• <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 ?

    基于多尺度掩碼分類域自適應(yīng)網(wǎng)絡(luò)的跨域目標(biāo)檢測算法*

    2022-10-11 07:44:06胡杰徐博遠(yuǎn)熊宗權(quán)昌敏杰郭迪謝禮浩
    汽車工程 2022年9期
    關(guān)鍵詞:掩碼實例類別

    胡杰,徐博遠(yuǎn),熊宗權(quán),昌敏杰,郭迪,謝禮浩

    (1.武漢理工大學(xué),現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室,武漢430070;2.武漢理工大學(xué),汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心,武漢430070;3.武漢理工大學(xué),湖北省新能源與智能網(wǎng)聯(lián)車工程技術(shù)研究中心,武漢430070)

    前言

    目標(biāo)檢測是計算機視覺中一項基本且具有挑戰(zhàn)性的任務(wù),可應(yīng)用在許多領(lǐng)域,例如自動駕駛、機器人視覺和人機交互。深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展促進(jìn)了目標(biāo)檢測算法性能的提升。YOLO、Faster-RCNN等基于深度學(xué)習(xí)的目標(biāo)檢測算法通常假設(shè)訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)來自相同分布,這些檢測模型依賴于大量帶注釋的訓(xùn)練樣本,而在實際中,標(biāo)注大量數(shù)據(jù)所耗費的人力成本較高。針對深度學(xué)習(xí)目標(biāo)檢測算法對標(biāo)注數(shù)據(jù)的依賴問題,無監(jiān)督域自適應(yīng)目標(biāo)檢測作為解決這個問題的有效方法,最近越來越受到學(xué)術(shù)界、工業(yè)界的關(guān)注。

    域自適應(yīng)(domain adaptation)是轉(zhuǎn)導(dǎo)遷移學(xué)習(xí)的一個子問題。遷移學(xué)習(xí)是指兩個不同領(lǐng)域的知識遷移過程,利用源領(lǐng)域中學(xué)習(xí)到的知識來幫助目標(biāo)領(lǐng)域上的學(xué)習(xí)任務(wù)。遷移學(xué)習(xí)根據(jù)遷移方式不同可以分為歸納遷移學(xué)習(xí)和轉(zhuǎn)導(dǎo)遷移學(xué)習(xí)。轉(zhuǎn)導(dǎo)遷移學(xué)習(xí)是一種從樣本到樣本的遷移,直接利用源領(lǐng)域和目標(biāo)領(lǐng)域的樣本進(jìn)行遷移學(xué)習(xí)。在域自適應(yīng)問題中,一般假設(shè)源領(lǐng)域和目標(biāo)領(lǐng)域有相同的樣本空間,但是數(shù)據(jù)分布不同。目前大多數(shù)域自適應(yīng)問題聚焦于由協(xié)變量偏移造成的數(shù)據(jù)分布不同,即源領(lǐng)域和目標(biāo)領(lǐng)域的輸入邊際分布不同,但后驗分布也即學(xué)習(xí)任務(wù)相同。

    目前,一些無監(jiān)督域自適應(yīng)(unsupervised domain adaptation,UDA)方法被用于解決數(shù)據(jù)集偏差問題,這些方法中大部分是基于特征或者圖像分布的域不變對齊。最近的方法有使用比如對抗學(xué)習(xí)來對齊源域和目標(biāo)域分布。這些方法根據(jù)已有的理論結(jié)果,指出可通過限制域之間的差異大小來部分地限制泛化誤差。因此,傳統(tǒng)觀點認(rèn)為必須完全對齊域之間分布。但是在目標(biāo)檢測領(lǐng)域,由于目標(biāo)檢測中各域的目標(biāo)類別、位置、大小和數(shù)量等不盡相同,完全對齊域的分布可能會損害檢測器檢測目標(biāo)的性能,產(chǎn)生域的負(fù)遷移現(xiàn)象。

