• <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 ?

    基于多級特征融合的偽裝目標分割

    2022-09-21 05:38:22付炳陽曹鐵勇鄭云飛王燁奎
    計算機工程與應用 2022年18期
    關鍵詞:損失特征模塊

    付炳陽,曹鐵勇,鄭云飛,2,3,方 正,王 楊,王燁奎

    1.陸軍工程大學 指揮控制工程學院,南京210007

    2.陸軍炮兵防空兵學院南京校區(qū) 火力系,南京211100

    3.安徽省偏振成像與探測重點實驗室,合肥230031

    偽裝目標分割(camouflaged object segmentation,COS)是計算機視覺中極具挑戰(zhàn)性的任務,其目的是從目標與背景高度相似的環(huán)境中分割出偽裝物體[1]。由于偽裝目標與周圍環(huán)境對比度較低,相比目標與背景有明顯差異的常規(guī)分割任務,偽裝目標分割更加具有難度。

    在早期的傳統(tǒng)方法中,研究人員將偽裝圖案視為特殊的紋理區(qū)域,針對顏色、紋理等底層特征,運用三維凸算子、灰度共生矩陣、紋理描述符、數(shù)學形態(tài)學等方法對偽裝目標進行分割[2-6]。隨著深度學習技術的發(fā)展,從圖像中提取的深度特征相比于傳統(tǒng)底層特征更加通用和有效。因此,研究人員開始利用深度卷積網(wǎng)絡(convolutional neural network,CNN)構建偽裝目標分割模型。Li等人通過圖像增強算法實現(xiàn)目標與背景特征的區(qū)分,再利用區(qū)域建議網(wǎng)絡實現(xiàn)對特定目標的精確定位[7]。Zheng 等人提出針對分割迷彩偽裝目標的密集反卷積網(wǎng)絡,并利用超像素優(yōu)化分割結果[8]。卓劉等人引入多尺度的殘差神經(jīng)網(wǎng)絡用于識別偽裝迷彩目標[9]。Le 等人引入Anabranch Network 提高分割精度[10]。Fang 等人提出利用強語義膨脹網(wǎng)絡(strong semantic dilation network,SSDN)從卷積神經(jīng)網(wǎng)絡中提取偽裝目標的語義信息[11]。Fan等人將偽裝目標分割建模為搜索和識別兩個階段,搜索階段負責搜索隱蔽目標,識別階段采用聯(lián)級方式準確地檢測出隱蔽目標[1]。Yan等人結合實例分割和對抗攻擊來分割偽裝目標,提高分割精度[12]。Mei 等人設計出一種分心挖掘策略用于分心區(qū)域的發(fā)現(xiàn)和去除[13]。Zhai 等人將交互學習思想從規(guī)則網(wǎng)格空間推廣至圖域,在圖的聯(lián)合學習框架基礎上設計出交互式學習模型用于分割偽裝目標以及真實邊緣[14]。

    上述網(wǎng)絡模型在相對簡單的場景中分割偽裝目標已經(jīng)具有較好的效果,但面對目標偏小且背景復雜的場景時,模型分割性能顯著下降。模型效果下降原因包括當前模型所提取的深度特征多尺度表達能力不足,無法發(fā)現(xiàn)圖片中尺寸較小且與背景高度相似的偽裝目標,導致模型產生漏檢情況。其次,模型使用的底層特征包含大量干擾信息,無法準確提取出偽裝目標邊緣細節(jié);深層特征經(jīng)過多次下采樣后分辨率大大降低,目標細節(jié)信息也嚴重丟失。目前增強特征的常用方式為特征融合,但簡單地融合深層特征與低層特征,將導致目標信息淹沒在大量干擾信息中,無法準確捕捉偽裝目標位置信息以及邊緣細節(jié)。

    針對上述問題,本文提出一種基于多級特征融合的偽裝目標分割模型。模型分為編碼和解碼兩個階段:在編碼階段采用Res2Net-50作為主干網(wǎng)絡[15],構建門控融合模塊(gated fusion module,GFM)對主干網(wǎng)絡提取的各級中間層特征進行選擇性融合,過濾特征中包含的干擾信息,同時豐富特征的語義和細節(jié)信息;在解碼階段,利用自交互殘差模塊(self-interaction residual module,SIRM),解決模型對多尺度特征表達能力不足的問題。SIRM 將輸入特征轉換成不同通道數(shù)的高、低分辨率特征,再進行充分融合,從而挖掘出更多有效的特征信息。最后,為增強損失函數(shù)對圖像中不同尺寸目標的監(jiān)督效果,本文在訓練階段采用Dice損失(Dice loss,DL)與交叉熵損失的聯(lián)合損失函數(shù),使模型能更精準地分割偽裝目標。本文方法在一個迷彩偽裝數(shù)據(jù)集CPD和三個自然偽裝數(shù)據(jù)集CHAMELEON、CAMO、COD10K 上與典型方法進行對比實驗。結果表明,在四個常用評價指標上本文均優(yōu)于其他方法,由此證明本文方法在各類偽裝目標分割任務上具備有效性。

    1 本文方法

    如圖1 所示,本文分割模型基于全卷積架構(fully convolutional networks,F(xiàn)CN)[16]。首先,采用Res2Net-50作為特征提取網(wǎng)絡[15]。對于Res2Net-50 輸出的不同尺度特征,一起輸入門控融合模塊(GFM)。GFM 運用門控機制過濾掉各層特征中背景信息干擾,有選擇性地融合各級特征圖。然后,在解碼階段加入自交互殘差模塊(SIRM),挖掘出更多當前特征的多尺度信息,增強偽裝目標特征信息。最后,模型通過各級特征逐層聚合得出最終的偽裝目標分割圖。

