• <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 ?

    一種融合軟注意力機制的DenseNet-SSD 檢測算法

    2022-09-07 05:05:30吳松林張國偉盧秋紅施建壯
    現(xiàn)代計算機 2022年13期
    關(guān)鍵詞:精確度特征提取注意力

    吳松林,張國偉,,盧秋紅,黃 威,施建壯

    (1.上海電力大學自動化工程學院,上海 200090;2.上海合時智能科技有限公司,上海 200040)

    0 引言

    隨著人工智能時代的到來,無人車已然成為當前技術(shù)的熱點。精準的環(huán)境感知是無人車中最重要的技術(shù)之一,目標識別感知與無人車的地圖構(gòu)建,甚至路徑規(guī)劃緊密相連,當前,隨著機器視覺與深度學習的發(fā)展,這一技術(shù)取得了巨大進步。

    傳統(tǒng)的目標檢測主要是通過特征候選區(qū)域?qū)δ繕诉M行特征提取,再進行分類識別,隨著深度學習在人工智能領(lǐng)域的發(fā)展,各種目標檢測算法日益得到人們的重視并取得了較好的發(fā)展,且逐步取代了傳統(tǒng)的檢測方法。在目標檢測領(lǐng)域的算法目前大致分為兩類:一是以Fast R-CNN、R-CNN、SPP-NET等為標志的兩階段(two-stage)目標檢測算法,此類方法雖然檢測精度較高,但速度較慢,且對硬件設備等要求較高,在產(chǎn)品中的設備部署亦存在較大困難;二是以SSD(single shot detector)和YOLO為代表的一階段(one-stage)檢測算法,此類方法直接在輸入數(shù)據(jù)上進行回歸分類,速率較快,精確度相對于二階段算法有所下降。在基于深度學習的目標檢測算法中,由于SSD算法在檢測速度上的優(yōu)勢,其在工業(yè)生產(chǎn)中得到了廣泛的應用,該算法設計上整體借鑒了YOLO 算法與Faster-RCNN 的錨框設計,在保證運行速度的情況下,相對提高了其精度。

    傳統(tǒng)的SSD 目標檢測方法在大型環(huán)境下的無人車工作時,目標檢測識別的精確度以及實時性的效果較差,主要有以下兩點不足:

    (1)細節(jié)信息與小特征提取的語義信息不足:基礎層特征提取網(wǎng)絡在特征提取過程中提取的目標信息相對不足,且存在信息丟失,在目標識別過程中如果目標信息較少,則會大幅度減弱算法的準確性;

    (2)特征提取層的空間信息不足:在大型場景下的目標檢測時,不同的空間維度代表不同的特征信息,在復雜且存在重疊區(qū)域的空間維度上,會使得檢測算法的魯棒性下降。

    針對上述問題,本文在SSD 網(wǎng)絡模型的基礎上做了以下改進:

    (1)提出一種DenseNet 網(wǎng)絡模型作為SSD網(wǎng)絡的基礎特征提取層,使得改進后的神經(jīng)網(wǎng)絡具有更加具體且豐富的語義與細節(jié)信息;

    (2)在特征提取基礎層與額外層結(jié)合軟注意力機制,賦予其空間域與通道域注意力,從而使得網(wǎng)絡能夠有效地進行目標信息的篩選,提高網(wǎng)絡模型的魯棒性;

    (3)對SSD 網(wǎng)絡引進反卷積操作,增加目標感受野,訓練過程中采用遷移學習的方式,提高訓練模型的效率。

    1 主要工作

    1.1 傳統(tǒng)SSD網(wǎng)絡

    傳統(tǒng)SSD網(wǎng)絡是以VGG-16為特征提取的基本網(wǎng)絡,并增加級聯(lián)卷積層,利用anchor 設計理念,實現(xiàn)了端到端的檢測方法。首先,傳統(tǒng)的網(wǎng)絡模型舍棄了VGG-16 的FC7 層,并將FC6、FC7 層設計為Conv6、Conv7 卷積層;其次,為了提取不同尺度特征圖,在網(wǎng)絡末端添加了Conv8_2、Conv9_2、Conv10_2、Conv11_2等多個級聯(lián)層;最后通過生成錨框,對目標進行回歸預測,采用非極大值抑制的算法對目標進行多尺度檢測。其模型結(jié)構(gòu)如圖1所示。

    圖1 傳統(tǒng)SSD網(wǎng)絡模型

    1.2 改進特征提取網(wǎng)絡

    考慮到傳統(tǒng)SSD 算法中特征提取模塊獲得的語義信息不足和VGG 網(wǎng)絡中缺少細節(jié)信息、魯棒性不強等問題,本文參考目標檢測器DSOD的替換規(guī)則,利用具有隱含監(jiān)督、特征重復利用的輕量型DenseNet 網(wǎng)絡代替VGG-16,為了提高DenseNet 網(wǎng)絡的顯存利用效率,提高算法運行速度,本文采用有3 個稠密塊(dense block)連接的稠密網(wǎng)絡,并對于Densenet網(wǎng)絡Pooling層采用3 × 3的卷積核,在引入軟注意力機制與反卷積后能夠保證通道數(shù)減少的同時避免池化操作造成的信息丟失。DenseNet 網(wǎng)絡結(jié)構(gòu)如圖2 所示,輸入通過Dense block 后,本文為了避免網(wǎng)絡稠密造成的通道數(shù)上升的問題,在Feauter map 每次拼接時進入兩個1×1 卷積核進行降維處理,然后送入池化層,之后進入下一個稠密層,網(wǎng)絡中每一層都建立起了與前面層的連接,使特征圖進行如圖3所示方式的重復利用,網(wǎng)絡中誤差信號可以很容易地傳播到較早的層,提高了特征提取網(wǎng)絡的有效性。

