針對天津大黃堡濕地場景中的鳥類識別,基于對抗網(wǎng)絡(luò)模型擴(kuò)充樣本的方法具有一定的有效性.

    在擴(kuò)充樣本初始數(shù)據(jù)集時,已經(jīng)將同類別內(nèi)樣本數(shù)量小于50的目標(biāo)過濾.然而,在研究過程中嘗試對所有類別的樣本使用上述擴(kuò)充方法,在經(jīng)典目標(biāo)檢測算法中識別的精度并不是很理想,同時耗時更長,明顯受到了不同類別間樣本不均衡、擴(kuò)充樣本質(zhì)量不高等因素的影響.

    6 結(jié) 語

    針對樣本數(shù)量不足且類別分布不均衡的天津大黃堡濕地鳥類數(shù)據(jù)集,提出一種基于對抗網(wǎng)絡(luò)的濕地鳥類數(shù)據(jù)集擴(kuò)充方法,通過該方法將數(shù)據(jù)集規(guī)模進(jìn)行擴(kuò)充并且緩解了樣本分布不均衡的問題.通過在SSD、YOLOv3-SPP-Net、RetinaNet目標(biāo)檢測算法上進(jìn)行測試,使用擴(kuò)充后的數(shù)據(jù)集,基于3種經(jīng)典算法的精度均超過90%.由此可見,本文提出的擴(kuò)充方法得到的數(shù)據(jù)集能夠顯著提升算法的精度,為后續(xù)更多的鳥類識別研究提供技術(shù)支持.當(dāng)后續(xù)采集的鳥類數(shù)據(jù)集中種類變多時,樣本分布不均衡的問題會更突出,如何獲取更多質(zhì)量更高的訓(xùn)練集樣本是下一步需要研究的問題.同時,選擇適合區(qū)內(nèi)最佳的目標(biāo)檢測算法、適當(dāng)改進(jìn)現(xiàn)有經(jīng)典算法滿足目標(biāo)精確識別要求,也是需要深入思考的方向.

    猜你喜歡
    檢測模型
    一半模型
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    “幾何圖形”檢測題
    “角”檢測題
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    3D打印中的模型分割與打包
    小波變換在PCB缺陷檢測中的應(yīng)用
    全区人妻精品视频| 美女免费视频网站| 国产精品自产拍在线观看55亚洲| 乱系列少妇在线播放| 亚洲第一电影网av| av福利片在线观看| 国产高清激情床上av| 九九热线精品视视频播放| 最近最新免费中文字幕在线| 亚洲国产精品久久男人天堂| 亚洲欧美日韩东京热| 精品人妻偷拍中文字幕| 久久久久久国产a免费观看| 桃红色精品国产亚洲av| 精品人妻一区二区三区麻豆 | 又爽又黄a免费视频| 搞女人的毛片| 男女啪啪激烈高潮av片| 少妇人妻一区二区三区视频| 可以在线观看毛片的网站| 免费观看的影片在线观看| 女人十人毛片免费观看3o分钟| 精品久久国产蜜桃| 一本久久中文字幕| 夜夜爽天天搞| 男女之事视频高清在线观看| 国产精品免费一区二区三区在线| 国产蜜桃级精品一区二区三区| av国产免费在线观看| 国产精品一区二区性色av| 一个人免费在线观看电影| 国产熟女欧美一区二区| 久久久精品欧美日韩精品| 嫩草影院精品99| 国产一区二区三区av在线 | 