• <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 ?

    基于弱語義分割的輕量化交通標(biāo)志檢測網(wǎng)絡(luò)

    2022-09-15 06:59:36曾雷鳴陳子銳周浩然
    計(jì)算機(jī)工程 2022年9期
    關(guān)鍵詞:精確度語義卷積

    曾雷鳴,侯 進(jìn),陳子銳,周浩然

    (1.西南交通大學(xué) 計(jì)算機(jī)與人工智能學(xué)院,成都 611756;2.西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院,成都 611756;3.西南交通大學(xué)綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國家工程實(shí)驗(yàn)室,成都 611756)

    0 概述

    隨著無人駕駛技術(shù)日漸成熟,國內(nèi)外均已將該技術(shù)推進(jìn)到限定條件下的開放道路測試階段。交通標(biāo)志作為真實(shí)道路場景中不可回避的識(shí)別對(duì)象,其識(shí)別和定位成為無人駕駛環(huán)境感知的研究熱點(diǎn)。然而,現(xiàn)實(shí)情景中諸如光照條件難以控制、交通標(biāo)志損毀、褪色等對(duì)實(shí)時(shí)交通標(biāo)志的檢測造成了很大干擾。在實(shí)際應(yīng)用中的測試結(jié)果表明,基于感興趣區(qū)域(Region of Interest,RoI),使用HOG[1]、Gabor[2]、Haar-like[3]等人工設(shè)計(jì)特征對(duì)RoI進(jìn)行分類的傳統(tǒng)方法不足以應(yīng)對(duì)上述列舉的挑戰(zhàn)。

    得益于硬件尤其是GPU 性能的提升,KRIZHEVSKY 等[4]搭建了神經(jīng)網(wǎng)絡(luò)AlexNet,并在ImageNet 挑戰(zhàn)賽中奪冠。受此啟發(fā),GIRSHICK 等[5]將區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Regions with Convolutional Neural Networks Features,R-CNN)引入目標(biāo)檢測領(lǐng)域,用一個(gè)完整網(wǎng)絡(luò)的不同分支完成了分類和定位任務(wù)。而后,F(xiàn)ast R-CNN[6]、Faster R-CNN[7]完善了以RoI 為導(dǎo)向的兩次回歸算法流程,確立了端到端的、兩階段的檢測模型。與此同時(shí),YOLO[8]、SSD[9]等一階段方法優(yōu)化了回歸過程,以少量的精確度損失獲得了檢測速度的大幅提升。隨后涌現(xiàn)出的語義融合方法FPN[10]、正負(fù)樣本平衡的方法Focal loss[11]降低了一階段模型與兩階段模型的精確度差距,使一階段檢測模型逐漸成為研究的主流。

    隨著深度神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,諸多關(guān)于交通標(biāo)志檢測的算法被研發(fā)推出。文獻(xiàn)[12]使用統(tǒng)一的神經(jīng)網(wǎng)絡(luò)檢測高分辨率交通標(biāo)志,文獻(xiàn)[13]使用多重注意力機(jī)制相結(jié)合的方法提升檢測精確度。目前,交通標(biāo)志檢測算法的主要改進(jìn)方向有探尋更高效的特征提取網(wǎng)絡(luò)、更有效的語義融合插件、即插即用的tricks 等。

    本文選取綜合性能較優(yōu)的一階段網(wǎng)絡(luò)YOLOv4[14]作為改進(jìn)和對(duì)比的基準(zhǔn),重新設(shè)計(jì)特征提取網(wǎng)絡(luò)來替換YOLOv4 中原特征提取網(wǎng)絡(luò)CSPDarkNet53[15],以降低模型計(jì)算量,從而提升響應(yīng)速度。在此基礎(chǔ)上,舍棄MobileNetv3-Large[16]中的部分耗時(shí)層,更改第8 層和第14 層的輸出通道數(shù),并改進(jìn)基礎(chǔ)模塊中通道域注意力網(wǎng)絡(luò)(Squeeze and Excitation Network,SENet)[17]的注意力機(jī)制,使輸出的權(quán)重?cái)?shù)值能更準(zhǔn)確地表征特征的重要程度。此外,設(shè)計(jì)一種弱語義分割模塊,以檢測目標(biāo)的標(biāo)注信息作為監(jiān)督,進(jìn)行前景和背景的分割,得到一個(gè)預(yù)測的分割掩膜,并將此掩膜作為空間權(quán)重分布對(duì)特征進(jìn)行重新標(biāo)定,以增強(qiáng)本文網(wǎng)絡(luò)YOLOv4-SLite 應(yīng)對(duì)漏檢和誤檢的能力。

    1 相關(guān)工作

    1.1 YOLOv4 網(wǎng)絡(luò)

    YOLOv4 是YOLO 系列[18-19]網(wǎng)絡(luò)的第4 個(gè)版本。相較于前兩次迭代對(duì)樣本劃分策略和網(wǎng)絡(luò)結(jié)構(gòu)等瓶頸的突破,YOLOv4 并沒有進(jìn)一步提升,而是綜合了跨階段部分連接(Cross Stage Partial-connections,CSP)、路徑聚合網(wǎng)絡(luò)(Path Aggregation Network,PANet)[20]、Mish 激活函數(shù)[21]、馬賽克增強(qiáng)等近年來深度神經(jīng)網(wǎng)絡(luò)研究中優(yōu)秀的子網(wǎng)絡(luò)、數(shù)據(jù)增強(qiáng)和訓(xùn)練技巧,形成了“CSPDarkNet+FPAN-SPP+YOLOHead”的結(jié)構(gòu)。YOLOv4 相較于前一個(gè)版本極大增強(qiáng)了模型的特征提取、特征融合和特征學(xué)習(xí)能力,成為現(xiàn)階段在精確度和速度表現(xiàn)上均十分優(yōu)異的一階段目標(biāo)檢測網(wǎng)絡(luò)。

    1.2 MobileNetv3 網(wǎng)絡(luò)

    有研究指出,數(shù)據(jù)在流經(jīng)神經(jīng)網(wǎng)絡(luò)時(shí)最耗時(shí)的結(jié)構(gòu)是卷積層。文獻(xiàn)[22]提出一種適應(yīng)移動(dòng)設(shè)備的輕量級(jí)網(wǎng)絡(luò)MobileNetv1,設(shè)計(jì)深度可分離卷積(Depthwise Separable Convolution,DW),通過使用DW 卷積替換傳統(tǒng)卷積,達(dá)到降低模型參數(shù)復(fù)雜度和運(yùn)算量的目的,具體的量化公式如式(1)所示:

    其中:Fdw和Fconv分別表示可分離卷積與傳統(tǒng)卷積的浮點(diǎn)運(yùn)算數(shù);Cout和Ksize分別表示輸出特征的通道數(shù)和卷積核的尺寸。

    MobileNetv1 其后的兩次迭代分別融入了倒殘差結(jié)構(gòu)和基于通道域注意力(Squeeze and Excitation,SE)機(jī)制的SENet,形成MobileNetv3 模型。