    在之前的一些方法中,例如,DA-FasterRCNN,它在圖像級上和實例級上分別使用域分類器進(jìn)行域之間的分布對齊,其中圖像級上的域?qū)R在全局圖像尺度上進(jìn)行對齊。雖然它可能適用于僅影響對象外觀或者紋理的域偏移(比如天氣上的偏移),但在目標(biāo)檢測領(lǐng)域,在全局圖像尺度上對目標(biāo)數(shù)量、類別、位置等域偏移強制進(jìn)行域?qū)R可能會損害檢測器檢測目標(biāo)信息的性能。比如源域中,圖像可能包含的是單個較大對象,位于圖像某個位置,而在目標(biāo)域中,圖像可能包含多個較小對象,分布在圖像各個位置。在這種情況下進(jìn)行整個圖像上的域?qū)R會影響檢測器的性能。但同時,對對象外觀或者紋理的域偏移影響較小,在大多數(shù)情況下會提高檢測器的檢測性能。這就是域可辨性與不變性之間的矛盾所在。文獻(xiàn)[20]中提出了區(qū)域級域自適應(yīng)框架,為了解決“看哪里”和“如何對齊”的問題,設(shè)計了兩個關(guān)鍵組件,區(qū)域挖掘和可調(diào)整的區(qū)域級域適應(yīng)。文獻(xiàn)[21]中提出了一種自我培訓(xùn)框架,該框架在相互學(xué)習(xí)過程中利用對抗學(xué)習(xí)和弱-強數(shù)據(jù)增強來解決領(lǐng)域轉(zhuǎn)移問題。文獻(xiàn)[22]中證明經(jīng)過對抗訓(xùn)練的目標(biāo)檢測器在顯著偏離源域的目標(biāo)域中可實現(xiàn)更好的檢測性能,同時提出了一種結(jié)合對抗性訓(xùn)練和特征對齊的方法,以確保源域和目標(biāo)域的更好對齊。上述方法都沒有聚焦于域可辨性和不變性之間的矛盾問題。而文獻(xiàn)[23]中提出將類別信息引入實例級域分類器進(jìn)行域?qū)R,其對每個實例特征在實例級各個域分類器中損失函數(shù)的權(quán)重取為預(yù)測器預(yù)測實例特征在對應(yīng)各個類別上的概率值。但預(yù)測器對實例特征非最終預(yù)測類別的其他類別的預(yù)測概率沒有進(jìn)行直接約束,這種權(quán)重取值方法可能導(dǎo)致最后并沒有緩解域可辨性與不變性之間的矛盾。

    在DA-FasterRCNN中,在全局特征上僅僅只對網(wǎng)絡(luò)某一層所提取的特征進(jìn)行域?qū)R,而并沒有在多個尺度上對特征進(jìn)行域?qū)R。這樣可能會錯過其他中間層包含的豐富域信息,例如不同尺度的域位移。

    為解決上述多尺度問題與域可辨性和不變性之間的矛盾問題,本文中提出了一種多尺度掩碼分類域自適應(yīng)網(wǎng)絡(luò)(multi-scale mask and clas-sification network,MMCN)。該網(wǎng)絡(luò)在保持域的可辨性的前提下,充分利用多層次的信息,并使網(wǎng)絡(luò)盡可能地提取出域不變信息,創(chuàng)新點如下。

    (1)提出多尺度模塊,在多個網(wǎng)絡(luò)層上進(jìn)行全局圖像尺度上的域?qū)R,旨在對不同尺度的目標(biāo)進(jìn)行域分布對齊,減少域偏移。

    (2)提出區(qū)域提議掩碼模塊,在中間特征層上插入掩碼來保持域的可辨性,之后再對加入掩碼后的中間特征層進(jìn)行域?qū)R,即可在保持域的可辨性前提下,使網(wǎng)絡(luò)提取出域不變信息,從而緩解完全對齊域分布對檢測器性能的損害。

    (3)提出補充信息模塊,在中間特征層經(jīng)過區(qū)域提議掩碼模塊后,對中間特征層進(jìn)行卷積操作,提取出全局圖像上的域不變信息(例如圖像風(fēng)格、光照、紋理),補充給實例特征。使實例級上的域分類器聚焦于實例間的域偏移。

    (4)提出實例分類域?qū)R模塊,對每個類別的實例單獨進(jìn)行域?qū)R,并將非此類別實例特征以一定的固定權(quán)值作為補充樣本進(jìn)行補充。旨在緩解域的可辨性和不變性之間的矛盾。

    1 基本原理

    1.1 基于對抗學(xué)習(xí)的深度無監(jiān)督域自適應(yīng)