久久精品国产亚洲av天美| 亚洲天堂国产精品一区在线| 真人做人爱边吃奶动态| 色尼玛亚洲综合影院| 欧美一级a爱片免费观看看| 色av中文字幕| 一级黄片播放器| 免费在线观看成人毛片| 精品日产1卡2卡| 中国美女看黄片| 日韩高清综合在线| 精品欧美国产一区二区三| 精品午夜福利视频在线观看一区| 中出人妻视频一区二区| 特大巨黑吊av在线直播| 天堂影院成人在线观看| 精品一区二区三区av网在线观看| 亚洲美女搞黄在线观看 | 欧美一级a爱片免费观看看| 高清在线国产一区| 久久国产乱子免费精品| 美女大奶头视频| 国内揄拍国产精品人妻在线| 久久这里只有精品中国| 精品午夜福利在线看| 亚洲狠狠婷婷综合久久图片| 91久久精品国产一区二区成人| 午夜精品在线福利| 成年免费大片在线观看| 观看免费一级毛片| 天堂av国产一区二区熟女人妻| 亚洲va日本ⅴa欧美va伊人久久| 国产高清不卡午夜福利| 国产爱豆传媒在线观看| 无遮挡黄片免费观看| 婷婷六月久久综合丁香| 亚洲精品国产成人久久av| 别揉我奶头~嗯~啊~动态视频| 国产精品永久免费网站| 国产亚洲精品久久久久久毛片| 国产免费av片在线观看野外av| 啪啪无遮挡十八禁网站| 久久人妻av系列| 在线a可以看的网站| 色综合亚洲欧美另类图片| 欧美xxxx黑人xx丫x性爽| 亚洲图色成人| 日本成人三级电影网站| 有码 亚洲区| 三级毛片av免费| netflix在线观看网站| 欧美又色又爽又黄视频| or卡值多少钱| 亚洲美女搞黄在线观看 | ponron亚洲| 国产一区二区在线av高清观看| 人妻少妇偷人精品九色| 亚洲,欧美,日韩| 无遮挡黄片免费观看| 亚洲七黄色美女视频| 蜜桃亚洲精品一区二区三区| 午夜精品一区二区三区免费看| 看黄色毛片网站| av在线亚洲专区| 亚洲avbb在线观看| 日韩一区二区视频免费看| 日韩欧美在线乱码| 搡老熟女国产l中国老女人| 国产探花极品一区二区| 在线观看av片永久免费下载| 美女高潮喷水抽搐中文字幕| 听说在线观看完整版免费高清| 国产成人影院久久av| 99久国产av精品| 大又大粗又爽又黄少妇毛片口| 国产伦在线观看视频一区| 亚洲在线观看片| 免费av观看视频| netflix在线观看网站| 伦理电影大哥的女人| 日本成人三级电影网站| 村上凉子中文字幕在线| 免费av毛片视频| 最近视频中文字幕2019在线8| 99久久无色码亚洲精品果冻| 成人性生交大片免费视频hd| 三级毛片av免费| 欧美国产日韩亚洲一区| 少妇的逼水好多| 一区二区三区激情视频| 亚洲精品日韩av片在线观看| 欧美一区二区国产精品久久精品| 在线观看午夜福利视频| 夜夜夜夜夜久久久久| 国产69精品久久久久777片| 大又大粗又爽又黄少妇毛片口| 国内精品久久久久精免费| 人人妻人人看人人澡| 中文字幕熟女人妻在线| 国产成人影院久久av| 欧美成人免费av一区二区三区| 久久精品国产亚洲av涩爱 | 国产精品乱码一区二三区的特点| 99久久久亚洲精品蜜臀av| av中文乱码字幕在线| 国产私拍福利视频在线观看| av天堂在线播放| 波多野结衣巨乳人妻| 99久久精品一区二区三区| 亚洲无线观看免费| 特级一级黄色大片| av在线蜜桃| 日本色播在线视频| 亚州av有码| 淫秽高清视频在线观看| 狠狠狠狠99中文字幕| 