    圖1 網(wǎng)絡結構框架圖Fig.1 Network structure block diagram

    1.1 門控融合模塊

    在特征提取網(wǎng)絡中,不同深度的卷積層提取出不同表示水平的特征。其中,淺層特征圖分辨率高,且包含目標的大量細節(jié)信息,但語義表達能力不強;深層特征包含豐富的語義信息,但分辨率低且目標細節(jié)信息較少[17-18]。如何結合各級特征的優(yōu)勢提取出具有高分辨率且豐富語義信息的特征圖是偽裝目標分割模型構建的關鍵。

    本文將門控機制引入多級特征融合過程[19],提出門控融合模塊選擇性地融合各級特征。在深層特征語義信息的指導下,計算出各級特征對應的門控矩陣以此區(qū)分特征中的有用信息與干擾信息。其中,門控系數(shù)的大小是多級融合中選擇特征的重要依據(jù)。各級特征中門控系數(shù)較大的部分被保留,門控系數(shù)較小的部分被其余各級特征對應信息所補充。采用這種選擇性門控機制可以有效過濾各級特征中背景信息,從包含大量噪聲信息的原始特征圖中抽取目標信息并將其聚合,增強不同分辨率特征的表示能力。

    其中,每個門控系數(shù)Gl=sigmoid(wl?fl)由一個參數(shù)為wl∈的卷積層計算得出,門控總數(shù)為主干網(wǎng)絡提取出的特征圖數(shù)量。由上式可知,只有當Gi(x,y)的數(shù)值較大并且Gl(x,y)的數(shù)值較小時,Gl(x,y)對應特征才選擇Gi(x,y)處特征信息進行融合,補充特征信息。

    1.2 自交互殘差模塊

    圖2 門控融合模塊Fig.2 Gated fusion module

    在不同深度的高分辨率特征和低分辨率特征之間進行交互融合,可以豐富特征的尺度信息[20]?;谶@種思想,本文在解碼階段設計自交互殘差模塊(SIRM)。SIRM 通過當前特征挖掘尺度信息,增強各級特征圖表達能力,便于模型分割出更加準確的偽裝目標,整個過程的數(shù)學表達式為:

    1.3 損失函數(shù)

    圖3 自交互殘差模塊Fig.3 Self interaction residual module

    在偽裝目標分割算法中,廣泛使用交叉熵函數(shù)作為損失函數(shù)。交叉熵函數(shù)獨立地計算每一個像素的損失,然后在整個批次中累積每個像素的損失。但這種方法忽略整體的結構,尤其針對偽裝目標較小的圖片,目標像素的損失會被背景像素稀釋。并且交叉熵損失函數(shù)是平等對待各區(qū)域像素點,然而在實際情況中,偽裝目標的邊緣給分割提供更多有價值的信息,應給予目標邊緣更多關注[21]。

    本文將語義分割中常用的Dice 損失[22]引入偽裝目標分割任務,從區(qū)域整體的角度進行模型學習,彌補加權交叉熵損失的不足。同樣為體現(xiàn)像素之間的差異,每個像素點加不同的權重以強調它們在分割過程中不同的重要程度。加權Dice損失計算公式如下:

    其中,p∈?H×W表示預測圖的每一個像素點的概率值,g∈{0,1}H×W表示人工標注圖。αij表示偽裝圖像中每個像素點的權重,計算公式如下:上式中Aij表示像素(i,j)周圍的區(qū)域,γ為可以調節(jié)的權重系數(shù)。本方法可以找出與其周圍環(huán)境不同像素點給與更多關注。

    基于上述分析,本文采用加權交叉熵(Lwbce)與加權Dice 損失(LwDL)聯(lián)合的方式來增強圖片中各尺度目標的監(jiān)督效果。該聯(lián)合損失函數(shù)更多地關注偽裝目標的邊緣部分,對于目標尺度上的差異也不會造成計算損失的較大波動。該總損失函數(shù)為:

    其中λ1和λ2是平衡兩個損失貢獻的超參數(shù),具體取值分析見表1。

    表1 參數(shù)λ1 和λ2 對算法的影響Table 1 Influence of parameters λ1 and λ2 on algorithm

    2 實驗及分析

    2.1 數(shù)據(jù)集

    本文在迷彩偽裝數(shù)據(jù)集和三個自然偽裝數(shù)據(jù)集上進行實驗:迷彩偽裝數(shù)據(jù)集CPD[11]、自然偽裝數(shù)據(jù)集CHAMELEON[23]、CAMO[10]以及COD10K[1]。迷彩偽裝數(shù)據(jù)集中包括26 種迷彩種類共計2 600 張迷彩偽裝目標圖像(其中1 300 張用于訓練,1 300 張用于測試),該數(shù)據(jù)集包含叢林、雨林、雪地、荒漠和開闊地等5種復雜背景,包括臥倒、站立、半蹲等多種姿態(tài)[11]。CHAMELEON包含76張通過互聯(lián)網(wǎng)收集的偽裝動物圖片,以及相應的人工標注圖[23]。CAMO包含1 250張不同類別的偽裝圖像(其中1 000張用于訓練,250張用于測試),涵蓋自然偽裝目標和人工偽裝目標并都有精細的標簽標注[10]。COD10K 是目前最大的基準數(shù)據(jù)集,它包括5 個大類和69 個子類共計5 066 張偽裝圖片(其中3 040 張用于訓練,2 026 張用于測試),該數(shù)據(jù)集通過多個攝影網(wǎng)站下載并進行人工標注[1]。本文在完成迷彩偽裝目標分割時,使用公開迷彩偽裝數(shù)據(jù)集的訓練集與測試集進行實驗。在自然偽裝目標分割實驗中,本文實驗仿照之前的工作,使用CAMO 和COD10K 的組合作為訓練集(4 040張圖片),其余自然偽裝圖片作為測試集[1]。