    1.3 語義分割

    語義分割任務(wù)利用語義標(biāo)簽對(duì)全圖像素進(jìn)行逐一分類,從而得到關(guān)于語義信息的分割圖像。FCN[23]網(wǎng)絡(luò)的出現(xiàn)使語義分割有了里程碑式的突破,它摒棄了基于滑窗的方法,轉(zhuǎn)而使用一個(gè)全卷積的網(wǎng)絡(luò),確立了編碼-解碼的模型架構(gòu),克服了區(qū)域標(biāo)注方法的低精確度和低效率缺點(diǎn)。Mask R-CNN[24]以經(jīng)典的目標(biāo)檢測網(wǎng)絡(luò)Faster R-CNN 為基礎(chǔ),并額外增加一個(gè)檢測頭作為語義分割的輸出。通過與分類、回歸分支共享深層特征,完成模塊化地修改網(wǎng)絡(luò),從而將目標(biāo)檢測算法擴(kuò)展到語義分割任務(wù)中。Mask R-CNN 在MS COCO[25]公共數(shù)據(jù)集上的優(yōu)良性能表明在一個(gè)網(wǎng)絡(luò)中,不同任務(wù)可以通過共享深層特征的方式,利用不同的訓(xùn)練標(biāo)簽和損失函數(shù),完成聯(lián)合學(xué)習(xí)的任務(wù)。

    1.4 實(shí)時(shí)檢測與輕量化的趨勢

    隨著目標(biāo)檢測需求的增多,其應(yīng)用場景和部署平臺(tái)也越來越多樣。嵌入式設(shè)備和移動(dòng)終端要求模型更小巧,自動(dòng)駕駛、視頻檢測等應(yīng)用要求模型擁有更好的實(shí)時(shí)性。SSD、YOLO 系列等成熟且應(yīng)用廣泛的網(wǎng)絡(luò)日漸不能應(yīng)對(duì)這些狀況。近年來,為適應(yīng)這些新特性,已出現(xiàn)諸多傳統(tǒng)算法的改進(jìn)版本,比如YOLOv4-tiny[26]和MobileNet-SSD[27]采用簡化特征提取網(wǎng)絡(luò)壓縮模型,從而提高實(shí)時(shí)性。

    2 YOLOv4 網(wǎng)絡(luò)改進(jìn)

    2.1 網(wǎng)絡(luò)整體結(jié)構(gòu)

    YOLOv4-SLite 網(wǎng)絡(luò)的整體框架:以改進(jìn)的MobileNetv3-Lite 作為基礎(chǔ)語義特征提取網(wǎng)絡(luò),以FPN 加PAN 的組合來實(shí)現(xiàn)雙重特征融合,最后以SSB 弱語義分割模塊作為檢測頭的動(dòng)態(tài)增強(qiáng)附件。網(wǎng)絡(luò)輸入尺寸為512×512,經(jīng)過32 倍、16 倍和8 倍的下采樣倍率得到3 種不同尺寸的特征,在網(wǎng)絡(luò)neck部分進(jìn)行2 次上采樣實(shí)現(xiàn)淺層特征和深層語義特征的融合,3 個(gè)檢測頭的輸出分別為64×64×141、32×32×141、16×16×141,分別對(duì)應(yīng)小型目標(biāo)、中型目標(biāo)和大型目標(biāo)的檢測。輸出中第3 個(gè)維度的構(gòu)成如下:每個(gè)網(wǎng)格預(yù)測3 個(gè)錨框(anchor),每個(gè)anchor 包含42 個(gè)類別值、4 個(gè)坐標(biāo)相關(guān)值以及1 個(gè)置信度值(x,y,w,h,conf,Ccls)。當(dāng)使用R_DP 模塊時(shí),基礎(chǔ)結(jié)構(gòu)中包含殘差結(jié)構(gòu)。當(dāng)使用DP 模塊時(shí),基礎(chǔ)結(jié)構(gòu)中沒有殘差結(jié)構(gòu),用虛線加以區(qū)分。YOLOv4-SLite 網(wǎng)絡(luò)的結(jié)構(gòu)如圖1 所示。

    圖1 YOLOv4-SLite 網(wǎng)絡(luò)整體結(jié)構(gòu)Fig.1 Overall structure YOLOv4-SLite network

    2.2 改進(jìn)的特征提取網(wǎng)絡(luò)MobileNetv3-Lite

    MobileNetv3-Large 作為一款優(yōu)秀的輕量化網(wǎng)絡(luò),在ImageNet 分類、MS COCO 檢測等基準(zhǔn)任務(wù)上表現(xiàn)良好。但本文所用交通標(biāo)志數(shù)據(jù)集中圖片具有高分辨率和目標(biāo)區(qū)域小的獨(dú)特性,針對(duì)這2 個(gè)特點(diǎn),本文對(duì)MobileNetv3-Large 進(jìn)行了相應(yīng)改進(jìn)。

    為解決圖片裁剪操作拖慢模型檢測速度的問題,本文對(duì)MobileNetv3-Large 進(jìn)行優(yōu)化。具體做法:保留原模型的前14 層,舍棄其余結(jié)構(gòu);為避免引入更多卷積來對(duì)齊特征融合的輸入通道數(shù),將第8 層的輸出通道數(shù)由80 更改為40,最后一層的通道數(shù)由160 更改為112。為抑制特征通道的減少對(duì)模型學(xué)習(xí)能力的劇烈影響,且不過多增加浮點(diǎn)運(yùn)算數(shù),對(duì)MobileNetv3 中的重要模塊SENet 進(jìn)行改進(jìn)增強(qiáng),從而得到MobileNetv3-Lite 網(wǎng)絡(luò),其結(jié)構(gòu)如表1 所示。其中“√”表示使用SE 注意力模塊,“—”表示不使用SE 注意力模塊。

    表1 MobileNetv3-Lite 網(wǎng)絡(luò)結(jié)構(gòu)Table 1 Structure of MobileNetv3-Lite network

    原始的SENet 模塊通過將輸入特征在空間維度上進(jìn)行壓縮,使原本的特征通道轉(zhuǎn)變成一個(gè)能表征全局感受野的一維向量,計(jì)算原理如式(2)所示:

    其中:f(i,j)代表特征圖上每個(gè)像素點(diǎn)的值;H1、W1分別代表特征圖的長與寬;Zc為網(wǎng)絡(luò)輸出,代表該通道重要性的實(shí)數(shù)。

    但SENet 模塊使用全局平均池化(Global Average Pooling,GAP)作為壓縮機(jī)制,對(duì)于目標(biāo)占比均衡的任務(wù),通道特征的平均值能夠較好地代表該通道的響應(yīng)情況,因此通過該方法獲取全局的上下文關(guān)系。正如上文提到,本文的實(shí)驗(yàn)數(shù)據(jù)集具有目標(biāo)區(qū)域占比小的特點(diǎn),此時(shí)輸入圖片在經(jīng)過卷積進(jìn)行特性提取后,在特征圖上只能占據(jù)很小的激活區(qū)域。因此,在空間維度進(jìn)行特征平均池化會(huì)致使背景和干擾信息淹沒前景,導(dǎo)致網(wǎng)絡(luò)對(duì)前景目標(biāo)的響應(yīng)失真。這是因?yàn)槟繕?biāo)小,一般作為紋理提取的全局最大池化(Global Max Pooling,GMP)會(huì)篩選出信號(hào)最強(qiáng)的區(qū)域,能夠更好地反映該通道對(duì)前景目標(biāo)的響應(yīng)情況,計(jì)算原理如式(3)所示:

    基于此,本文重新設(shè)計(jì)了SENet的壓縮機(jī)制,使用2 個(gè)實(shí)數(shù)表征全局感受野,得到EN-SENet 模塊。具體實(shí)現(xiàn):分別使用GAP 和GMP 對(duì)每個(gè)通道的特征進(jìn)行壓縮,并將池化結(jié)果在通道方向上進(jìn)行拼接,得到維度為1×1×2C的向量,然后將該向量送入全連接網(wǎng)絡(luò),得到通道注意力權(quán)重Ac。計(jì)算原理如式(4)所示:

    得到融合通道注意力的特征圖F的具體流程如圖2 所示。

    圖2 改進(jìn)的通道注意力模塊EN-SENetFig.2 Improved channel attention module EN-SENet

    2.3 基于弱語義分割的空間注意力機(jī)制

    2.3.1 弱語義分割網(wǎng)絡(luò)

    對(duì)神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行研究發(fā)現(xiàn),特征圖的激活區(qū)域與原圖中的檢測區(qū)域存在映射重疊,這說明神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)流動(dòng)過程中會(huì)逐漸收斂關(guān)注范圍,將視閾聚焦在真實(shí)的檢測區(qū)域。然而在本文的檢測任務(wù)中,目標(biāo)物體占圖像的像素面積較小,而且圖像多余部分不是純粹的背景。這些噪聲使深層特征表征的檢測物體空間映射發(fā)生畸變,若將學(xué)習(xí)到的特征直接輸入檢測頭會(huì)嚴(yán)重影響網(wǎng)絡(luò)對(duì)目標(biāo)的識(shí)別與檢測效果。文獻(xiàn)[28]提出一種解決辦法:采取無監(jiān)督的方式,通過堆疊如圖3 所示的殘差注意力模塊,增強(qiáng)特征圖中的有效部分。但該方法的缺點(diǎn)也很明顯,即整體的運(yùn)算時(shí)間會(huì)增加。

    圖3 無監(jiān)督注意力掩碼模塊Fig.3 Unsupervised attention mask module

    本文旨在設(shè)計(jì)一種輕量化的檢測網(wǎng)路,若沿用這種基礎(chǔ)模塊層層堆疊的方式,明顯與主旨相悖。受文獻(xiàn)[13]和文獻(xiàn)[28]的啟發(fā),本文設(shè)計(jì)了一種弱語義分割模塊,并把它作為一種動(dòng)態(tài)增強(qiáng)附件而非構(gòu)建網(wǎng)絡(luò)基礎(chǔ)模塊,僅在YOLOv4-SLite 網(wǎng)絡(luò)的檢測頭之前使用一次,將該模塊的輸出作為模型學(xué)習(xí)到的空間權(quán)重分布來矯正特征,從而提升模型的檢測能力。

    基于弱語義分割的空間注意力的算法流程如圖4所示。將輸入圖像經(jīng)MobileNetv3-Lite 和特征融合子模塊后的輸出作為弱語義分割模塊的輸入特征圖,并將輸入特征圖傳入語義分割模塊進(jìn)行前景和背景的預(yù)測,從而得到空間注意力權(quán)重。接著,把注意力權(quán)重分配給對(duì)應(yīng)的輸入特征圖以加強(qiáng)目標(biāo)特征。

    圖4 語義分割算法流程Fig.4 Procedure of semantic segmentation algorithm

    2.3.2 語義分割模塊

    語義分割模塊作為一種典型的編碼-解碼模型,編碼部分一般使用卷積或者池化用于縮小特征圖尺寸,解碼部分采用雙線性插值的方法逐級(jí)恢復(fù)特征圖。本文設(shè)計(jì)了基礎(chǔ)語義分割模塊SSA 和效果增強(qiáng)的語義分割模塊SSB,分別如圖5 和圖6所示。

    圖5 語義分割模塊SSAFig.5 Semantic segmentation module SSA

    圖6 語義分割模塊SSBFig.6 Semantic segmentation module SSB

    SSA 模塊參照文獻(xiàn)[24]的設(shè)計(jì)思想,使用語義分割任務(wù)中最簡單的框架,僅使用2 個(gè)步距為2 的卷積作為編碼器,2 個(gè)步距為2 的轉(zhuǎn)置卷積作為解碼器,以此來驗(yàn)證語義分割是否有效。為擴(kuò)大模塊感受野的同時(shí)結(jié)合多尺度的上下文,將經(jīng)典語義分割模型DeepLabv3 中的空洞空間卷積池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)[29]改進(jìn)后引入SSA 模塊,最終擴(kuò)充形成SSB 模塊。

    ASPP 模塊采用多分支并聯(lián)的形式,通過膨脹率不同的空洞卷積(Dilated Convolution,DC)獲取更大的感受野,再對(duì)各分支的特征進(jìn)行融合,從而獲得精確的上下文信息。本文在ASPP 模塊的基礎(chǔ)上進(jìn)行改進(jìn):為降低模塊的運(yùn)算量,對(duì)每個(gè)分支使用1×1 的標(biāo)準(zhǔn)卷積進(jìn)行降維;將DC 層的膨脹率分別降低為1、3、5;對(duì)膨脹率為3 和5 的分支添加3×3 的標(biāo)準(zhǔn)卷積來獲取基礎(chǔ)特征;對(duì)4 分支的特征進(jìn)行拼接,最后經(jīng)過1×1 的標(biāo)準(zhǔn)卷積進(jìn)行特征融合和通道降維。

    2.3.3 監(jiān)督信息和注意力權(quán)重的生成

    由于本次任務(wù)提供的數(shù)據(jù)集缺少語義標(biāo)簽,因此本文只能利用標(biāo)注信息來生成語義掩膜,為區(qū)別于傳統(tǒng)方法,將之稱為弱語義掩膜[30]。具體做法:輸入原始圖片,若語義分割模塊輸出矩陣上的像素點(diǎn)落入坐標(biāo)框內(nèi),則將該點(diǎn)處的像素?cái)?shù)值置1,反之則置0。為避免模糊性,將落在標(biāo)注框上點(diǎn)的像素?cái)?shù)值設(shè)置為255,并在訓(xùn)練時(shí)忽略掉。然后將該像素?cái)?shù)值圖映射至與YOLOv4-SLite 網(wǎng)絡(luò)檢測頭匹配的尺寸,本文沒有使用如PASCAL VOC 數(shù)據(jù)集中用過的調(diào)色板模式,而是簡單選擇二值作為區(qū)分,得到最終的弱語義掩碼。弱語義掩碼生成流程如圖7 所示。使用弱語義掩碼進(jìn)行監(jiān)督訓(xùn)練,模塊SSA 或SSB 的輸出Mx即為空間注意力權(quán)重。為了防止網(wǎng)絡(luò)性能的退化,引入殘差結(jié)構(gòu)作為恒等映射,即:

    圖7 弱語義掩碼生成流程Fig.7 Generation process of weak semantic mask

    由于本文只需要語義分割模塊進(jìn)行前景和背景的預(yù)測,實(shí)際上是個(gè)二分類任務(wù),因此只需要計(jì)算分割結(jié)果Mx和弱語義掩膜M*的交叉熵?fù)p失,如式(6)所示:

    其中:h與w分別為弱語義掩膜的長度和寬度;Mij為特征圖上坐標(biāo)為(i,j)的點(diǎn)的像素值;為掩碼上對(duì)應(yīng)坐標(biāo)的像素值。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 數(shù)據(jù)分析與預(yù)處理

    本文采用清華大學(xué)與騰訊公司聯(lián)合制作的TT100K[12]數(shù)據(jù)集,數(shù)據(jù)來源于車載攝像頭的街景實(shí)拍,具有場景真實(shí)、類型多樣的特點(diǎn)。該數(shù)據(jù)集包含訓(xùn)練集圖片6 107 張,驗(yàn)證集圖片3 073 張,涵蓋了不同光照強(qiáng)度和氣候條件下的樣本[13],數(shù)據(jù)集中的圖像分辨率為2 048×2 048 像素,其中尺寸小于32×32的檢測對(duì)象占總目標(biāo)個(gè)數(shù)的40.5%,造成了小目標(biāo)檢測的難題。此外,高分辨率圖像包含了更多的背景信息,網(wǎng)絡(luò)更易出現(xiàn)誤檢情況。本文通過統(tǒng)計(jì)數(shù)據(jù)集中221 個(gè)類別的分布情況,發(fā)現(xiàn)樣本分布存在嚴(yán)重的長尾效應(yīng),如圖8 所示。綜上所述,相比于其他公開的交通標(biāo)志數(shù)據(jù)集,TT100K 數(shù)據(jù)集的挑戰(zhàn)難度更大。為抑制長尾效應(yīng)對(duì)模型的影響,本文對(duì)數(shù)據(jù)集進(jìn)行重構(gòu)。具體做法:對(duì)于數(shù)量少于50 的類別,直接剔除它們的標(biāo)注信息;對(duì)于數(shù)量大于50 但小于100 的類別,則使用隨機(jī)高斯噪聲、水平翻轉(zhuǎn)、馬賽克增強(qiáng)等手段將其樣本數(shù)擴(kuò)充至100。最后的數(shù)據(jù)集包括42 個(gè)類別,數(shù)據(jù)分布如圖9 所示。

    圖8 TT100K 數(shù)據(jù)集原始樣本分布Fig.8 Original sample distribution of TT100K data set

    圖9 抑制長尾效應(yīng)后的樣本分布Fig.9 Sample distribution after suppressing the long tail effect

    3.2 訓(xùn)練策略

    經(jīng)過3.1 節(jié)的處理,數(shù)據(jù)分布不均的問題得到解決,但重構(gòu)數(shù)據(jù)集的圖像分辨率依舊為2 048×2 048,若直接送入模型進(jìn)行訓(xùn)練,模型會(huì)因顯存爆炸而無法訓(xùn)練。若設(shè)置過小的批量(batch size)勉強(qiáng)訓(xùn)練,不但會(huì)增加訓(xùn)練時(shí)間,而且由于相鄰batch size 差異過大,容易導(dǎo)致模型震蕩不能收斂。

    為解決這個(gè)問題,本文參考文獻(xiàn)[31]處理高分辨率圖片的方法。使用大小為512×512 的滑窗,將重疊率(overlap rate)設(shè)置為0.2,對(duì)訓(xùn)練集進(jìn)行裁剪,隨機(jī)地對(duì)圖像進(jìn)行HSV 空間顏色變換。濾除不含目標(biāo)和包含不完整目標(biāo)的樣本之后,共得到15 702 張訓(xùn)練圖片。通過對(duì)高分辨率圖片進(jìn)行裁剪,不但解決了上述提到的問題,而且增加了樣本的多樣性。

    由于增加了語義分割模塊進(jìn)行聯(lián)合訓(xùn)練,YOLOv4-SLite 網(wǎng)絡(luò)除了回歸損失、置信度損失和分類損失之外,還需要額外加上分割損失,總損失的表達(dá)式如式(7)所示:

    其中:λ1、λ2、λ3、λ4分別為各項(xiàng)損失設(shè)置的權(quán)重系數(shù)。

    實(shí)驗(yàn)以預(yù)處理后的數(shù)據(jù)集為輸入,以深度學(xué)習(xí)框架Pytorch、Intel Core i7 和NVIDA GTX1080Ti 搭建運(yùn)行環(huán)境。使用SGD 優(yōu)化器,并使用自定義調(diào)度器動(dòng)態(tài)調(diào)整學(xué)習(xí)率,初始化學(xué)習(xí)率為0.01,動(dòng)量為0.937,權(quán)重衰減為5×10-4,batch size 設(shè)置為48,總共訓(xùn)練300 個(gè)epoch。

    3.3 評(píng)價(jià)指標(biāo)

    本文使用平均精確度(MeanAveragePrecision,mAP)、召回率、精確度、浮點(diǎn)運(yùn)算數(shù)共4 項(xiàng)指標(biāo)來評(píng)價(jià)模型性能,其中精確度與召回率為主要評(píng)價(jià)指標(biāo)。但是單一地使用精確度或者召回率指標(biāo)都不能準(zhǔn)確反映模型的性能,為全面評(píng)價(jià)模型,本文使用主流檢測方法,將P-R 曲線作為核心指標(biāo)來驗(yàn)證模型的檢測效果。通過計(jì)算閾值為0.5 時(shí)的平均精確度(mAP@0.5),即各個(gè)類別AP 的平均值,從而定量比較模型的性能。mAP 的計(jì)算公式如式(8)所示:

    其中:N為該數(shù)據(jù)集的樣本類別數(shù)量;Pn為該樣本類別的AP 值。

    3.4 消融實(shí)驗(yàn)

    3.4.1 改進(jìn)有效性分析

    為驗(yàn)證EN-SENet 結(jié)構(gòu)的有效性,將對(duì)照組壓縮機(jī)制設(shè)置為SENet,而其他結(jié)構(gòu)與改進(jìn)組保持一致。檢驗(yàn)?zāi)P皖A(yù)測是否正確的條件設(shè)置如下:預(yù)測框與真實(shí)框(Ground Truth,GT)的IOU 閾值為0.5,類別置信度閾值為0.6。實(shí)驗(yàn)結(jié)果表明,使用GMP 加GAP的拼接組合能顯著增強(qiáng)特征提取能力,而浮點(diǎn)運(yùn)算數(shù)僅增加了0.4×109frame/s,具體數(shù)據(jù)見表2。