国产精品久久久久久av不卡| 午夜爱爱视频在线播放| 精品日产1卡2卡| 国产精品永久免费网站| 亚洲内射少妇av| 亚洲专区中文字幕在线| 亚洲欧美日韩无卡精品| 一进一出好大好爽视频| 国产精品自产拍在线观看55亚洲| 欧美激情在线99| 能在线免费观看的黄片| 精品日产1卡2卡| 中文字幕久久专区| 熟妇人妻久久中文字幕3abv| 国产极品精品免费视频能看的| 久久国产乱子免费精品| 在线观看一区二区三区| a级毛片免费高清观看在线播放| 久久久国产成人免费| 人人妻人人看人人澡| 日韩欧美精品v在线| 最近最新免费中文字幕在线| 黄色欧美视频在线观看| 精品久久久久久,| 日本a在线网址| 亚洲人成网站在线播| av福利片在线观看| 久久久久久大精品| 老司机午夜福利在线观看视频| 欧美不卡视频在线免费观看| 变态另类丝袜制服| 人妻久久中文字幕网| 精品福利观看| 哪里可以看免费的av片| 成年免费大片在线观看| 成人一区二区视频在线观看| 亚洲精品日韩av片在线观看| 99久久精品国产国产毛片| 精品国内亚洲2022精品成人| 亚洲自拍偷在线| 亚洲精品影视一区二区三区av| 一本精品99久久精品77| 91午夜精品亚洲一区二区三区 | 老师上课跳d突然被开到最大视频| 97碰自拍视频| 午夜免费激情av| 看黄色毛片网站| 久久婷婷人人爽人人干人人爱| 亚洲欧美日韩高清专用| 欧美激情国产日韩精品一区| 男女边吃奶边做爰视频| 高清在线国产一区| 亚洲美女黄片视频| 在现免费观看毛片| 国产黄片美女视频| 日韩欧美免费精品| 联通29元200g的流量卡| 国产精品av视频在线免费观看| 午夜爱爱视频在线播放| 免费av不卡在线播放| 欧美性猛交黑人性爽| 久久精品国产亚洲av天美| 日韩一本色道免费dvd| 天天躁日日操中文字幕| 成人永久免费在线观看视频| 天堂动漫精品| 久久久久精品国产欧美久久久| 男女啪啪激烈高潮av片| 亚洲va在线va天堂va国产| 午夜视频国产福利| 一进一出好大好爽视频| 老司机午夜福利在线观看视频| 日本黄色视频三级网站网址| 国产黄色小视频在线观看| 九色国产91popny在线| 亚洲专区中文字幕在线| 国产主播在线观看一区二区| 又紧又爽又黄一区二区| 精品国产三级普通话版| 深夜精品福利| 给我免费播放毛片高清在线观看| 黄色丝袜av网址大全| 日本成人三级电影网站| 日日撸夜夜添| 精品久久久久久久末码| 国产aⅴ精品一区二区三区波| 国产精品久久久久久久电影| 国产精品免费一区二区三区在线| 男插女下体视频免费在线播放| 十八禁国产超污无遮挡网站| 一区二区三区激情视频| 亚洲av成人av| 国内精品久久久久久久电影| 老司机深夜福利视频在线观看| 色噜噜av男人的天堂激情| 桃红色精品国产亚洲av| 精品久久久久久久久久免费视频| 身体一侧抽搐| 亚洲第一区二区三区不卡| 亚洲第一区二区三区不卡| 午夜福利欧美成人| 国产精品久久久久久av不卡| 免费看日本二区| 国产伦一二天堂av在线观看| 欧美bdsm另类| 一本一本综合久久| 国产精品不卡视频一区二区| 婷婷六月久久综合丁香| 一区二区三区免费毛片| 如何舔出高潮| av在线天堂中文字幕| 一级黄片播放器| 少妇的逼水好多| 动漫黄色视频在线观看| 日韩大尺度精品在线看网址| 成年女人看的毛片在线观看| 