    2.2 評估指標

    本中使用結構度量(Sα),自適應E度量(E?),加權F度量()以及平均絕對誤差(MAE)作為評價指標。其中結構度量(Sα)著重評估預測圖的結構信息,計算公式為:Sα=αSο+(1-α)Sr,這里Sο和Sr分別表示對象感知和區(qū)域感知的結構相似性[24]。自適應E 度量(E?)同時評估像素級匹配和圖像級統(tǒng)計信息,對結果圖的整體和局部的精度有較好的評價[25]。

    加權F 度量()是一個綜合精確度和召回率的評估指標,計算公式為:

    式中,β2是平衡參數(shù),Pω為加權準確率,Rω為加權召回率。在測評中,β2設置為0.3以提高重要的準確率比重[26]。

    平均絕對誤差(MAE)用于計算預測圖和真值之間的像素差異,廣泛應用于評價圖像分割結果,計算式為:

    式中,h和w表示圖像的高度和寬度,P表示預測圖,G表示標注圖。

    2.3 實驗細節(jié)

    本文通過實驗分析出聯(lián)合損失函數(shù)中兩個參數(shù)λ1和λ2對算法性能的影響,并為選擇合適的參數(shù)提供依據(jù)。

    語義分割中采用聯(lián)合損失函數(shù)時,權重參數(shù)λ1和λ2一般都取值為1,因此本文在討論λ1和λ2比例時,設置了八組參數(shù)均在1∶1 附近。實驗中設置的八組參數(shù)在迷彩偽裝數(shù)據(jù)集CPD 上進行定量評價。Sα、E?、和MAE的測試結果如表1所示。

    根據(jù)表1,模型在不同的權重參數(shù)λ1和λ2下都有較好的表現(xiàn),但還是存在一定程度的差別。從表1整體來看,參數(shù)λ2偏大時效果較好,表明在聯(lián)合損失中適當增大Dice 損失的權重對模型效果有一定提升。在表1列出的參數(shù)設置中,當λ1=1 且λ2=2 時,模型有最好的效果。在后續(xù)實驗中,設置參數(shù)λ1=1 和λ2=2。

    本文模型采用PyTorch框架實現(xiàn)。訓練和測試均使用一臺6核電腦,配備Intel?Xeon?E5-2609 v3 1.9 GHz CPU 和NVIDIA GeForce RTX 2080Ti GPU(11 GB 內存)。網(wǎng)絡主干參數(shù)由預先在ImageNet 上訓練的Res2Net-50 模型初始化,其余參數(shù)由PyTorch 的默認設置進行初始化。使用動量SGD優(yōu)化器,權重衰減為5E-4,初始學習率為1E-3,動量為0.9。此外,批量大小設置為4,并通過因子為0.9 的poly 策略調整學習率,網(wǎng)絡訓練40輪。訓練圖像的大小統(tǒng)一調整為352×352。

    2.4 實驗結果及對比

    實驗中,將本文模型與近期的6種典型方法進行比較,其中包括醫(yī)學圖像分割方法PraNet[27],顯著性目標分割方法F3Net[21]、GCPANet[28]以及MINet[29],自然偽裝目標分割方法SINet[1]以及PFNet[13]和軍事偽裝目標分割方法SSDN[11]。為客觀公正地進行對比,上述方法的預測圖都通過運行官方開源代碼,在相同數(shù)據(jù)集訓練模型生成。其中,輸入圖像大小、batch數(shù)量、學習率、權重衰減系數(shù)等訓練參數(shù)與本文模型所做實驗相同,此外,所有的預測圖都使用相同的代碼進行評估。表2 報告本文與其他6 種典型方法在迷彩偽裝數(shù)據(jù)集CPD 上的定量結果。圖4展示出不同模型的目標分割結果圖。

    表2 本文方法與其他方法在迷彩偽裝數(shù)據(jù)集對比Table 2 Comparison between other and proposed methods on camouflaged people dataset

    從表2可以發(fā)現(xiàn),本文的方法在各項標準評估指標下都優(yōu)于其他比較模型,說明本文方法較其他方法更適合軍事迷彩偽裝分割任務。圖4 也可以直觀看出本文方法能更好地在各種復雜環(huán)境下分割出多姿態(tài)小目標偽裝人員。因此本文方法相比于其他方法更加充分利用圖片各層特征中的語義信息以及細節(jié)信息,在小目標分割中生成更加精確和完整的偽裝物體預測圖,并且減少誤判和漏檢的情況。

    圖4 CPD數(shù)據(jù)集上不同模型的視覺比較結果Fig.4 Visual comparison results based on different models on camouflaged people datasets

    另一方面,為證明本文方法對于自然偽裝目標分割任務同樣有效。本文方法與其他6個典型方法進行比較,其中包括PraNet[27]、F3Net[21]、MINet[29]、CPD[30]、SINet[1]、PFNet[13]以及MGL[14]。同樣為客觀公正地進行對比,上述所有模型采用官方提供的開源代碼,并設置同樣的訓練參數(shù)。此外,所有的預測圖都使用相同的代碼進行評估。表3報告本文方法與其他6種典型方法在3個自然偽裝數(shù)據(jù)集上的對比結果。可以發(fā)現(xiàn),本文的方法在所有4個標準評估指標下都優(yōu)于所有其他方法。

    表3 本文方法與其他方法在自然偽裝數(shù)據(jù)集上對比Table 3 Comparison between other and proposed methods on natural camouflage dataset

    此外,圖5 展示本文方法與其他方法的比較結果。可以看出,在各種尺寸的自然偽裝目標分割(小偽裝目標(1)行和(2)行、大偽裝目標(3)行和(4)行)中都生成更加精確和完整的偽裝目標分割圖,并且具有清晰的邊界和連貫的細節(jié)。在分割目標被物體遮擋((5)行和(6)行)情況下,該方法也可以成功地推斷出真實的偽裝物體區(qū)域。因此,本文方法相比于其他方法在復雜場景下的自然偽裝分割任務具有更好的表現(xiàn)。