    表2 不同特征壓縮方法的結(jié)果對(duì)比Table 2 Comparison of results of different feature compression methods

    此外,針對(duì)本文提出的壓縮機(jī)制和兩種分割模塊,本文進(jìn)行了相關(guān)消融實(shí)驗(yàn)。分別將MobileNetv3-Lite和語義分割模塊SSA 和SSB 添加到Y(jié)OLOv4 網(wǎng)絡(luò)中,保持訓(xùn)練和測試方法一致,結(jié)果如表3 所示,其中“√”表示使用了相應(yīng)的模塊,“—”則表示不使用對(duì)應(yīng)的模塊。

    表3 模塊消融實(shí)驗(yàn)Table 3 Module ablation experiment

    通過分析表3 數(shù)據(jù)可知,分割模塊能夠?qū)z測結(jié)果起正面作用,且僅使用基礎(chǔ)分割模塊SSA 就能顯著提升模型性能。在綜合考量性能提升和計(jì)算負(fù)擔(dān)的因素下,增強(qiáng)模塊SSB 的表現(xiàn)更優(yōu)。

    3.4.2 預(yù)測結(jié)果分析

    通過模塊消融實(shí)驗(yàn)確定模型使用的模塊后,將驗(yàn)證集輸入模型,并統(tǒng)計(jì)模型預(yù)測,結(jié)果如表4 所示,可以發(fā)現(xiàn):數(shù)據(jù)集中所有類別(42 個(gè))的預(yù)測精確度與YOLOv4 基本持平。對(duì)復(fù)雜背景和極小物體的檢測情況進(jìn)行分析,也可以達(dá)到預(yù)期,預(yù)測結(jié)果如圖10、圖11 所示。

    表4 YOLOv4-SLite 與YOLOv4 網(wǎng)絡(luò)在不同預(yù)測類上的預(yù)測精確度對(duì)比Table 4 Comparison of prediction accuracy between YOLOv4-SLite and YOLOv4 on different prediction classes

    圖10 復(fù)雜背景下的預(yù)測結(jié)果Fig.10 Forecast results in a complex context

    圖11 對(duì)小目標(biāo)的預(yù)測結(jié)果Fig.11 Predicted results of small targets

    3.5 與其他網(wǎng)絡(luò)的性能對(duì)比

    本文選取RetinaNet50[11]、YOLOv4[15]、YOLOv3[20]、YOLOv4-tiny[26]、Cascade R-CNN[32]、ATSS[33]、PAA[34]共7 種網(wǎng)絡(luò)進(jìn)行性能對(duì)比,囊括了近幾年涌現(xiàn)的經(jīng)典框架和最新的改進(jìn)。RetinaNet50 通過緩解正負(fù)樣本不均衡的問題,極大提升了模型性能,成為后續(xù)一階段算法沿用的設(shè)計(jì)模式;ATSS 則沿用RetinaNet 框架的例子,證明了影響模型性能的關(guān)鍵因素是正負(fù)樣本的選擇策略,而與回歸的方式、anchor 的數(shù)量無關(guān);PAA 進(jìn)一步消除了ATSS 中的超參數(shù),采用概率的方式分配正負(fù)樣本,進(jìn)一步提升了模型的性能;Cascade R-CNN 通過為多檢測頭設(shè)置不同的IOU 改善了性能,是兩階段算法的代表。

    將上述模型的P-R 曲線繪制在同一坐標(biāo)軸下,如圖12 所示,可以清晰看到代表YOLOv4-SLite(本文網(wǎng)絡(luò))的曲線包裹了其網(wǎng)絡(luò)法曲線,并幾乎與YOLOv4 曲線重合,直觀上斷定本文網(wǎng)絡(luò)勝過最新的主流網(wǎng)絡(luò),與YOLOv4 效果相當(dāng)。

    圖12 YOLOv4-SLite 與其他主流網(wǎng)絡(luò)的P-R 曲線對(duì)比Fig.12 Comparison of P-R curve between YOLOv4-SLite and other mainstream networks

    為更全面、綜合地比較本文網(wǎng)絡(luò)的優(yōu)勢,在精確度的基礎(chǔ)上,加入模型大小和檢測速度兩項(xiàng)指標(biāo)對(duì)這7 種網(wǎng)絡(luò)進(jìn)行對(duì)比,結(jié)果如表5 所示,可以看到,YOLOv4-SLite 在精確度和速度綜合考慮的情況下明顯優(yōu)于其他網(wǎng)絡(luò)。此外,相較于YOLOv4 網(wǎng)絡(luò),YOLOv4-SLite網(wǎng)絡(luò)在mAP@0.5 僅損失0.2%的情況下,模型大小降低了96.5%,浮點(diǎn)運(yùn)算數(shù)提升了227%。

    表5 YOLOv4-SLite 與其他主流網(wǎng)絡(luò)的綜合比較Table 5 Comprehensive comparison between YOLOv4-SLite and other mainstream networks

    4 結(jié)束語

    針對(duì)現(xiàn)有交通標(biāo)志識(shí)別網(wǎng)絡(luò)在處理高分辨率輸入時(shí)存在檢測速度慢、識(shí)別精確度偏低等不足,本文設(shè)計(jì)一種基于YOLOv4 的輕量化改進(jìn)網(wǎng)絡(luò)YOLOv4-SLite。為應(yīng)對(duì)輕量化可能導(dǎo)致的性能下降問題,額外為檢測頭設(shè)計(jì)一種基于弱語義分割的動(dòng)態(tài)增強(qiáng)附件,且不過多增加模型的浮點(diǎn)運(yùn)算數(shù)。實(shí)驗(yàn)結(jié)果表明,YOLOv4-SLite 相較于YOLOv4 基準(zhǔn)網(wǎng)絡(luò),在mAP@0.5 僅損失0.2%的情況下,模型大小降低了96.5%,浮點(diǎn)運(yùn)算數(shù)提升了227%,在綜合性能上具有較大優(yōu)勢。但本文仍存在裁剪環(huán)節(jié)為算法瓶頸以及沒有解決YOLO 系列網(wǎng)絡(luò)檢測頭耦合的問題,而解決這些問題能夠提升YOLO 系列網(wǎng)絡(luò)的準(zhǔn)確度[35]。下一步將尋求合適的裁剪方式破除瓶頸,并將分類與回歸任務(wù)進(jìn)行解耦,以提升模型的性能。