国产精品,欧美在线| 99久久精品国产国产毛片| 精品国内亚洲2022精品成人| 又粗又爽又猛毛片免费看| 国产精品精品国产色婷婷| 免费看日本二区| 国产白丝娇喘喷水9色精品| 久久精品夜夜夜夜夜久久蜜豆| 岛国在线免费视频观看| 直男gayav资源| 麻豆久久精品国产亚洲av| 国产精品日韩av在线免费观看| 在线免费观看不下载黄p国产 | 国产免费一级a男人的天堂| a级毛片a级免费在线| 一级黄片播放器| 欧美日韩瑟瑟在线播放| 国产伦在线观看视频一区| 人妻制服诱惑在线中文字幕| 精品久久久久久久久亚洲 | 男女那种视频在线观看| 国产免费一级a男人的天堂| 国产精品自产拍在线观看55亚洲| 成年女人毛片免费观看观看9| 国产白丝娇喘喷水9色精品| 他把我摸到了高潮在线观看| 午夜免费激情av| 国产伦精品一区二区三区四那| 国产精品福利在线免费观看| 亚洲国产精品成人综合色| 尤物成人国产欧美一区二区三区| 精品一区二区三区人妻视频| 久久国产乱子免费精品| 亚洲成av人片在线播放无| 两性午夜刺激爽爽歪歪视频在线观看| 可以在线观看毛片的网站| 免费av不卡在线播放| 美女黄网站色视频| 欧美xxxx性猛交bbbb| 日韩欧美在线二视频| 变态另类成人亚洲欧美熟女| 97人妻精品一区二区三区麻豆| 日本精品一区二区三区蜜桃| 无人区码免费观看不卡| 日韩,欧美,国产一区二区三区 | 亚洲国产欧洲综合997久久,| 亚洲欧美激情综合另类| 伦理电影大哥的女人| 亚洲国产欧洲综合997久久,| 日本撒尿小便嘘嘘汇集6| 国产伦在线观看视频一区| 麻豆国产97在线/欧美| 午夜久久久久精精品| 欧美日韩精品成人综合77777| 在线看三级毛片| 91久久精品电影网| 国产淫片久久久久久久久| 一区二区三区激情视频| 在线观看午夜福利视频| 国产视频一区二区在线看| av视频在线观看入口| 亚洲,欧美,日韩| 中文字幕熟女人妻在线| 在线观看舔阴道视频| 成人特级av手机在线观看| 成人美女网站在线观看视频| 亚洲av成人av| 亚洲av成人精品一区久久| 久久久久久伊人网av| 色av中文字幕| 五月伊人婷婷丁香| 欧美另类亚洲清纯唯美| avwww免费| 女的被弄到高潮叫床怎么办 | 国产精品永久免费网站| 日韩欧美一区二区三区在线观看| 级片在线观看| 精品乱码久久久久久99久播| 亚洲不卡免费看| 少妇丰满av| 国产单亲对白刺激| 美女大奶头视频| 免费看av在线观看网站| 无遮挡黄片免费观看| 国内精品久久久久久久电影| 人人妻,人人澡人人爽秒播| 1024手机看黄色片| 久久热精品热| 免费在线观看成人毛片| 自拍偷自拍亚洲精品老妇| 亚洲人与动物交配视频| 又粗又爽又猛毛片免费看| 久久九九热精品免费| 欧美日韩综合久久久久久 | 91狼人影院| 露出奶头的视频| 中文字幕av在线有码专区| 亚洲av日韩精品久久久久久密| 国产伦精品一区二区三区四那| 亚洲自偷自拍三级| 欧美一级a爱片免费观看看| 88av欧美| 成人一区二区视频在线观看| 亚洲精品国产成人久久av| 国产伦精品一区二区三区四那| 变态另类丝袜制服| 午夜日韩欧美国产| 免费观看人在逋| 亚洲成av人片在线播放无| 中文字幕熟女人妻在线| 欧美绝顶高潮抽搐喷水| 免费人成视频x8x8入口观看| 一级黄色大片毛片| 