    假設(shè)一個深度學(xué)習(xí)的樣本空間為×,其中為輸入空間,為輸出空間也即標(biāo)簽空間。其中是一個有限集即標(biāo)簽有限,∈為輸入樣本,為標(biāo)簽空間中的一些標(biāo)簽。假設(shè)在×中存在(,)和(,)兩種分布,其中(,)為源分布,(,)為目標(biāo)分布。定義域標(biāo)簽為,源域標(biāo)簽為0,目標(biāo)域標(biāo)簽為1,下標(biāo)表示第個輸入樣本,則當(dāng)d=0時x∈(),當(dāng)d=1時x∈()。則深度學(xué)習(xí)模型目標(biāo)是對于目標(biāo)域樣本,能夠預(yù)測出相應(yīng)標(biāo)簽。

    定義一個深度前饋網(wǎng)絡(luò),此網(wǎng)絡(luò)對輸入預(yù)測其類別標(biāo)簽∈和域標(biāo)簽={0,1},網(wǎng)絡(luò)可分為3部分即特征提取器、標(biāo)簽預(yù)測器和域分類器。特征提取器通過映射函數(shù)G將輸入映射為即=G(;θ),其中θ為映射函數(shù)G的參數(shù)。標(biāo)簽預(yù)測器通過映射函數(shù)G將特征映射為標(biāo)簽即=G(;θ),其中θ為映射函數(shù)G的參數(shù)。域分類器通過映射函數(shù)G將特征映射為域標(biāo)簽即=G(;θ),其中θ為映射函數(shù)G的參數(shù)。

    在網(wǎng)絡(luò)訓(xùn)練期間,需學(xué)習(xí)參數(shù)θ使得域分類器損失最大化,即使網(wǎng)絡(luò)學(xué)習(xí)到源域和目標(biāo)域之間的域不變特征;同時需要學(xué)習(xí)參數(shù)θ使得域分類器的損失最小化,保證域分類器的分類性能,這與前者形成了對抗;并學(xué)習(xí)參數(shù)θθ使得標(biāo)簽預(yù)測器損失最小化。因此最終損失函數(shù)如下:

    式中:為總損失函數(shù);L為標(biāo)簽預(yù)測器損失函數(shù);L為域分類器損失函數(shù);為平衡預(yù)測器損失和域分類器損失的超參數(shù)。

    1.2 網(wǎng)絡(luò)總覽

    網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖1所示,本文以Faster RCNN為基礎(chǔ)框架,所提出的網(wǎng)絡(luò)包含了多尺度、區(qū)域提議掩碼、補充信息和實例分類域?qū)R4個模塊。多尺度模塊在主干網(wǎng)絡(luò)中多個網(wǎng)絡(luò)層進(jìn)行域?qū)褂?xùn)練,充分利用中間層的域信息,區(qū)域提議掩碼模塊加入?yún)^(qū)域提議網(wǎng)絡(luò)(region proposal network,RPN)提取出的區(qū)域提議作為掩碼,以保持域的可辨性,在此前提下做域自適應(yīng)。補充信息模塊將進(jìn)行域自適應(yīng)的各個中間層進(jìn)行前向傳播與實例特征進(jìn)行結(jié)合,使實例級的域分類器聚焦于分辨實例之間的域遷移。實例分類域?qū)R模塊將Faster R-CNN的類別預(yù)測信息引入實例域分類器中,對每個類別分別進(jìn)行域自適應(yīng)以緩解域的可辨性和不變性之間的矛盾。

    圖1 MMCN算法框架圖

    無監(jiān)督域自適應(yīng)目標(biāo)檢測一般定義源域為,目標(biāo)域為。在源域中,目標(biāo)類別和目標(biāo)位置信息已知,而在目標(biāo)域中,標(biāo)注信息是未知的。={(,y)},其中∈R代指圖像,y則代指圖像對應(yīng)的邊界框信息和類別信息,為圖像索引。每個標(biāo)簽y=(,),為類別標(biāo)簽,c指代類別?!蔙為一個4維的邊界框信息。對于目標(biāo)域僅有圖像即={},其中t指代目標(biāo)域。