    猜你喜歡
    精確度語義卷積
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    研究核心素養(yǎng)呈現(xiàn)特征提高復(fù)習(xí)教學(xué)精確度
    語言與語義
    “硬核”定位系統(tǒng)入駐兗礦集團(tuán),精確度以厘米計(jì)算
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    “上”與“下”語義的不對(duì)稱性及其認(rèn)知闡釋
    認(rèn)知范疇模糊與語義模糊
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    語義分析與漢俄副名組合
    国产精品久久久久久久久免 | 悠悠久久av| 身体一侧抽搐| 国产三级在线视频| 亚洲精品色激情综合| 中文字幕人成人乱码亚洲影| 午夜福利成人在线免费观看| 国产av一区在线观看免费| 在线播放国产精品三级| 在线播放国产精品三级| 欧美中文综合在线视频| 观看免费一级毛片| 18+在线观看网站| 日日摸夜夜添夜夜添小说| 久久久久久久亚洲中文字幕 | 最近最新免费中文字幕在线| 精品欧美国产一区二区三| 两人在一起打扑克的视频| 亚洲国产色片| 嫩草影院入口| 变态另类丝袜制服| 男女下面进入的视频免费午夜| 国产一区二区在线观看日韩 | 亚洲成人久久爱视频| 18禁黄网站禁片午夜丰满| 精品一区二区三区av网在线观看| 欧美三级亚洲精品| 亚洲欧美日韩无卡精品| 亚洲激情在线av| av在线天堂中文字幕| 性色av乱码一区二区三区2| 99热6这里只有精品| 人妻丰满熟妇av一区二区三区| 九九在线视频观看精品| 亚洲国产欧洲综合997久久,| av女优亚洲男人天堂| 亚洲在线自拍视频| 一区二区三区激情视频| www.999成人在线观看| 禁无遮挡网站| 脱女人内裤的视频| 日韩精品青青久久久久久| 女生性感内裤真人,穿戴方法视频| 午夜精品在线福利| 国产色婷婷99| 久久久久久九九精品二区国产| 长腿黑丝高跟| 老司机午夜十八禁免费视频| 伊人久久精品亚洲午夜| 草草在线视频免费看| 免费搜索国产男女视频| xxx96com| 国产乱人视频| 午夜亚洲福利在线播放| 亚洲国产精品久久男人天堂| 国产99白浆流出| 黄片小视频在线播放| 最后的刺客免费高清国语| 日韩欧美国产在线观看| 国产高清视频在线播放一区| 黄色视频,在线免费观看| 三级毛片av免费| 看片在线看免费视频| 日韩人妻高清精品专区| 18禁在线播放成人免费| 亚洲久久久久久中文字幕| 99久久九九国产精品国产免费| 欧美在线黄色| www.www免费av| 天堂影院成人在线观看| 熟女电影av网| 免费高清视频大片| 中文字幕精品亚洲无线码一区| 成人精品一区二区免费| 欧美av亚洲av综合av国产av| 亚洲七黄色美女视频| 中出人妻视频一区二区| 色老头精品视频在线观看| 日韩欧美一区二区三区在线观看| 91在线精品国自产拍蜜月 | 国产精品久久久久久精品电影| 我要搜黄色片| 波多野结衣高清作品| 看免费av毛片| 欧美最黄视频在线播放免费| 一本综合久久免费| 中文字幕人成人乱码亚洲影| 一本久久中文字幕| 亚洲中文日韩欧美视频| 91av网一区二区| 最近最新中文字幕大全免费视频| 一本精品99久久精品77| 国产精品综合久久久久久久免费| 综合色av麻豆| 色综合欧美亚洲国产小说| 手机成人av网站| 黄色女人牲交| 午夜精品在线福利| 好看av亚洲va欧美ⅴa在| 色在线成人网| 欧美成人一区二区免费高清观看| 国产色爽女视频免费观看| 国产免费一级a男人的天堂| 长腿黑丝高跟| 久久久国产成人精品二区| 免费看光身美女| 一a级毛片在线观看| 天天躁日日操中文字幕| 国产高清三级在线| 久久久久亚洲av毛片大全| 18禁在线播放成人免费| 精品久久久久久久久久久久久| 精品国产超薄肉色丝袜足j| 床上黄色一级片| 少妇人妻精品综合一区二区 | 真实男女啪啪啪动态图| 我的老师免费观看完整版| avwww免费| 国产成人福利小说| 国产精品日韩av在线免费观看| 无遮挡黄片免费观看| 一a级毛片在线观看| 精品国产美女av久久久久小说| 色吧在线观看| 日本免费a在线| 别揉我奶头~嗯~啊~动态视频| 狂野欧美白嫩少妇大欣赏| 法律面前人人平等表现在哪些方面| 国产精品久久电影中文字幕| 国产亚洲精品久久久久久毛片| 亚洲在线自拍视频| 午夜影院日韩av| 亚洲欧美一区二区三区黑人| 精品一区二区三区av网在线观看| 国产三级在线视频| 日本一二三区视频观看| 99久久99久久久精品蜜桃| 少妇人妻一区二区三区视频| 欧美成人a在线观看| 黑人欧美特级aaaaaa片| 在线观看av片永久免费下载| 69av精品久久久久久| 国产高清videossex| 一区二区三区激情视频| 亚洲av一区综合| 久久伊人香网站| 成人特级黄色片久久久久久久| 床上黄色一级片| 美女高潮的动态| 亚洲色图av天堂| 国产私拍福利视频在线观看| 日本撒尿小便嘘嘘汇集6| 亚洲最大成人中文| 99热只有精品国产| 首页视频小说图片口味搜索| 精品国产亚洲在线| 午夜亚洲福利在线播放| 欧美一级a爱片免费观看看| 婷婷精品国产亚洲av在线| 少妇裸体淫交视频免费看高清| 蜜桃久久精品国产亚洲av| 在线天堂最新版资源| 国产一区二区激情短视频| 欧美黄色淫秽网站| 亚洲国产高清在线一区二区三| 亚洲国产欧美人成| 日本在线视频免费播放| 91字幕亚洲| 岛国在线免费视频观看| 免费人成在线观看视频色| av中文乱码字幕在线| 国产精品 国内视频| 啦啦啦观看免费观看视频高清| 亚洲精品一区av在线观看| 亚洲黑人精品在线| 中文字幕av在线有码专区| 18禁黄网站禁片免费观看直播| 亚洲精品久久国产高清桃花| 欧美高清成人免费视频www| 在线观看一区二区三区| x7x7x7水蜜桃| 亚洲国产高清在线一区二区三| 亚洲无线在线观看| 中文在线观看免费www的网站| ponron亚洲| 精品免费久久久久久久清纯| 国产精品电影一区二区三区| 