    圖2 Densenet網(wǎng)絡流程圖

    圖3 特征圖重復利用

    1.3 融合混合域軟注意力模塊

    上節(jié)中改進的特征提取網(wǎng)絡在包含更多的語義信息以及細節(jié)特征的同時仍會存在一些干擾特征,這些干擾特征不但會使算法整體效率降低,而且會加大模型的計算復雜度。傳統(tǒng)SSD 模型在進行目標檢測時使用Conv4_3 等模塊(如圖1)產(chǎn)生的6 個不同感受野的特征圖,這種方法并沒有考慮到網(wǎng)絡特征圖中的重點特征信息,因此本文引進了一種空間域與通道域混合的軟注意力機制。

    注意力機制的提出主要是依據(jù)生物視覺特性,主要分為空間域、通道域、混合域。Jaderberg 等提出的Transformer Networks 是一種典型的空間域注意力機制,這一機制優(yōu)先將注意力更多地聚焦在關(guān)鍵信息中,摒棄其中的非關(guān)鍵性或無用信息,從而使神經(jīng)網(wǎng)絡有選擇性地聚焦信息,將輸入網(wǎng)絡的原始圖像變換至另一空間且保留關(guān)鍵信息,該模型如圖4所示。

    圖4 Transformer Networks模型

    該機制忽略了通道域中的信息,將每個通道域中的信息特征按照同等權(quán)重處理,使得空間域變換方法局限在了圖片特征提取階段,在模型網(wǎng)絡中的其他網(wǎng)絡層應用作用不大。而通道域注意力機制則未考慮到空間域信息,對通道內(nèi)的信息流直接全局平均池化,通道內(nèi)的局部信息則完全忽略,因此,考慮到本文算法主要面向?qū)嶋H產(chǎn)品的需求,本文算法融合了一種軟注意力機制,該軟注意力機制包含通道注意力機制(channel attention module,CAM)和空間域注意力機制(spatial attention module, SAM),且相互獨立,這種架構(gòu)可以有效地節(jié)約網(wǎng)絡模型參數(shù)和網(wǎng)絡計算力,并且可以作為獨立的模塊設置于網(wǎng)絡中。

    混合域軟注意力機制是一種有效的輕量級模塊,額外開銷可以忽略不計,在通道域和空間域兩個維度推斷出注意力權(quán)重,然后與原特征圖相乘,從而對特征進行自適應調(diào)整。其中,通道域注意力模塊CAM 設計結(jié)構(gòu)如圖5所示。在此模塊中,改進特征提取層后的SSD模型的輸入特征圖F經(jīng)過最大池化層(MaxPool)、平均池化(AvgPool)后生成兩個特征圖F、F,其中表示輸入模型的第層特征圖,如公式(1)、公式(2)所示:

    圖5 通道域注意力機制CAM

    緊接著特征圖信息會傳入一個兩層神經(jīng)網(wǎng)絡中,通過Relu 激活函數(shù)學習不同通道之間的非線性特征,然后通過加和操作聚集兩個神經(jīng)網(wǎng)絡中的不同通道特征信息,最后利用Sigmoid激活函數(shù)產(chǎn)生通道的權(quán)值集合,該過程如公式(3)所示:

    公式(3)中CA()即通道域注意力函數(shù)(chanel attention),()代表激活函數(shù)Sigmoid,F(xiàn)CR()表示全連接層和激活函數(shù)Relu,從而生成最終的通道域注意力特征圖。公式(1)、(2)、(3)整合后即為該模塊整個過程,如公式(4)所示:

    通道域注意力機制主要注重于各個通道之間的語義特征信息,為了提取出空間域信息,本文主要利用網(wǎng)絡中淺層特征圖中豐富的空間信息與通道信息,加強了對特征圖中的空間依賴關(guān)系,通過對關(guān)鍵區(qū)域的特性加權(quán),有選擇性地聚焦關(guān)鍵特征,空間域注意力模塊SAM 如圖6所示。

    圖6 空間域注意力機制SAM

    該網(wǎng)絡中,首先輸入的特征圖經(jīng)過BN 層和ReLu 層,然后通過最大池化和平均池化得到×的特征圖,將得到的兩個特征圖進行Concat(通道拼接)操作,之后在本文中經(jīng)過一個6 × 6 的卷積層得到注意力矩陣,將其送入到Sigmoid函數(shù)中得到M,其運算過程見式(5)。