    圖5 自然偽裝數(shù)據(jù)集上不同方法的視覺比較Fig.5 Visual comparison results based on different models on natural camouflage dataset

    本文方法與其他方法在實時性方面也進行了對比。所有算法在相同的實驗環(huán)境下(RTX 2080Ti顯卡)推理相同大小的測試圖片,對比結果如表4所示。本文方法對每張圖片的處理速度約為0.012 s左右,即幀率在單張GPU上的FPS約為83。根據(jù)表4可知,本文方法實時性方面明顯優(yōu)于其他方法。

    表4 不同方法的實時性比較Table 4 Real time comparison of different methods

    2.5 消融實驗

    為驗證每個提出模塊的有效性,本節(jié)對多級門控融合模塊(GFM)、自交互殘差模塊(SIRM)以及聯(lián)合加權損失函數(shù)進行詳細的消融實驗分析,結果報告在表5中。

    表5 不同模塊的性能評價比較Table 5 Comparison of different approaches using different integration module

    本文的基線模型是一個類似FCN 的網(wǎng)絡,它使用橫向連接將最淺層的通道數(shù)量減少到32 個,其他層的信道數(shù)量減少到64 個,再逐層連接融合最終得出預測圖。對比實驗是分別在基線模型上加入GFM 和SIRM進行訓練,并評估它們的性能,以驗證這兩個關鍵模塊的有效性,結果如表5所示。

    表5顯示,偽裝目標分割任務中加入GFM或SIRM模塊都比基線模型在評價指標上有顯著提升。面對軍事偽裝目標分割任務,本文采用公開迷彩偽裝數(shù)據(jù)集CPD作為數(shù)據(jù)集,進行對比實驗。該數(shù)據(jù)集中偽裝目標普遍較小、形態(tài)多樣,背景環(huán)境復雜。多級門控融合模塊在深層特征圖的指導下對底層特征背景信息進行過濾,增強各級特征圖的表達能力使得網(wǎng)絡模型比基礎模型的Sα、E?和分別提升2.9%、25%和17.8%,證明門控融合模塊能夠幫助模型更好地分割軍事偽裝目標;單獨引入SIRM增強特征多尺度表達能力,使得Sα、E?和分別提升2.5%、24.7%和17.3%,實驗證明自交互融合模塊在軍事偽裝目標分割任務中具備有效性。此外,GFM和SIRM同時放入模型中,分割性能較單獨引入有進一步提高。但注意到幾種模型的MAE 差別不大,這是由于數(shù)據(jù)集中含有大量較小的或被障礙物所遮擋的目標(即只包含偽裝人員部分身體的圖像,約占數(shù)據(jù)集60%),在這種情況下,無論是否正確檢測,都不會引起MAE值的劇烈變化。

    針對自然偽裝目標分割任務,本文采用COD10K作為數(shù)據(jù)集,進行對比實驗。結果顯示,單獨引入GFM的網(wǎng)絡結構較基線模型結構度量提高2%,自適應E 度量提高3.6%,加權F 度量提高3.4%并且平均絕對誤差從0.043降低到0.039,證明門控融合模塊選擇性地融合多級特征對于提高偽裝目標分割精度有一定幫助。加入SIRM 的網(wǎng)絡結構較基線模型Sα、E?和分別提升1.6%、3.4%和2.98%并且平均絕對誤差從0.043 降低到0.039,證明SIRM深度挖掘出的多尺度信息可以有效提升模型分割性能。此外,GFM和SIRM的結合幫助模型進一步提高模型分割性。

    圖6 為各級特征經(jīng)過GFM 模塊后的可視化比較。第一行為Res2Net-50主干網(wǎng)絡提取的各級特征,第二行為多級融合后的各級特征。依次為輸入圖像從淺到深的中間層特征圖??梢郧宄匕l(fā)現(xiàn)淺層的提取特征和中偽裝目標被背景信息嚴重干擾,經(jīng)過門控機制后特征圖中背景信息得到有效抑制,目標細節(jié)信息更為明顯,底層特征圖可以清晰地分辨出目標所在位置。門控融合過程中,只要存在某一特征圖能準確描述偽裝目標位置,其余各級特征選擇性融合后都可以發(fā)現(xiàn)目標位置,并有效過濾各級特征中干擾信息。圖6 中第一行的特征圖f5突顯出偽裝目標所在位置,因此其他各級特征在門控融合中都可以判斷出背景位置,對干擾信息加以過濾,增強各級特征表達能力。多級門控融合的前提是深層特征中包含較強語義信息,可以準確尋找出目標位置。但如果提取網(wǎng)絡中各級特征都無法定位出目標位置,門控融合模塊就無法達到增強各級特征表達能力的效果。

    圖6 經(jīng)過GFM后特征圖的可視化比較Fig.6 Visualization comparison of feature maps after GFM

    圖7 為各級特征經(jīng)過SIRM 模塊后的可視化比較。第一行為多級融合后的各級特征,第二行為各級特征經(jīng)過SIRM 后所有特征的可視化結果。由圖F4和F5可視,深層特征經(jīng)過SIRM 后,可以挖掘出更多有用信和息。在淺層特征(F1、F2和F3)中偽裝目標更加突顯,對模型準確分割偽裝目標起到較大幫助。

    圖7 經(jīng)過SIRM后特征圖的可視化比較Fig.7 Visualization comparison of feature maps after SIRM