国产精品久久久人人做人人爽| 成人av在线播放网站| 一本综合久久免费| 哪里可以看免费的av片| 国产久久久一区二区三区| 午夜福利欧美成人| 成人av在线播放网站| 日本熟妇午夜| 久久久久久久午夜电影| 99久久成人亚洲精品观看| 熟妇人妻久久中文字幕3abv| 人人妻人人澡欧美一区二区| 精品乱码久久久久久99久播| 51午夜福利影视在线观看| 亚洲人成伊人成综合网2020| av福利片在线观看| 免费大片18禁| 日日摸夜夜添夜夜添小说| 色噜噜av男人的天堂激情| 最近在线观看免费完整版| 搞女人的毛片| 久久久久久久午夜电影| 日本一本二区三区精品| 久久亚洲精品不卡| 欧美色欧美亚洲另类二区| 在线观看免费视频日本深夜| 18禁美女被吸乳视频| 99热这里只有是精品50| 男人舔女人下体高潮全视频| 桃色一区二区三区在线观看| 成人av一区二区三区在线看| 日本 欧美在线| 一区二区三区国产精品乱码| 欧美黄色片欧美黄色片| 亚洲av不卡在线观看| 1000部很黄的大片| 日韩欧美精品免费久久 | 国语自产精品视频在线第100页| 国产一区二区激情短视频| 精品日产1卡2卡| 欧美区成人在线视频| 婷婷六月久久综合丁香| 无人区码免费观看不卡| 色哟哟哟哟哟哟| 18禁美女被吸乳视频| 啦啦啦韩国在线观看视频| 国产真人三级小视频在线观看| 亚洲国产色片| 亚洲 欧美 日韩 在线 免费| 天天躁日日操中文字幕| 伊人久久精品亚洲午夜| 乱人视频在线观看| 欧美最黄视频在线播放免费| 丰满人妻一区二区三区视频av | ponron亚洲| 亚洲精品影视一区二区三区av| 日韩欧美在线乱码| 免费高清视频大片| 久久国产精品人妻蜜桃| 国产高清激情床上av| 国产麻豆成人av免费视频| 婷婷精品国产亚洲av| 嫩草影院精品99| 欧美大码av| 亚洲精品日韩av片在线观看 | 麻豆成人av在线观看| 欧美性猛交╳xxx乱大交人| 国产在线精品亚洲第一网站| 99久久精品热视频| 人妻久久中文字幕网| 又粗又爽又猛毛片免费看| a在线观看视频网站| 一本综合久久免费| 一个人免费在线观看的高清视频| 国产激情欧美一区二区| 一进一出好大好爽视频| 熟女少妇亚洲综合色aaa.| 欧美+亚洲+日韩+国产| 桃红色精品国产亚洲av| 婷婷精品国产亚洲av| 免费看美女性在线毛片视频| 中文字幕久久专区| 久久精品国产亚洲av香蕉五月| xxxwww97欧美| 亚洲精品亚洲一区二区| a在线观看视频网站| 中文字幕av在线有码专区| 老熟妇仑乱视频hdxx| 中文字幕av在线有码专区| 男人舔奶头视频| 国产精品久久久久久人妻精品电影| 国产精品一区二区免费欧美| 国产精品1区2区在线观看.| 岛国视频午夜一区免费看| 在线免费观看不下载黄p国产 | 最近最新中文字幕大全免费视频| 中文在线观看免费www的网站| 久久精品91蜜桃| a级毛片a级免费在线| 精品99又大又爽又粗少妇毛片 | 99久久99久久久精品蜜桃| 久久精品国产自在天天线| 欧美性猛交╳xxx乱大交人| 精品熟女少妇八av免费久了| 婷婷丁香在线五月| 精品国内亚洲2022精品成人| 九九在线视频观看精品| 精品电影一区二区在线| 长腿黑丝高跟| 哪里可以看免费的av片| 久久中文看片网| 狠狠狠狠99中文字幕| 亚洲人与动物交配视频| 国产成人av激情在线播放| 国产精品久久久久久久电影 | 亚洲欧美激情综合另类| 精品国内亚洲2022精品成人| 99视频精品全部免费 在线| 精品国产三级普通话版| 99久久无色码亚洲精品果冻| 亚洲激情在线av| 欧美xxxx黑人xx丫x性爽| 日韩亚洲欧美综合| 欧美一级a爱片免费观看看| 手机成人av网站| 亚洲欧美日韩无卡精品| 国产精品日韩av在线免费观看| 免费看十八禁软件| 久久草成人影院| 色综合婷婷激情| 亚洲成人久久性| 亚洲av美国av| 很黄的视频免费| 国产乱人伦免费视频| 国产av不卡久久| 国产v大片淫在线免费观看| 亚洲中文字幕日韩| 亚洲av电影在线进入| 亚洲avbb在线观看| 又粗又爽又猛毛片免费看| 亚洲欧美一区二区三区黑人| 国产aⅴ精品一区二区三区波| 伊人久久大香线蕉亚洲五| 中国美女看黄片| 在线播放无遮挡| 国产一区二区在线观看日韩 | 国产精品电影一区二区三区| 国产老妇女一区| 久久精品影院6| 国产成人欧美在线观看| 天天一区二区日本电影三级| 亚洲av美国av| 亚洲成av人片免费观看| 久久久久久久久中文| 丰满的人妻完整版| 在线观看日韩欧美| 免费看光身美女| 天堂√8在线中文| 精品人妻一区二区三区麻豆 | 国产精品av视频在线免费观看| 很黄的视频免费| 成年女人看的毛片在线观看| 女人十人毛片免费观看3o分钟| 18+在线观看网站| 美女黄网站色视频| 精品久久久久久成人av| 亚洲自拍偷在线| 少妇人妻精品综合一区二区 | 观看免费一级毛片| 在线观看一区二区三区| 欧美黄色淫秽网站| 日韩欧美国产一区二区入口| 国产亚洲av嫩草精品影院| 欧美日韩精品网址| 欧美一区二区亚洲| 中文字幕高清在线视频| 免费高清视频大片| 国产 一区 欧美 日韩| 精品国产三级普通话版| 久久久国产成人精品二区| 老熟妇仑乱视频hdxx| 久久九九热精品免费| 变态另类成人亚洲欧美熟女| 搡老妇女老女人老熟妇| 天堂av国产一区二区熟女人妻| 日本精品一区二区三区蜜桃| 亚洲不卡免费看| 成人三级黄色视频| 国产中年淑女户外野战色| 两个人的视频大全免费| 欧美zozozo另类| 在线播放无遮挡| 免费高清视频大片| 日本三级黄在线观看| 男女午夜视频在线观看| 久久午夜亚洲精品久久| 久久久久国产精品人妻aⅴ院| 久久香蕉国产精品| 99久久成人亚洲精品观看| 欧美日本亚洲视频在线播放| 麻豆成人午夜福利视频| 在线观看66精品国产| 国产精品女同一区二区软件 | 性色avwww在线观看| 久久精品国产亚洲av涩爱 | 国产免费av片在线观看野外av| 日本撒尿小便嘘嘘汇集6| 老汉色∧v一级毛片| 欧美黑人巨大hd| 国产激情偷乱视频一区二区| 亚洲片人在线观看| 99在线视频只有这里精品首页| 成人国产综合亚洲| 欧美日韩中文字幕国产精品一区二区三区| 