    1.3 多尺度模塊

    首先在主干網(wǎng)絡(luò)的多個中間層構(gòu)建一個分層的域分類器庫,定義以為目標(biāo)檢測器的主干網(wǎng)絡(luò),本文 中 采 用 梯 度 反 轉(zhuǎn) 層(gradient reversal layer,GRL)來進(jìn)行對抗訓(xùn)練,梯度反轉(zhuǎn)層位于主干網(wǎng)絡(luò)和域分類器之間。在神經(jīng)網(wǎng)絡(luò)進(jìn)行反向傳播時,梯度反轉(zhuǎn)層會將域分類器通往主干網(wǎng)絡(luò)的梯度反轉(zhuǎn)。將第個中間層的特征圖B∈R送入梯度反轉(zhuǎn)層,然后送入域分類器中進(jìn)行源域和目標(biāo)域的分類。域分類器采用全卷積結(jié)構(gòu),網(wǎng)絡(luò)層全為卷積層。源域的標(biāo)簽為0,目標(biāo)域的標(biāo)簽為1。

    與DA-FasterRCNN只在主干網(wǎng)絡(luò)的最后一層進(jìn)行全局圖像尺度上的域自適應(yīng)不同,本文中提出在主干網(wǎng)絡(luò)的多個中間層進(jìn)行域?qū)褂?xùn)練,在多個尺度上減少實例的域偏移,并采用VGG-16的主干網(wǎng)絡(luò),見圖2,使用第6、9、13個卷積層后的特征圖作為進(jìn)行域?qū)褂?xùn)練的中間層。

    圖2 多尺度模塊

    1.4 區(qū)域提議掩碼模塊

    另外為了緩解域的不變性與可辨性之間的矛盾,在RPN提取出區(qū)域提議之后,在做域自適應(yīng)的中間特征圖上加入?yún)^(qū)域提議掩碼,如圖3所示,每個掩碼與對應(yīng)的特征圖大小一致,區(qū)域提議在中間特征圖上對應(yīng)的映射區(qū)域值為0,中間特征圖上其他區(qū)域值為1。得到區(qū)域提議掩碼之后,將掩碼與對應(yīng)的中間特征圖進(jìn)行點乘,即保持了域的可辨性(目標(biāo)信息)。然后再對加入掩碼后的中間特征圖進(jìn)行域?qū)褂?xùn)練,提取出域不變信息。

    圖3 區(qū)域提議掩碼模塊

    為能在多個尺度上對實例進(jìn)行域?qū)褂?xùn)練,提 取出實例的域不變信息。MMCN網(wǎng)格不在所有中間特征層上都加入?yún)^(qū)域提議掩碼。本文中,在第2個中間層上加入掩碼,具體實驗細(xì)節(jié)見第2部分實驗與分析。

    1.5 補充信息模塊

    在中間特征層上加入?yún)^(qū)域提議掩碼之后,域自適應(yīng)中間特征層整體更偏向于提取出全局圖像上的域不變特征(例如圖像風(fēng)格、光照、紋理),因此,如圖4所示,將這些特征進(jìn)行前向傳播,然后與全連接層之后的實例特征進(jìn)行拼接操作,讓實例級的域分類器能夠更專注于實例之間的域偏移(大小、遮擋等)。

    圖4 補充信息模塊

    1.6 實例分類域?qū)R模塊

    在主干網(wǎng)絡(luò)提取出全局圖像上的域不變特征后,在實例級上對實例特征進(jìn)行域?qū)褂?xùn)練,減小實例間的域偏移(大小、遮擋等)。在目標(biāo)檢測中,目標(biāo)通常有多個類別數(shù)。在進(jìn)行實例級上的域?qū)R時,以往的模型是在對RPN提取出的所有區(qū)域提議在一個實例域分類器上進(jìn)行域?qū)褂?xùn)練,也即將所有類別的實例特征在一個實例域分類器上進(jìn)行域自適應(yīng)。這樣將不同類別的實例特征強制進(jìn)行域?qū)R,不能保證目標(biāo)檢測中域的可辨性,產(chǎn)生域負(fù)遷移現(xiàn)象,損害目標(biāo)檢測器性能。