    為分析本文中聯(lián)合損失函數(shù)的有效性,本文對基線模型以及單獨引入GFM、單獨引入SIRM 和同時包含GFM和SIRM的四種模型,在損失函數(shù)方面進行對比實驗。根據(jù)表5可知,采用聯(lián)合損失函數(shù)的模型較比不引入Dice損失的模型,在分割效果上都有所提高。證明加權Dice損失對目標尺度不敏感以及更加關注優(yōu)化全局結構的特點,可以有效提高模型的分割精確度。在迷彩偽裝數(shù)據(jù)集CPD 上,基線模型中引入Dice 損失,E?和評價指標分別提升6.6%和5.3%。并且在同時包含GFM和SIRM的改進模型中,帶有加權Dice損失的模型在迷彩偽裝數(shù)據(jù)集CPD 上Sα、E?和三個標準評價指標都有不同程度的提高。同樣在自然偽裝數(shù)據(jù)集COD10K上E?和分別提高3%和3.9%,MAE從0.038降低到0.034。視覺效果如圖8 所示,引入加權Dice 損失后模型對于目標邊緣分割更加精細,并且整體結構更加完整。

    圖8 各模塊的視覺比較Fig.8 Visual comparison results based on different module

    3 結束語

    本文提出一種基于多級特征融合的偽裝目標分割方法。首先使用門控融合模塊有選擇性地融合多級特性,有效過濾背景信息干擾,然后利用自交互殘差模塊從GFM 輸出特征中提取更多尺度信息。最后,本文引入Dice損失增強損失函數(shù)對圖片中各尺寸目標的監(jiān)督效果,提升偽裝目標的準確度。本文的方法在軍事迷彩偽裝數(shù)據(jù)集以及三種自然偽裝數(shù)據(jù)集上進行實驗,在常用的四種評價指標下優(yōu)于其他典型方法。在主觀視覺上,本文方法分割出的結果圖能更好地處理各種復雜情況的偽裝圖像,較好保留出偽裝目標輪廓。實驗證明,本文方法對偽裝目標分割任務有更好的分割效果。

    在未來的研究發(fā)展中,進一步考慮融合傳統(tǒng)方法與深度學習相結合共同提取目標特征信息,增強特征中目標信息幫助模型更好發(fā)現(xiàn)偽裝目標。