亚洲av电影在线进入| av女优亚洲男人天堂| 高潮久久久久久久久久久不卡| 99视频精品全部免费 在线| 黄色女人牲交| 中亚洲国语对白在线视频| 欧美日韩亚洲国产一区二区在线观看| 亚洲中文日韩欧美视频| 国产高清视频在线播放一区| 国产一区二区在线av高清观看| tocl精华| 国内精品久久久久精免费| 国产极品精品免费视频能看的| 亚洲精品色激情综合| a在线观看视频网站| 黑人欧美特级aaaaaa片| 日本与韩国留学比较| 欧美色视频一区免费| 激情在线观看视频在线高清| 国内毛片毛片毛片毛片毛片| 精品久久久久久久人妻蜜臀av| 欧美午夜高清在线| 亚洲avbb在线观看| 91av网一区二区| 热99re8久久精品国产| 精品一区二区三区视频在线观看免费| 18美女黄网站色大片免费观看| 国产毛片a区久久久久| 嫩草影院入口| 老汉色∧v一级毛片| 无人区码免费观看不卡| 啦啦啦韩国在线观看视频| 97超视频在线观看视频| 免费一级毛片在线播放高清视频| 国产精品精品国产色婷婷| 亚洲欧美日韩东京热| 久久天躁狠狠躁夜夜2o2o| 午夜免费男女啪啪视频观看 | 亚洲中文日韩欧美视频| 国产精品av视频在线免费观看| 欧美3d第一页| 亚洲不卡免费看| 中文字幕熟女人妻在线| www.色视频.com| 久久精品91无色码中文字幕| 国产伦精品一区二区三区四那| 夜夜看夜夜爽夜夜摸| 日韩欧美在线二视频| 欧美+亚洲+日韩+国产| 久久久色成人| 久久精品国产综合久久久| 女同久久另类99精品国产91| 国产主播在线观看一区二区| 成年女人毛片免费观看观看9| 亚洲中文日韩欧美视频| 欧美午夜高清在线| 国产成人av教育| 欧美日韩综合久久久久久 | 桃红色精品国产亚洲av| 免费在线观看日本一区| 亚洲av免费在线观看| 日本三级黄在线观看| 国产一区二区在线观看日韩 | 亚洲精品乱码久久久v下载方式 | 男人和女人高潮做爰伦理| 亚洲成人免费电影在线观看| 69人妻影院| 99精品在免费线老司机午夜| 日韩 欧美 亚洲 中文字幕| 99久国产av精品| 亚洲va日本ⅴa欧美va伊人久久| 免费大片18禁| 国产熟女xx| 国产高清激情床上av| 亚洲人与动物交配视频| 亚洲成人免费电影在线观看| 丰满人妻一区二区三区视频av | 每晚都被弄得嗷嗷叫到高潮| 搡老妇女老女人老熟妇| 国产亚洲精品av在线| 欧美性猛交╳xxx乱大交人| 色综合欧美亚洲国产小说| 国产成人系列免费观看| tocl精华| 我的老师免费观看完整版| 超碰av人人做人人爽久久 | 欧美激情久久久久久爽电影| 搡老妇女老女人老熟妇| 91麻豆av在线| 在线观看av片永久免费下载| 一进一出抽搐动态| 99国产精品一区二区三区| а√天堂www在线а√下载| 中文字幕av在线有码专区| 国产真人三级小视频在线观看| 熟女人妻精品中文字幕| 三级男女做爰猛烈吃奶摸视频| 一个人免费在线观看的高清视频| 日日摸夜夜添夜夜添小说| 亚洲国产欧美人成| 级片在线观看| 国产精品免费一区二区三区在线| 色尼玛亚洲综合影院| 久久国产乱子伦精品免费另类| 亚洲成人久久爱视频| 99国产极品粉嫩在线观看| 女警被强在线播放| 欧美一区二区精品小视频在线| 青草久久国产| 成年版毛片免费区| 欧美黑人巨大hd| 少妇的逼水好多| 最近视频中文字幕2019在线8| 人人妻人人看人人澡| 一区二区三区激情视频| 毛片女人毛片| 色哟哟哟哟哟哟| 久久久久九九精品影院| 欧美日韩黄片免| 国产真实乱freesex| 亚洲无线观看免费| 亚洲av电影在线进入| 欧美+日韩+精品| 最近最新中文字幕大全免费视频| 成年免费大片在线观看| 精华霜和精华液先用哪个| 一卡2卡三卡四卡精品乱码亚洲| 丁香欧美五月| tocl精华| 91字幕亚洲| e午夜精品久久久久久久| 欧美日韩综合久久久久久 | 亚洲精品乱码久久久v下载方式 | 女警被强在线播放| 精品一区二区三区人妻视频| 嫩草影院精品99| 亚洲一区二区三区不卡视频| 少妇裸体淫交视频免费看高清| 757午夜福利合集在线观看| 黄片小视频在线播放| 一级毛片女人18水好多| 亚洲av电影在线进入| 99热这里只有精品一区| 国产蜜桃级精品一区二区三区| 亚洲天堂国产精品一区在线| 变态另类成人亚洲欧美熟女| 禁无遮挡网站| 在线观看av片永久免费下载| 熟女人妻精品中文字幕| 麻豆久久精品国产亚洲av| 一进一出抽搐动态| 国产爱豆传媒在线观看| bbb黄色大片| 日韩免费av在线播放| 国产麻豆成人av免费视频| 国产视频一区二区在线看| 欧美成狂野欧美在线观看| 国内少妇人妻偷人精品xxx网站| 午夜精品在线福利| 精品国产超薄肉色丝袜足j| 99精品久久久久人妻精品| 身体一侧抽搐| 老司机午夜十八禁免费视频| 欧美日韩黄片免| 午夜激情福利司机影院| 亚洲 国产 在线| 99久久精品国产亚洲精品| 中文字幕人成人乱码亚洲影| 蜜桃久久精品国产亚洲av| 岛国在线观看网站| 俺也久久电影网| 日韩人妻高清精品专区| 亚洲一区高清亚洲精品| 一区福利在线观看| 日本三级黄在线观看| 国产国拍精品亚洲av在线观看 | 色老头精品视频在线观看| 夜夜爽天天搞| 在线国产一区二区在线| av视频在线观看入口| 亚洲va日本ⅴa欧美va伊人久久| 成人无遮挡网站| 婷婷精品国产亚洲av| 一本一本综合久久| 最好的美女福利视频网| 熟女少妇亚洲综合色aaa.| www日本黄色视频网| av黄色大香蕉| 国产欧美日韩精品亚洲av| 成人鲁丝片一二三区免费| 久久精品国产亚洲av香蕉五月| 亚洲在线自拍视频| 国产一区二区三区在线臀色熟女| 亚洲avbb在线观看| 五月玫瑰六月丁香| 国产激情欧美一区二区| 国产蜜桃级精品一区二区三区| 一级毛片女人18水好多| 18禁在线播放成人免费| 白带黄色成豆腐渣| 日本熟妇午夜| 亚洲精品久久国产高清桃花| 大型黄色视频在线免费观看| 成熟少妇高潮喷水视频| 亚洲国产欧洲综合997久久,| 在线国产一区二区在线| 亚洲黑人精品在线| 免费在线观看影片大全网站| 国产亚洲欧美98| 久久精品国产清高在天天线| 国产综合懂色| 国产精品精品国产色婷婷| 变态另类成人亚洲欧美熟女| 国产成人aa在线观看|