    本文中,空間域與通道域先進行并聯(lián)操作,再進行串聯(lián),其網(wǎng)絡模型如圖7所示。

    由圖7 可知,本文中輸入特征圖F先經(jīng)過CAM,SAM1 進行通道域和空間域的并行操作,再與輸入特征像素加和,由公式(4)和公式(5)可知兩模塊輸出分別為MF)、MF),則圖中斷點線部分操作可表示為公式,其中⊙表示逐元素相乘,之后串聯(lián)通過SAM2并與E加和后輸出最終結(jié)果D,如式(6)和式(7)所示:

    圖7 混合域模型

    混合域注意力機制旨在通道域和空間域兩個維度推斷出注意力權(quán)重,通過對空間域注意力模塊的并聯(lián)疊加,學習任意兩個特征之間的聯(lián)系,加深了特征圖關(guān)鍵位置與語義信息間的表達能力。

    1.4 改進后的網(wǎng)絡總體結(jié)構(gòu)

    傳統(tǒng)SSD 網(wǎng)絡在特征提取層之后采用逐層卷積的形式進行特征圖的傳播。在檢測過程中,尺寸大的特征圖具有的感受野往往較小,而感受野較大的特征圖尺寸往往較小,所以本文為了能夠?qū)Ω惺芤拜^大的特征圖進行尺寸放大,增加DenseNet 稠密連接網(wǎng)絡特征的重利用,引進反卷積操作,如圖8 所示,為通道數(shù),、分別為輸入特征圖高、寬。該模塊的輸入輸出關(guān)系為公式(8),反卷積輸入輸出尺寸的關(guān)系為式(9)。其中代表輸出尺寸(size of output),代表輸入尺寸(size of input),代表填充(padding),代表步長(strides)。

    圖8 反卷積操作

    改進后的總體網(wǎng)絡架構(gòu)如圖9所示。

    圖9 改進后網(wǎng)絡總體模型

    2 實驗結(jié)果與分析

    2.1 實驗平臺與參數(shù)設置

    本實驗采用Windows系統(tǒng),使用PyCharm 專業(yè)版編譯器通過SSH 遠程連接mist 云服務器,采用RTX3090 顯卡,24 G 顯存,實驗框架為Pytroch1.9.0,Opencv4,CUDA11.4深度學習框架。

    本文中優(yōu)化方法采用SGD 隨機梯度下降法,學習率初始設置為0.00025,權(quán)值衰減為0.0002,避免過擬合現(xiàn)象的發(fā)生,動量為0.6,模型的batchSizes 大小為18,迭代次數(shù)為20000,網(wǎng)絡中反卷積層的設置如表1所示。采用預訓練得到的權(quán)值進行遷移學習訓練,提高收斂效率。

    表1 反卷積層參數(shù)設置

    2.2 數(shù)據(jù)集與評價指標

    2.2.1 數(shù)據(jù)集

    本文采用的數(shù)據(jù)集為PACAL VOC2012+2007,并劃分為訓練集、驗證集、測試集,且對訓練數(shù)據(jù)集進行數(shù)據(jù)增強。VOC 數(shù)據(jù)集包含21 個類別(包含1 個背景類),其中訓練集為VOC2012,VOC2007,共包含大約16000 張數(shù)據(jù)集圖像,驗證集為VOC2012 中的eval 數(shù)據(jù);測試集為VOC2007,共包含約5000張圖像。

    2.2.2 評價指標

    本文采用精確度和召回率(precision-recall)關(guān)系和平均精度均值(mean average precision,mAP)作為模型評價指標。其中Precision 和Recall 計算公式分別為式(10)和式(11),TR 表示預測與標簽匹配一致,F(xiàn)R 表示預測目標為背景,F(xiàn)n表示將背景誤判為檢測目標。

    平均精度均值表示所有類別的平均精度(average precision,AP)的均值,其計算方法如式(12)所示,V表示成功預測的正確數(shù)量。如果真實框與預測框的交并比(intersertion-overunion,IOU)大于0.5,則認為檢測結(jié)果正確。

    2.3 實驗結(jié)果

    為了驗證本文1.2 節(jié)所提特征提取網(wǎng)絡與1.3 節(jié)所提軟注意力模塊算法的有效性,本文將特征提取網(wǎng)絡Resnet、VGG16 與本文所述替代特征提取網(wǎng)絡做對比,進行算法效果評估,結(jié)果如表2所示。實驗結(jié)果表明本文所提改進特征提取網(wǎng)絡能夠使得檢測精確度提升,且加強特征圖的重利用能夠有效應對梯度消失問題。融合混合域注意力機制后,算法可以通過注意力自適應的分配權(quán)重優(yōu)化特征圖,提升魯棒性,算法的平均準確率有了進一步提高。