    猜你喜歡
    損失特征模塊
    28通道收發(fā)處理模塊設計
    “選修3—3”模塊的復習備考
    少問一句,損失千金
    胖胖損失了多少元
    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
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    抓住特征巧觀察
    一般自由碰撞的最大動能損失
    選修6 第三模塊 International Relationships
    成人国产一区最新在线观看| cao死你这个sao货| 一级,二级,三级黄色视频| 香蕉国产在线看| 精品一区二区三区四区五区乱码| 精品欧美一区二区三区在线| 中文字幕最新亚洲高清| 久久国产亚洲av麻豆专区| 日日摸夜夜添夜夜添小说| 一本大道久久a久久精品| 亚洲专区国产一区二区| 每晚都被弄得嗷嗷叫到高潮| 久久久国产欧美日韩av| 国产免费av片在线观看野外av| 十八禁网站网址无遮挡| 99国产综合亚洲精品| 日韩人妻精品一区2区三区| 91国产中文字幕| 亚洲国产av新网站| www.精华液| 大片免费播放器 马上看| 欧美精品亚洲一区二区| 亚洲欧美日韩另类电影网站| 老熟妇仑乱视频hdxx| 欧美av亚洲av综合av国产av| 人妻 亚洲 视频| 99在线人妻在线中文字幕 | 麻豆国产97在线/欧美| 性色av乱码一区二区三区2| 男女视频在线观看网站免费| 麻豆国产av国片精品| 又爽又黄无遮挡网站| 色尼玛亚洲综合影院| 亚洲在线自拍视频| 国产亚洲精品一区二区www| 国产精品1区2区在线观看.| 亚洲 欧美 日韩 在线 免费| 2021天堂中文幕一二区在线观| 丰满的人妻完整版| 琪琪午夜伦伦电影理论片6080| 国产成人精品无人区| 性色avwww在线观看| 精品一区二区三区四区五区乱码| 欧美中文综合在线视频| 国产1区2区3区精品| 久久久久国产精品人妻aⅴ院| 国产99白浆流出| 日韩成人在线观看一区二区三区| 宅男免费午夜| 噜噜噜噜噜久久久久久91| 中亚洲国语对白在线视频| 国产精品美女特级片免费视频播放器 | 91麻豆av在线| 国内精品久久久久精免费| 无限看片的www在线观看| 在线观看免费视频日本深夜| av中文乱码字幕在线| 免费av毛片视频| 国产一区二区三区在线臀色熟女| 色精品久久人妻99蜜桃| 免费在线观看亚洲国产| 级片在线观看| 亚洲一区二区三区不卡视频| 午夜两性在线视频| 午夜影院日韩av| 亚洲av美国av| 欧美日韩乱码在线| 亚洲成av人片免费观看| 久久久久国产一级毛片高清牌| 人妻丰满熟妇av一区二区三区| 欧美日韩国产亚洲二区| 日本黄色视频三级网站网址| 国产精品久久久av美女十八| 亚洲熟妇中文字幕五十中出| 岛国在线免费视频观看| 亚洲人成电影免费在线| www.精华液| 色综合婷婷激情| 在线a可以看的网站| 精品人妻1区二区| 欧美黑人欧美精品刺激| 狠狠狠狠99中文字幕| 99精品久久久久人妻精品| 日韩欧美在线二视频| 看黄色毛片网站| 亚洲人成网站在线播放欧美日韩| 午夜影院日韩av| 99在线人妻在线中文字幕| 中亚洲国语对白在线视频| 国产69精品久久久久777片 | 亚洲av成人av| 色播亚洲综合网| 久久这里只有精品19| 天堂影院成人在线观看| 日韩国内少妇激情av| 一进一出抽搐gif免费好疼| 久久精品aⅴ一区二区三区四区| 淫秽高清视频在线观看| 久久天躁狠狠躁夜夜2o2o| 两人在一起打扑克的视频| 夜夜躁狠狠躁天天躁| 成人国产综合亚洲| 日本五十路高清| 亚洲精品色激情综合| 国产成人精品无人区| 免费在线观看成人毛片| 淫妇啪啪啪对白视频| 亚洲色图av天堂| 人人妻人人澡欧美一区二区| 亚洲精品美女久久久久99蜜臀| 俄罗斯特黄特色一大片| 国产淫片久久久久久久久 | 久久99热这里只有精品18| 91av网站免费观看| 狂野欧美白嫩少妇大欣赏| 久久人妻av系列| 成人国产综合亚洲| 久久人人精品亚洲av| 天堂√8在线中文| 麻豆av在线久日| 老司机午夜福利在线观看视频| 国产伦精品一区二区三区四那| 在线观看免费视频日本深夜| 中文字幕人成人乱码亚洲影| 久久久国产精品麻豆| 国产亚洲av嫩草精品影院| 99热这里只有精品一区 | 一a级毛片在线观看| 噜噜噜噜噜久久久久久91| av女优亚洲男人天堂 | 在线免费观看的www视频| 国产成人精品久久二区二区91| xxxwww97欧美| 国产欧美日韩精品一区二区| 动漫黄色视频在线观看| 久久亚洲精品不卡| 一夜夜www| 日本a在线网址| 99在线视频只有这里精品首页| 一级作爱视频免费观看| 精品日产1卡2卡| 中文资源天堂在线| 日韩免费av在线播放| 97超视频在线观看视频| 欧美成人一区二区免费高清观看 | 午夜a级毛片| 91av网站免费观看| xxxwww97欧美| 少妇的逼水好多| 两个人的视频大全免费| 99热只有精品国产| 中亚洲国语对白在线视频| 欧美极品一区二区三区四区| 亚洲一区二区三区不卡视频| 神马国产精品三级电影在线观看| 久久久水蜜桃国产精品网| 亚洲五月婷婷丁香| av黄色大香蕉| 黄色成人免费大全| avwww免费| 欧美激情在线99| 免费看十八禁软件| 一卡2卡三卡四卡精品乱码亚洲| 香蕉久久夜色| 久久欧美精品欧美久久欧美| 国产精品九九99| tocl精华| 午夜精品一区二区三区免费看| 欧美日韩综合久久久久久 | a在线观看视频网站| 法律面前人人平等表现在哪些方面| 在线十欧美十亚洲十日本专区| 午夜福利18| 亚洲av电影在线进入| 亚洲成人久久爱视频| 美女被艹到高潮喷水动态| 成人av一区二区三区在线看| 十八禁网站免费在线| 禁无遮挡网站| 久久国产精品人妻蜜桃| 99视频精品全部免费 在线 | 精品久久久久久久久久免费视频| 三级男女做爰猛烈吃奶摸视频| 热99在线观看视频| 亚洲黑人精品在线| 日韩欧美在线二视频| 网址你懂的国产日韩在线| 久久亚洲精品不卡| 亚洲精华国产精华精| 国产成人啪精品午夜网站| 免费无遮挡裸体视频| av欧美777| 嫩草影院入口| www.