午夜老司机福利剧场| 亚洲专区国产一区二区| 午夜福利视频1000在线观看| 99久久久亚洲精品蜜臀av| 别揉我奶头~嗯~啊~动态视频| 欧美日韩黄片免| 国产亚洲精品久久久com| 国产午夜福利久久久久久| 给我免费播放毛片高清在线观看| 亚洲一区二区三区色噜噜| 最近在线观看免费完整版| 国产极品精品免费视频能看的| 99久久精品国产国产毛片| 动漫黄色视频在线观看| 在现免费观看毛片| 日韩人妻高清精品专区| 少妇人妻精品综合一区二区 | 在线观看舔阴道视频| av在线天堂中文字幕| 成人永久免费在线观看视频| 噜噜噜噜噜久久久久久91| 色综合婷婷激情| 亚洲av成人av| 午夜日韩欧美国产| 国产伦人伦偷精品视频| 日韩欧美在线乱码| 国产精品,欧美在线| 国产淫片久久久久久久久| 日本免费a在线| 禁无遮挡网站| 成人精品一区二区免费| 亚洲国产精品sss在线观看| 亚洲精品久久国产高清桃花| 精品乱码久久久久久99久播| 欧美丝袜亚洲另类 | 婷婷六月久久综合丁香| 久9热在线精品视频| 黄色一级大片看看| 深夜精品福利| 成人鲁丝片一二三区免费| 日韩欧美 国产精品| 啪啪无遮挡十八禁网站| 真人做人爱边吃奶动态| 91麻豆精品激情在线观看国产| 老司机福利观看| 精华霜和精华液先用哪个| 免费看日本二区| 亚洲自拍偷在线| 非洲黑人性xxxx精品又粗又长| 不卡一级毛片| 久久6这里有精品| 国产伦一二天堂av在线观看| 国产欧美日韩精品亚洲av| 国产av一区在线观看免费| 美女大奶头视频| 一级黄片播放器| 全区人妻精品视频| 欧美日韩精品成人综合77777| 亚洲七黄色美女视频| 日日摸夜夜添夜夜添小说| 欧美黑人欧美精品刺激| 中出人妻视频一区二区| 日日啪夜夜撸| 欧美色视频一区免费| h日本视频在线播放| 久久精品综合一区二区三区| 在线播放国产精品三级| 成人毛片a级毛片在线播放| 一区二区三区免费毛片| 黄色欧美视频在线观看| 日日夜夜操网爽| 亚洲精品成人久久久久久| 无人区码免费观看不卡| 国产熟女欧美一区二区| 亚洲国产精品成人综合色| 欧美日本视频| 99在线人妻在线中文字幕| 国产综合懂色| 亚洲av中文字字幕乱码综合| 一区二区三区免费毛片| 99精品在免费线老司机午夜| 亚洲综合色惰| 午夜福利成人在线免费观看| 国产精品无大码| 在线看三级毛片| 久久精品人妻少妇| 久久久国产成人免费| 动漫黄色视频在线观看| 午夜免费激情av| 欧美日韩综合久久久久久 | 久99久视频精品免费| 久久香蕉精品热| 中亚洲国语对白在线视频| 亚洲欧美日韩东京热| av在线天堂中文字幕| 中文字幕av在线有码专区| 久久精品影院6| 天堂网av新在线| 深夜精品福利| 国产色爽女视频免费观看| 色吧在线观看| 欧美国产日韩亚洲一区| 最新中文字幕久久久久| 亚洲精品456在线播放app | 日韩 亚洲 欧美在线| 动漫黄色视频在线观看| 性插视频无遮挡在线免费观看| 黄色配什么色好看| 综合色av麻豆| 少妇的逼水好多| 久久久久久国产a免费观看| 亚洲在线观看片| 国产真实伦视频高清在线观看 | 一进一出抽搐gif免费好疼| 亚洲欧美日韩高清专用| av在线蜜桃| 免费观看的影片在线观看| 国产熟女欧美一区二区| 91久久精品国产一区二区成人| 日韩,欧美,国产一区二区三区 | 国产人妻一区二区三区在| 成人特级黄色片久久久久久久| 免费搜索国产男女视频| 日韩国内少妇激情av| 校园人妻丝袜中文字幕| 久久久久免费精品人妻一区二区| 十八禁网站免费在线| 久久国产精品人妻蜜桃| 我的女老师完整版在线观看| 国内久久婷婷六月综合欲色啪| 少妇人妻一区二区三区视频| 亚洲一区高清亚洲精品| 午夜免费成人在线视频| 国产中年淑女户外野战色| 久久精品人妻少妇| 国产美女午夜福利| 国产精品综合久久久久久久免费| 最近在线观看免费完整版| 99久久九九国产精品国产免费| 亚洲国产精品成人综合色| 不卡视频在线观看欧美| 国产精品自产拍在线观看55亚洲| 免费一级毛片在线播放高清视频| 日本精品一区二区三区蜜桃| 99热这里只有是精品50| 欧美日韩精品成人综合77777| 在线免费观看不下载黄p国产 | 男插女下体视频免费在线播放| 精品福利观看| 夜夜爽天天搞| 看十八女毛片水多多多| 一区二区三区四区激情视频 | 日本 欧美在线| 伦理电影大哥的女人| 一级毛片久久久久久久久女| 国产精品不卡视频一区二区| 丰满乱子伦码专区| 中文字幕人妻熟人妻熟丝袜美| 一区福利在线观看| 成人二区视频| 亚洲精品一区av在线观看| 免费在线观看成人毛片| 久久久午夜欧美精品| x7x7x7水蜜桃| 国产乱人视频| 亚洲精品影视一区二区三区av| 国产白丝娇喘喷水9色精品| 欧美zozozo另类| 少妇高潮的动态图| 亚洲av第一区精品v没综合| 窝窝影院91人妻| 久久精品影院6| 国产在线男女| 色哟哟·www| 久久人妻av系列| 国产成年人精品一区二区| 午夜久久久久精精品| 国产精品av视频在线免费观看| 国产精品久久电影中文字幕| 日本 av在线| 亚洲欧美精品综合久久99| 18禁黄网站禁片免费观看直播| 如何舔出高潮| 人人妻人人澡欧美一区二区| 非洲黑人性xxxx精品又粗又长| 又粗又爽又猛毛片免费看| 国产精品嫩草影院av在线观看 | 丰满人妻一区二区三区视频av| 国产久久久一区二区三区| 男女下面进入的视频免费午夜| 老司机福利观看| 搡老岳熟女国产| 色av中文字幕| 草草在线视频免费看| 色av中文字幕| 久久这里只有精品中国| 在线播放国产精品三级| 精品国产三级普通话版| 校园春色视频在线观看| 婷婷六月久久综合丁香| 亚洲第一电影网av| 久久精品国产清高在天天线| 级片在线观看| 国产精品一及| 国产高清三级在线| 国产国拍精品亚洲av在线观看| 久久国产精品人妻蜜桃| 国产精品av视频在线免费观看| 一本精品99久久精品77| 亚洲一级一片aⅴ在线观看| 午夜久久久久精精品| 亚州av有码| 国产大屁股一区二区在线视频| 久久久成人免费电影| 国产 一区 欧美 日韩| 丰满人妻一区二区三区视频av| 观看免费一级毛片| 久久久久久久久久黄片| 免费人成在线观看视频色| 久久精品影院6| 真人做人爱边吃奶动态| 极品教师在线免费播放| 日韩,欧美,国产一区二区三区 | 国产乱人伦免费视频| 国模一区二区三区四区视频| 麻豆久久精品国产亚洲av| 国产精品一区www在线观看 | 国产成人av教育| 亚洲国产精品sss在线观看| 日韩欧美在线二视频| 国产高清激情床上av| 亚洲在线自拍视频| 国产一区二区激情短视频| 国产伦一二天堂av在线观看| 夜夜爽天天搞|