    表2 不同特征提取網(wǎng)絡的檢測結(jié)果 單位:%

    在1.4 節(jié)中,本文為了進一步提高網(wǎng)絡小感受野特征的檢測率,為算法融入了反卷積模塊,此模塊能在一定程度上消除池化操作對特征圖的影響,加入反卷積操作后本文整體算法分別與SSD+VGG16,SSD+Resnet 等一階段算法和Faster RNN 二階段算法做對比,表3 為各個算法的Precision-recall 關(guān)系。由表3 可以看出,本文算法在加入反卷積模塊后相比未加入反卷積精確度提高了0.3%,召回率提高了0.2%;相比于傳統(tǒng)的SSD 算法精確度提高了2.1%,召回率提高了4.7%,且精確率和召回率更加接近,這一指標能夠提高算法的平均精確率;與基于Resnet的SSD網(wǎng)絡相比,本文算法精確度和召回率均有所提高;與二階段算法Faster RNN 相比本文算法精確度提高了0.2%,召回率提高了2.4%,且二者差值有了明顯縮小,F(xiàn)aster RNN二者差值為2.9%,本文算法僅存在0.5%的差值,進一步提高了算法的魯棒性。

    表3 各個算法的Precision-recall關(guān)系 單位:%

    圖10 為算法改進前后各個類別的平均精確度對比。

    圖10 改進前后算法mAP對比

    由圖10 可以看出,本算法相對原始SSD 算法有較大的提高,加入了注意力機制以及反卷積模塊后,網(wǎng)絡對小尺寸特征識別和具有較小感受野的大尺寸目標檢測精確度有顯著提高,對于鳥類的檢測平均精確度由原來的77.6%上升至92.5%,這主要是由于DenseNet 網(wǎng)絡的特征重利用有效地解決了目標特征丟失問題,以及注意力機制對重點特征的權(quán)重增加,摒棄了其中的非關(guān)鍵性或無用信息,從而使神經(jīng)網(wǎng)絡有選擇性地聚焦信息并輸入網(wǎng)絡的原始圖像。

    圖11、圖12 分別為改進算法前后的可視化對比圖。由左側(cè)圖可知,算法改進前并沒有檢測到大尺寸小感受野的卡車,改進后的算法對大尺寸小感受野的卡車檢測得分達到了79%,有效提高了算法的精確性;在右側(cè)圖中,對于小特征的遠處人物由于特征網(wǎng)絡得到的語義信息以及細節(jié)信息不足,原算法并沒有感受到遠方關(guān)鍵特征,改進后算法的混合域注意力機制對重點特征的權(quán)重增加,且經(jīng)過反卷積模塊消除特征損失,對遠方小特征目標檢測得分達到82%。與改進前對比可知,算法改進后對具有小感受野的大尺寸目標以及小特征目標,檢測效果明顯提升。

    圖11 改進前后可視化效果對比

    圖12 改進后可視化效果圖

    表4為本文算法與傳統(tǒng)SSD算法的平均精確度mAP 的對比,由對比可知,本文算法的平均精確度為86.4%,比傳統(tǒng)SSD 的平均精確度提高了7.8%,有效提高了算法的檢測精確性和魯棒性。

    表4 改進前后算法比較 單位:%

    3 結(jié)語

    針對傳統(tǒng)SSD 算法提取目標特征的細節(jié)信息與小特征提取的語義信息不足,且存在信息丟失,以及特征提取層的空間信息缺乏等問題,本文通過使用DenseNet 網(wǎng)絡改進傳統(tǒng)算法的特征提取層,進行特征重利用,增強目標的細節(jié)以及語義信息;引入混合域軟注意力空間模型,在通道域以及空間域?qū)μ卣鬟M行學習,從而自適應地分配權(quán)重,對關(guān)鍵性信息進行重點關(guān)注學習,優(yōu)化特征圖;同時增加反卷積層,進一步減少池化層對特征的影響,使得算法整體魯棒性、精確度得以提升。實驗結(jié)果表明,本文算法與原算法相比其精確度、召回率得到顯著提高,且二者差值得以顯著縮小,平均精確度比原算法提高了7.8%,且混合域網(wǎng)絡模型為即插即用型的輕量化模型,實用價值較高。但實驗中發(fā)現(xiàn),本算法雖然只利用了DenseNet網(wǎng)絡前3層,在中間層雖已優(yōu)化通道數(shù),通道數(shù)量仍相對較大,但在可接受范圍內(nèi)。