精华液| 黄色成人免费大全| 他把我摸到了高潮在线观看| a级毛片在线看网站| 国产成人啪精品午夜网站| 黄色日韩在线| 男女做爰动态图高潮gif福利片| 亚洲五月天丁香| 黄色丝袜av网址大全| 国产亚洲av高清不卡| 亚洲,欧美精品.| 高清毛片免费观看视频网站| 级片在线观看| 亚洲电影在线观看av| 日本精品一区二区三区蜜桃| 真人一进一出gif抽搐免费| 国产成人av激情在线播放| 亚洲一区二区三区色噜噜| 免费高清视频大片| 青草久久国产| 亚洲 欧美一区二区三区| 亚洲专区中文字幕在线| 亚洲国产欧美人成| 久久这里只有精品19| 国产熟女xx| 搡老岳熟女国产| 亚洲国产精品成人综合色| 国产精品永久免费网站| 日本成人三级电影网站| 岛国视频午夜一区免费看| 久9热在线精品视频| 国产伦精品一区二区三区四那| www.自偷自拍.com| 亚洲性夜色夜夜综合| 狂野欧美激情性xxxx| 久久久久国产精品人妻aⅴ院| 草草在线视频免费看| 一边摸一边抽搐一进一小说| 久久人妻av系列| 悠悠久久av| 欧美性猛交黑人性爽| 久久久久性生活片| 国产成+人综合+亚洲专区| 美女午夜性视频免费| a级毛片在线看网站| 久久国产精品人妻蜜桃| 免费在线观看影片大全网站| 欧美日韩中文字幕国产精品一区二区三区| 午夜视频精品福利| 午夜福利免费观看在线| 国产精品亚洲av一区麻豆| 婷婷亚洲欧美| 免费av毛片视频| 午夜精品在线福利| 日日摸夜夜添夜夜添小说| 国产男靠女视频免费网站| 狠狠狠狠99中文字幕| 丰满人妻熟妇乱又伦精品不卡| 久久香蕉精品热| 亚洲精品粉嫩美女一区| 99热6这里只有精品| 国产成+人综合+亚洲专区| 最新中文字幕久久久久 | 国产激情欧美一区二区| av天堂在线播放| 久久久久久久精品吃奶| 中文字幕最新亚洲高清| 成人av一区二区三区在线看| 国产精品精品国产色婷婷| 99久久综合精品五月天人人| 又紧又爽又黄一区二区| 天堂动漫精品| aaaaa片日本免费| 亚洲欧美日韩东京热| 黄色女人牲交| 男人和女人高潮做爰伦理| 99国产精品99久久久久| 亚洲自拍偷在线| 嫩草影院入口| 免费观看精品视频网站| 男女午夜视频在线观看| 99久久无色码亚洲精品果冻| 黑人欧美特级aaaaaa片| 亚洲av成人不卡在线观看播放网| 午夜亚洲福利在线播放| 日韩欧美在线二视频| 三级国产精品欧美在线观看 | 91九色精品人成在线观看| 日韩 欧美 亚洲 中文字幕| 性色avwww在线观看| 看片在线看免费视频| 亚洲成人精品中文字幕电影| 欧美xxxx黑人xx丫x性爽| 淫妇啪啪啪对白视频| 国产精品影院久久| 亚洲国产精品成人综合色| 天堂网av新在线| 男女午夜视频在线观看| 久久天躁狠狠躁夜夜2o2o| 国产精品电影一区二区三区| 99久久精品一区二区三区| 亚洲欧美日韩无卡精品| 午夜福利在线观看吧| 欧美最黄视频在线播放免费| 免费看a级黄色片| 久久天躁狠狠躁夜夜2o2o| 亚洲 欧美一区二区三区| 日韩欧美精品v在线| 一边摸一边抽搐一进一小说| 99久久精品一区二区三区| 啦啦啦免费观看视频1| 国产亚洲精品久久久com| 亚洲中文日韩欧美视频| 一级a爱片免费观看的视频| www.www免费av| 人人妻人人看人人澡| 国产主播在线观看一区二区| 欧美色视频一区免费| 韩国av一区二区三区四区| 久久婷婷人人爽人人干人人爱| 99精品久久久久人妻精品| 亚洲最大成人中文| 亚洲熟妇中文字幕五十中出| 桃色一区二区三区在线观看| 一级黄色大片毛片| 国产三级黄色录像| 成熟少妇高潮喷水视频| 人妻夜夜爽99麻豆av| 亚洲精品中文字幕一二三四区| 最新美女视频免费是黄的| 亚洲真实伦在线观看| 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| 男人舔女人下体高潮全视频| 精品熟女少妇八av免费久了| 欧美激情久久久久久爽电影| 天堂√8在线中文| 特大巨黑吊av在线直播| 黄色 视频免费看| 成人午夜高清在线视频| 精品国产乱子伦一区二区三区| 免费看a级黄色片| 成人无遮挡网站| 国产1区2区3区精品| 久久这里只有精品中国| 国产欧美日韩一区二区精品| 特级一级黄色大片| 精品乱码久久久久久99久播| 亚洲一区高清亚洲精品| 九九在线视频观看精品| 欧美性猛交黑人性爽| 国产高清videossex| 神马国产精品三级电影在线观看| 天天躁日日操中文字幕| 国产伦精品一区二区三区四那| 国产又色又爽无遮挡免费看| 午夜精品在线福利| 日韩精品中文字幕看吧| 久久精品综合一区二区三区| 99热这里只有精品一区 | 露出奶头的视频| 亚洲第一电影网av| 久久欧美精品欧美久久欧美| 18禁裸乳无遮挡免费网站照片| 成人精品一区二区免费| 久久精品夜夜夜夜夜久久蜜豆| 精品熟女少妇八av免费久了| 曰老女人黄片| 欧美日韩中文字幕国产精品一区二区三区| 三级毛片av免费| av天堂中文字幕网| 久久久久久大精品| 国产高清videossex| 亚洲乱码一区二区免费版| 久久久久国内视频| 在线观看舔阴道视频| 99热只有精品国产| 老司机午夜福利在线观看视频| 身体一侧抽搐| 国产精品 国内视频| 国产av麻豆久久久久久久| 日本 av在线| 无人区码免费观看不卡| 亚洲中文字幕日韩| 国产精品av久久久久免费| 国产在线精品亚洲第一网站| 亚洲乱码一区二区免费版| 最近在线观看免费完整版| 岛国在线观看网站| 变态另类丝袜制服| 亚洲精品乱码久久久v下载方式 | 久久99热这里只有精品18| 非洲黑人性xxxx精品又粗又长| 亚洲成人免费电影在线观看| 黄频高清免费视频| 国产欧美日韩精品一区二区| 精品国产美女av久久久久小说| 国内精品久久久久久久电影| 亚洲中文字幕日韩| 69av精品久久久久久| 精品久久久久久久人妻蜜臀av| 久久这里只有精品中国| 成人鲁丝片一二三区免费| 国内精品美女久久久久久| 日日干狠狠操夜夜爽| 中文字幕久久专区| 国产蜜桃级精品一区二区三区| 两人在一起打扑克的视频| 国产午夜福利久久久久久| 欧美激情在线99| 欧美高清成人免费视频www| 亚洲,欧美精品.