    猜你喜歡
    精確度特征提取注意力
    讓注意力“飛”回來
    研究核心素養(yǎng)呈現(xiàn)特征提高復習教學精確度
    “硬核”定位系統(tǒng)入駐兗礦集團,精確度以厘米計算
    基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    一種基于LBP 特征提取和稀疏表示的肝病識別算法
    A Beautiful Way Of Looking At Things
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    Walsh變換在滾動軸承早期故障特征提取中的應用
    軸承(2010年2期)2010-07-28 02:26:12
    近似數(shù)1.8和1.80相同嗎
    噜噜噜噜噜久久久久久91| 免费av毛片视频| 精品久久国产蜜桃| 一个人免费在线观看电影| 女人久久www免费人成看片| 色尼玛亚洲综合影院| 国产日韩欧美在线精品| av黄色大香蕉| 午夜精品国产一区二区电影 | 天美传媒精品一区二区| 国产av国产精品国产| 春色校园在线视频观看| 亚洲精品日本国产第一区| 三级毛片av免费| av卡一久久| 六月丁香七月| 久久久精品欧美日韩精品| 大香蕉97超碰在线| 午夜激情福利司机影院| 午夜亚洲福利在线播放| 天美传媒精品一区二区| 大陆偷拍与自拍| 亚洲三级黄色毛片| 亚洲av二区三区四区| 国产黄片美女视频| 你懂的网址亚洲精品在线观看| 男女啪啪激烈高潮av片| 99热网站在线观看| 免费看美女性在线毛片视频| 水蜜桃什么品种好| 秋霞在线观看毛片| xxx大片免费视频| 搡老妇女老女人老熟妇| 最近2019中文字幕mv第一页| 精品亚洲乱码少妇综合久久| 久久久a久久爽久久v久久| av在线亚洲专区| 国产有黄有色有爽视频| 男女下面进入的视频免费午夜| 国产 亚洲一区二区三区 | av在线观看视频网站免费| 国产一区二区三区av在线| 夫妻午夜视频| a级毛片免费高清观看在线播放| 亚洲国产精品成人久久小说| 九九爱精品视频在线观看| 18+在线观看网站| av福利片在线观看| 久久久久久九九精品二区国产| 免费电影在线观看免费观看| 久久97久久精品| 韩国高清视频一区二区三区| 成人美女网站在线观看视频| 国产一区二区三区综合在线观看 | 一夜夜www| 成年人午夜在线观看视频 | 男女那种视频在线观看| 18+在线观看网站| 午夜福利高清视频| 男的添女的下面高潮视频| 丰满人妻一区二区三区视频av| 久久久久久久午夜电影| 国产在视频线精品| 亚洲一区高清亚洲精品| 成人午夜精彩视频在线观看| 美女脱内裤让男人舔精品视频| 亚洲精品,欧美精品| 91久久精品国产一区二区三区| 麻豆成人午夜福利视频| 一级av片app| av在线老鸭窝| 夫妻性生交免费视频一级片| 看非洲黑人一级黄片| 日日撸夜夜添| 搡老乐熟女国产| 插阴视频在线观看视频| 国产精品一区www在线观看| 亚洲国产精品成人久久小说| 熟女人妻精品中文字幕| 久久久久久久国产电影| 免费少妇av软件| 特级一级黄色大片| 国产免费福利视频在线观看| 亚洲国产精品sss在线观看| 国产成人91sexporn| 精品一区在线观看国产| 成人无遮挡网站| 国产淫片久久久久久久久| 久热久热在线精品观看| 成年女人在线观看亚洲视频 | 欧美日韩一区二区视频在线观看视频在线 | 精品一区二区免费观看| 国产一区二区亚洲精品在线观看| 啦啦啦中文免费视频观看日本| 成人无遮挡网站| 亚洲人与动物交配视频| 99热全是精品| 尤物成人国产欧美一区二区三区| 少妇的逼水好多| 黄色日韩在线| 日韩av不卡免费在线播放| 国产精品av视频在线免费观看| 男女国产视频网站| 最后的刺客免费高清国语| 韩国av在线不卡| 中文在线观看免费www的网站| 特级一级黄色大片| 婷婷色麻豆天堂久久| 亚洲综合色惰| 精品人妻熟女av久视频| 国产探花极品一区二区| 国产精品无大码| 亚洲熟妇中文字幕五十中出| 亚洲国产色片| 亚洲精品日本国产第一区| 亚洲av电影不卡..在线观看| 午夜免费男女啪啪视频观看| 天天一区二区日本电影三级| 免费观看在线日韩| 男的添女的下面高潮视频| 久久99热这里只有精品18| 国产一区二区亚洲精品在线观看| 美女内射精品一级片tv| 久久人人爽人人片av| 国产久久久一区二区三区| 一个人看的www免费观看视频| 大陆偷拍与自拍| 哪个播放器可以免费观看大片| 激情 狠狠 欧美| 好男人在线观看高清免费视频| 久久这里有精品视频免费| 人人妻人人澡欧美一区二区| 国模一区二区三区四区视频| 赤兔流量卡办理| 国产 一区精品| 国产精品久久久久久av不卡| 欧美潮喷喷水| 免费看a级黄色片| 久久97久久精品| 十八禁国产超污无遮挡网站| av网站免费在线观看视频 | 天堂影院成人在线观看| 亚洲精品亚洲一区二区| 啦啦啦中文免费视频观看日本| 国产在线一区二区三区精| 亚洲欧美精品自产自拍| 嫩草影院新地址| 亚洲精品一区蜜桃| 2022亚洲国产成人精品| 日韩欧美精品免费久久| 成人午夜精彩视频在线观看| 国产 一区精品| 丰满少妇做爰视频| kizo精华| 久久久久久伊人网av| 日韩亚洲欧美综合| 日韩国内少妇激情av| 亚洲精品自拍成人| 国产av在哪里看| 老女人水多毛片| 天堂av国产一区二区熟女人妻| 黄色配什么色好看| 国内少妇人妻偷人精品xxx网站| eeuss影院久久| 亚洲av电影在线观看一区二区三区 | 久久久久久久久久人人人人人人| 日韩一本色道免费dvd| 日韩大片免费观看网站| 天天躁日日操中文字幕| 久久精品夜色国产| 成人综合一区亚洲| 亚洲成人av在线免费| 久久国产乱子免费精品| 狂野欧美激情性xxxx在线观看| 一区二区三区乱码不卡18| 高清毛片免费看| 岛国毛片在线播放| 一级片'在线观看视频| 亚洲精品第二区| 国产精品一区二区三区四区免费观看| 国国产精品蜜臀av免费| 韩国av在线不卡| 免费看不卡的av| 亚洲电影在线观看av| 成人综合一区亚洲| 22中文网久久字幕| 综合色丁香网| 欧美成人午夜免费资源| 黄色配什么色好看| 99热网站在线观看| 久久99热这里只频精品6学生| 国产精品久久久久久久久免| 亚洲av电影不卡..在线观看| 一个人看视频在线观看www免费| 国产免费一级a男人的天堂| 色哟哟·www| 97精品久久久久久久久久精品| 亚洲国产色片| 国产精品不卡视频一区二区| 哪个播放器可以免费观看大片| 777米奇影视久久| videossex国产| 99久久精品国产国产毛片| 国产免费又黄又爽又色| 国产探花在线观看一区二区| 午夜福利在线在线| 综合色av麻豆| 啦啦啦啦在线视频资源| 波野结衣二区三区在线| 七月丁香在线播放| 午夜福利视频1000在线观看| 国产在线男女| 亚洲欧美一区二区三区黑人 | 国产乱来视频区| 亚洲aⅴ乱码一区二区在线播放| 一夜夜www| 男人狂女人下面高潮的视频| 天堂av国产一区二区熟女人妻| 精品不卡国产一区二区三区| 街头女战士在线观看网站| 国产一区二区在线观看日韩| 色综合亚洲欧美另类图片| 在线观看美女被高潮喷水网站| 一区二区三区免费毛片| 久久久久网色| 日韩一区二区视频免费看| 午夜福利网站1000一区二区三区| 亚州av有码| 日本欧美国产在线视频| 伊人久久国产一区二区| 一个人看的www免费观看视频| 婷婷色麻豆天堂久久| 夫妻午夜视频| 亚洲精品日本国产第一区| 午夜激情福利司机影院| 18+在线观看网站| 国产亚洲5aaaaa淫片| 最近视频中文字幕2019在线8| 最近的中文字幕免费完整| 联通29元200g的流量卡| 亚洲国产高清在线一区二区三| 国产欧美另类精品又又久久亚洲欧美| 热99在线观看视频| 久久久精品欧美日韩精品| 超碰97精品在线观看| 中文字幕av在线有码专区| 亚洲真实伦在线观看| 97热精品久久久久久| 国产亚洲精品av在线| 亚洲18禁久久av| 狠狠精品人妻久久久久久综合| 在线观看av片永久免费下载| 亚洲高清免费不卡视频| 夜夜爽夜夜爽视频| 22中文网久久字幕| 夫妻午夜视频| 一本久久精品| 免费人成在线观看视频色| 国产免费福利视频在线观看| 国产精品久久久久久精品电影| av在线天堂中文字幕| 狠狠精品人妻久久久久久综合| 国产午夜福利久久久久久| 我要看日韩黄色一级片| 麻豆av噜噜一区二区三区| 国产成人精品福利久久| 久久这里只有精品中国| 大香蕉97超碰在线| 中文资源天堂在线| 草草在线视频免费看| 超碰av人人做人人爽久久| 成年av动漫网址| 国产精品1区2区在线观看.