| 久久草成人影院| 97碰自拍视频| 给我免费播放毛片高清在线观看| 岛国在线观看网站| 叶爱在线成人免费视频播放| 一级毛片女人18水好多| 国产伦精品一区二区三区视频9 | 午夜精品久久久久久毛片777| 黑人巨大精品欧美一区二区mp4| 日本免费a在线| 丁香六月欧美| 黄片小视频在线播放| 日韩欧美在线二视频| 午夜影院日韩av| 国产成人一区二区三区免费视频网站| 亚洲 欧美 日韩 在线 免费| 日韩av在线大香蕉| 色综合婷婷激情| 床上黄色一级片| 国产综合懂色| 最新中文字幕久久久久 | 国产乱人伦免费视频| 国产一区二区三区在线臀色熟女| 亚洲在线观看片| 色综合亚洲欧美另类图片| 91麻豆av在线| 国产av在哪里看| 欧美日韩一级在线毛片| 全区人妻精品视频| 亚洲av熟女| 欧美乱色亚洲激情| 亚洲性夜色夜夜综合| 窝窝影院91人妻| 波多野结衣高清作品| 国产高清videossex| 国产真人三级小视频在线观看| 国产成人av教育| 黄色 视频免费看| 99riav亚洲国产免费| 国产精品98久久久久久宅男小说| 国产黄色小视频在线观看| 亚洲国产欧美网| 国产午夜精品久久久久久| 中文在线观看免费www的网站| 热99在线观看视频| 久久草成人影院| 国产男靠女视频免费网站| 99久久国产精品久久久| 色哟哟哟哟哟哟| 国模一区二区三区四区视频 | 午夜福利在线在线| 国产欧美日韩一区二区精品| 国产精品亚洲一级av第二区| 99久久无色码亚洲精品果冻| 岛国在线观看网站| 偷拍熟女少妇极品色| 国产亚洲精品av在线| 欧美一区二区国产精品久久精品| 国内精品久久久久精免费| 观看美女的网站| 久久久久久久久中文| 亚洲精品美女久久av网站| 国产综合懂色| 日韩欧美一区二区三区在线观看| 老司机午夜福利在线观看视频| 午夜免费成人在线视频| 免费在线观看成人毛片| 久久精品人妻少妇| 在线观看日韩欧美| 一进一出抽搐gif免费好疼| 精品一区二区三区视频在线 | 欧美日本亚洲视频在线播放| 老司机午夜十八禁免费视频| 国产乱人视频| 欧美日韩福利视频一区二区| 小说图片视频综合网站| 母亲3免费完整高清在线观看| 免费在线观看视频国产中文字幕亚洲| 亚洲性夜色夜夜综合| 午夜日韩欧美国产| 成人特级av手机在线观看| 国产av麻豆久久久久久久| 久久香蕉国产精品| 国产1区2区3区精品| 色综合站精品国产| 国产精品电影一区二区三区| www.999成人在线观看| 欧美大码av| 国产精品久久久人人做人人爽| 国产成人啪精品午夜网站| 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| 亚洲国产中文字幕在线视频| 久久国产乱子伦精品免费另类| 三级毛片av免费| 色哟哟哟哟哟哟| 丝袜人妻中文字幕| 天天一区二区日本电影三级| 亚洲国产欧美人成| 欧美一级a爱片免费观看看| 美女午夜性视频免费| av片东京热男人的天堂| 国产高清视频在线播放一区| 免费看十八禁软件| 不卡av一区二区三区| 成在线人永久免费视频| 国产在线精品亚洲第一网站| 国产精品一及| 日韩欧美国产在线观看| 成人三级黄色视频| 在线免费观看不下载黄p国产 | 日日夜夜操网爽| 午夜免费观看网址| 欧美中文综合在线视频| 五月伊人婷婷丁香| 99久国产av精品| 午夜影院日韩av| 国产69精品久久久久777片 | 午夜福利在线观看吧| 又黄又爽又免费观看的视频| 久久久精品欧美日韩精品| 亚洲国产欧美网| 亚洲av电影在线进入| 99久久99久久久精品蜜桃| www.999成人在线观看| 午夜精品一区二区三区免费看| 18禁国产床啪视频网站| 久久伊人香网站| av国产免费在线观看| 两人在一起打扑克的视频| 神马国产精品三级电影在线观看| 三级毛片av免费| 亚洲专区中文字幕在线| 欧美乱妇无乱码| 久久精品91蜜桃| 欧美乱妇无乱码| 日本黄大片高清| 国产亚洲精品久久久com| 全区人妻精品视频| 高清毛片免费观看视频网站| 黄色日韩在线| 欧美zozozo另类| 久久久久国产精品人妻aⅴ院| 国产伦人伦偷精品视频| 一本综合久久免费| 国产精品av久久久久免费| 国产伦一二天堂av在线观看| 免费观看人在逋| 国产伦一二天堂av在线观看| 俄罗斯特黄特色一大片| 在线观看舔阴道视频| 90打野战视频偷拍视频| 久久久久久久久中文| 淫秽高清视频在线观看| 人人妻人人看人人澡| 综合色av麻豆| 99国产精品99久久久久| 亚洲精品美女久久av网站| 免费观看精品视频网站| 哪里可以看免费的av片| 一级毛片高清免费大全| 偷拍熟女少妇极品色| 国产乱人伦免费视频| 成年人黄色毛片网站| 91字幕亚洲| e午夜精品久久久久久久| 亚洲成人中文字幕在线播放| svipshipincom国产片| 日韩欧美三级三区| 精品国内亚洲2022精品成人| 久久久久久国产a免费观看| 亚洲无线观看免费| 亚洲aⅴ乱码一区二区在线播放| 日本成人三级电影网站| 成人av在线播放网站| 欧美av亚洲av综合av国产av| 亚洲国产精品久久男人天堂| 亚洲国产欧洲综合997久久,| 韩国av一区二区三区四区| 国产精品久久久久久人妻精品电影| 国产亚洲av高清不卡| 国产麻豆成人av免费视频| 美女免费视频网站| 在线播放国产精品三级| 免费高清视频大片| 亚洲一区二区三区不卡视频| 免费观看人在逋| 国产伦一二天堂av在线观看| 日韩欧美免费精品| 小说图片视频综合网站| 十八禁人妻一区二区| 黄色成人免费大全| 嫩草影院入口| 麻豆久久精品国产亚洲av| 美女高潮的动态| 男人舔女人下体高潮全视频| xxx96com| 极品教师在线免费播放| 网址你懂的国产日韩在线| 欧美乱妇无乱码| 日本与韩国留学比较| 伦理电影免费视频| 欧美日韩中文字幕国产精品一区二区三区| 人人妻人人看人人澡| 一个人观看的视频www高清免费观看 | 欧美一区二区精品小视频在线| 性欧美人与动物交配| 国产欧美日韩一区二区三| 色综合婷婷激情|