| 国产精品久久久久久精品电影| av女优亚洲男人天堂| 少妇的逼水好多| 国产精品无大码| 六月丁香七月| 亚洲在线自拍视频| 精品一区二区三区人妻视频| 2018国产大陆天天弄谢| 一级毛片我不卡| 国产 一区 欧美 日韩| 边亲边吃奶的免费视频| 淫秽高清视频在线观看| 婷婷色综合www| 国产一区有黄有色的免费视频 | 永久网站在线| 亚洲激情五月婷婷啪啪| 国产av不卡久久| 午夜福利视频1000在线观看| 午夜久久久久精精品| 国产高清不卡午夜福利| 精华霜和精华液先用哪个| 欧美激情在线99| 如何舔出高潮| 九九在线视频观看精品| 欧美另类一区| 久久久久精品性色| 色5月婷婷丁香| 日日撸夜夜添| 久久精品国产亚洲网站| 国产白丝娇喘喷水9色精品| 色哟哟·www| 女的被弄到高潮叫床怎么办| 国产精品一区二区在线观看99 | 日韩一区二区三区影片| 插逼视频在线观看| 在线观看美女被高潮喷水网站| 日韩欧美国产在线观看| 国产精品福利在线免费观看| 春色校园在线视频观看| 亚洲国产日韩欧美精品在线观看| 日韩不卡一区二区三区视频在线| 成年人午夜在线观看视频 | av国产免费在线观看| av卡一久久| 久久精品熟女亚洲av麻豆精品 | 你懂的网址亚洲精品在线观看| 超碰av人人做人人爽久久| 国产综合懂色| 国产av在哪里看| 最后的刺客免费高清国语| 欧美变态另类bdsm刘玥| 自拍偷自拍亚洲精品老妇| 美女cb高潮喷水在线观看| 高清视频免费观看一区二区 | 免费观看的影片在线观看| 久久久精品免费免费高清| 欧美高清成人免费视频www| 日韩中字成人| 国产黄色视频一区二区在线观看| 黄色配什么色好看| 97在线视频观看| 欧美xxxx性猛交bbbb| 欧美激情久久久久久爽电影| 久久久久久伊人网av| 一本一本综合久久| 岛国毛片在线播放| 色哟哟·www| 亚洲高清免费不卡视频| 亚洲在线自拍视频| 深夜a级毛片| 舔av片在线| 夜夜爽夜夜爽视频| 精品人妻偷拍中文字幕| 青春草亚洲视频在线观看| 人妻系列 视频| 麻豆成人av视频| 中文精品一卡2卡3卡4更新| h日本视频在线播放| 97在线视频观看| 又爽又黄无遮挡网站| 特级一级黄色大片| 亚洲av男天堂| 国产成人a∨麻豆精品| 亚洲在线自拍视频| 3wmmmm亚洲av在线观看| 国产精品久久久久久av不卡| 亚洲av不卡在线观看| 欧美最新免费一区二区三区| 欧美日韩在线观看h| 午夜福利视频1000在线观看| 人妻一区二区av| 日韩精品有码人妻一区| 日本一二三区视频观看| 亚洲在线观看片| 少妇被粗大猛烈的视频| videossex国产| 亚洲精品一二三| 亚洲美女视频黄频| 日本爱情动作片www.在线观看| 亚洲在线观看片| 日韩av在线免费看完整版不卡| 欧美成人精品欧美一级黄| 欧美日本视频| 国产精品一及| 日日摸夜夜添夜夜爱| 国产美女午夜福利| 色综合色国产| 一边亲一边摸免费视频| 秋霞在线观看毛片| 赤兔流量卡办理| 国内揄拍国产精品人妻在线| av卡一久久| 人人妻人人看人人澡| 91久久精品电影网| 嫩草影院精品99| 免费黄色在线免费观看| 免费av不卡在线播放| 狂野欧美激情性xxxx在线观看| 国产精品国产三级国产专区5o| 美女脱内裤让男人舔精品视频| 嫩草影院精品99| 精品一区二区三卡| 哪个播放器可以免费观看大片| 国产精品嫩草影院av在线观看| 午夜视频国产福利| 日本与韩国留学比较| 日韩av在线大香蕉| 日本一本二区三区精品| 国产黄频视频在线观看| av女优亚洲男人天堂| 国产男女超爽视频在线观看| 激情 狠狠 欧美| 青春草视频在线免费观看| 九九久久精品国产亚洲av麻豆| 水蜜桃什么品种好| 国产男女超爽视频在线观看| 亚洲国产精品专区欧美| 一区二区三区免费毛片| 久久久a久久爽久久v久久| 免费观看a级毛片全部| 好男人视频免费观看在线| 免费看光身美女| 国产伦精品一区二区三区视频9| 亚洲精品成人av观看孕妇| 国内精品一区二区在线观看| 久久99热这里只有精品18| 大香蕉97超碰在线| 99久久精品一区二区三区| 国产极品天堂在线| 69av精品久久久久久| 亚洲国产精品国产精品| 国产免费福利视频在线观看| 在线观看免费高清a一片| 赤兔流量卡办理| 少妇丰满av| 最近手机中文字幕大全| 99re6热这里在线精品视频| 97人妻精品一区二区三区麻豆| 青青草视频在线视频观看| 干丝袜人妻中文字幕| 91狼人影院| 一级片'在线观看视频| 国产视频内射| 久久鲁丝午夜福利片| 国产黄a三级三级三级人| 欧美丝袜亚洲另类| 一级毛片黄色毛片免费观看视频| 日日干狠狠操夜夜爽| 国产亚洲精品av在线| 乱人视频在线观看| 亚洲丝袜综合中文字幕| 爱豆传媒免费全集在线观看| 真实男女啪啪啪动态图| 我的女老师完整版在线观看| 婷婷色av中文字幕| 2022亚洲国产成人精品| 男插女下体视频免费在线播放| 久久久久久久久久人人人人人人| 91久久精品国产一区二区成人| 国产一区二区三区综合在线观看 | 久久午夜福利片| 亚洲,欧美,日韩| 国产精品爽爽va在线观看网站| 亚洲av不卡在线观看| 亚洲精品亚洲一区二区| 日本欧美国产在线视频| 波野结衣二区三区在线| 久久久久久久午夜电影| 丝袜喷水一区| 亚洲伊人久久精品综合| 好男人在线观看高清免费视频| 91狼人影院| 最近最新中文字幕免费大全7| 亚洲欧美一区二区三区国产| 国产伦在线观看视频一区| 99久久精品热视频| 国产人妻一区二区三区在| av.在线天堂| 97热精品久久久久久| 18+在线观看网站| 久久这里只有精品中国| 中文字幕制服av| 黄片无遮挡物在线观看| 免费观看的影片在线观看| 精品国产露脸久久av麻豆 | 国产精品嫩草影院av在线观看| 亚洲精品一二三| 国产亚洲最大av| av线在线观看网站| 成年版毛片免费区| 国内精品一区二区在线观看| 啦啦啦中文免费视频观看日本| 伦精品一区二区三区| 久久久久久国产a免费观看| 国产综合懂色| 777米奇影视久久| 亚洲三级黄色毛片| 国产成人精品婷婷| 精品一区二区三卡| 日韩制服骚丝袜av| 国产在线一区二区三区精| 亚洲欧美精品专区久久| 男人爽女人下面视频在线观看| 色网站视频免费| 丝袜美腿在线中文| 欧美不卡视频在线免费观看| 亚洲国产欧美在线一区| 中文在线观看免费www的网站| 少妇人妻一区二区三区视频| 成人鲁丝片一二三区免费| 2022亚洲国产成人精品| 国产精品熟女久久久久浪| 免费无遮挡裸体视频| 欧美一区二区亚洲| 成人欧美大片| 久久99热这里只有精品18| 免费看av在线观看网站| 亚洲国产高清在线一区二区三| 丝袜美腿在线中文| 亚洲av免费在线观看| 亚洲成人一二三区av| 国产 一区精品| 国产91av在线免费观看| 亚洲熟女精品中文字幕| 免费看av在线观看网站| 国产午夜精品久久久久久一区二区三区| 国产乱来视频区| 久久国产乱子免费精品| 亚洲一区高清亚洲精品| 亚洲欧洲国产日韩| 日日啪夜夜爽| 最近最新中文字幕免费大全7| 十八禁国产超污无遮挡网站| 色综合亚洲欧美另类图片| 一级av片app| 亚洲av国产av综合av卡| 好男人在线观看高清免费视频| 黄色日韩在线| 六月丁香七月| 国产精品.久久久| 欧美zozozo另类| 久久久久国产网址| 亚洲精品久久午夜乱码| 97超碰精品成人国产| 亚洲国产精品sss在线观看| 免费看av在线观看网站| 亚洲精品成人久久久久久| 国产69精品久久久久777片| 久久精品人妻少妇| 亚洲人与动物交配视频| 日产精品乱码卡一卡2卡三| 青春草国产在线视频| 国产精品国产三级专区第一集| 国产淫片久久久久久久久| 久久热精品热| 高清欧美精品videossex| av天堂中文字幕网| 女人十人毛片免费观看3o分钟| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 午夜爱爱视频在线播放| 肉色欧美久久久久久久蜜桃 | 天天躁日日操中文字幕| 女人十人毛片免费观看3o分钟| 欧美人与善性xxx| 日本av手机在线免费观看| 欧美人与善性xxx| 男女视频在线观看网站免费| 国产老妇女一区| 国产精品嫩草影院av在线观看| 久久久久久九九精品二区国产| 麻豆精品久久久久久蜜桃| 美女主播在线视频| 亚洲图色成人| 亚洲av免费在线观看| 亚洲av中文字字幕乱码综合| 噜噜噜噜噜久久久久久91| 精品少妇黑人巨大在线播放| 69av精品久久久久久| 全区人妻精品视频| 国产美女午夜福利| 国产 一区精品| 午夜精品国产一区二区电影 | 七月丁香在线播放| 久久久欧美国产精品| 六月丁香七月| 日韩av不卡免费在线播放| 天堂俺去俺来也www色官网 | 日韩av在线大香蕉| 免费无遮挡裸体视频| 中文乱码字字幕精品一区二区三区 | 免费av不卡在线播放| 亚洲国产最新在线播放| 国产乱人视频| 麻豆成人午夜福利视频| 精品人妻偷拍中文字幕| 麻豆av噜噜一区二区三区| 中文欧美无线码| 久久精品国产鲁丝片午夜精品| 天堂√8在线中文| 人妻一区二区av| 美女内射精品一级片tv| 欧美三级亚洲精品| 非洲黑人性xxxx精品又粗又长| 日韩精品有码人妻一区| av专区在线播放| 国产免费视频播放在线视频 | 久久久久九九精品影院| 日韩欧美 国产精品| 国产v大片淫在线免费观看| 国产一区亚洲一区在线观看| 日日摸夜夜添夜夜添av毛片| 一级毛片我不卡| 亚洲第一区二区三区不卡| 国产乱来视频区| 国内揄拍国产精品人妻在线| 国产成人a区在线观看| 久久久久久久午夜电影| 久久久久久久久久久免费av| 久99久视频精品免费| 日韩精品有码人妻一区| 大又大粗又爽又黄少妇毛片口| 激情 狠狠 欧美|