    因此,本文中提出實例分類域?qū)R模塊,如圖5所示,在實例級上訓(xùn)練多個域分類器,每個域分類器單獨對一個類別的實例特征進(jìn)行域?qū)褂?xùn)練。在RCNN預(yù)測出每個實例特征的類別信息后,利用類別信息,將實例特征分類并送入相應(yīng)類別的域分類器中進(jìn)行訓(xùn)練,同時為了避免實例級域分類器的訓(xùn)練樣本不足,將同一圖像的所有實例特征除了送入某一實例級域分類器的實例特征之外的實例特征以一定權(quán)重作為負(fù)樣本補充給域分類器,具體實驗見下一節(jié)。這樣在保證域可辨性的前提下,使得網(wǎng)絡(luò)盡可能學(xué)習(xí)到域不變特征,緩解了兩者之間的矛盾。

    圖5 實例分類域?qū)R模塊

    因此這里訓(xùn)練了與類別相關(guān)的域分類器,針對每個類別單獨進(jìn)行域?qū)褂?xùn)練,以實例特征的類別預(yù)測信息作為輔助信息,盡可能地保證了域的可辨性,減少了域的負(fù)遷移現(xiàn)象。同時為了使域?qū)褂?xùn)練有充足的樣本,將非此類實例特征作為負(fù)樣本進(jìn)行補充,并對負(fù)樣本進(jìn)行適當(dāng)?shù)臋?quán)值分配,使域分類器能提取出有效的域不變信息。

    1.7 損失函數(shù)

    MMCN網(wǎng)絡(luò)各域分類器損失函數(shù)的采用如下所述。

    圖2中特征圖1處的域分類器損失函數(shù)遵循文獻(xiàn)[26],采用均方誤差損失。這個損失函數(shù)穩(wěn)定了域分類器的訓(xùn)練,且能夠促進(jìn)對齊低級特征:

    式中:(,)為區(qū)域提議掩碼上點的坐標(biāo),忽略了深度;A為RPN網(wǎng)絡(luò)在第張圖像上提取出的區(qū)域提議在第個中間層上的映射的集合。

    圖2中特征圖2處的域分類器損失函數(shù)采用交叉熵?fù)p失函數(shù),交叉熵?fù)p失衡量一個分類模型的性能,該模型的輸出是一個概率值,它隨著預(yù)測概率偏離實際標(biāo)簽而增加,公式如下:

    圖2中特征圖3處的域分類器損失函數(shù)采用Focal Loss。Focal Loss使分類器在訓(xùn)練過程中能比簡單樣本更聚焦于分類困難樣本,以提高分類器性能,其公式如下:

    式中為Focal Loss中聚焦參數(shù),以控制困難樣本在損失中所占的比例。

    1.8 訓(xùn)練與推理

    本文所提網(wǎng)絡(luò)的基礎(chǔ)框架是Faster R-CNN。目前大多數(shù)域自適應(yīng)目標(biāo)檢測工作用的都是這個檢測框架。整個目標(biāo)檢測的損失可總結(jié)為

    式中:為RPN網(wǎng)絡(luò)的損失;為Faster R-CNN中分類損失;為Faster R-CNN中邊界框回歸損失。

    式中:p為錨框預(yù)測為真實標(biāo)簽的概率;t為預(yù)測錨框的邊界框回歸參數(shù);為錨框?qū)?yīng)真實目標(biāo)的邊界框回歸參數(shù)。

    式中:為類別預(yù)測概率;為真實類別;p為類別的預(yù)測概率;t為對應(yīng)邊界框回歸器預(yù)測的對應(yīng)類別的回歸參數(shù);為對應(yīng)真實目標(biāo)的邊界框回歸參數(shù)。

    整個網(wǎng)絡(luò)的損失函數(shù)為

    式中:為平衡Faster R-CNN損失和域分類器損失的超參數(shù);為區(qū)域提議網(wǎng)絡(luò)和Faster R-CNN預(yù)測器模塊。整個網(wǎng)絡(luò)可以用標(biāo)準(zhǔn)的隨機梯度下降(stochastic gradient descent,SGD)來進(jìn)行端到端的訓(xùn)練,網(wǎng)絡(luò)的域自適應(yīng)的對抗訓(xùn)練部分則通過GRL層來實現(xiàn),GRL層可以在反向傳播過程中自動反轉(zhuǎn)梯度,而在推理過程中,域自適應(yīng)組件可以移除,只采用原始的目標(biāo)檢測部分即Faster R-CNN框架進(jìn)行檢測即可。

    2 實驗與分析

    2.1 測試場景

    為便于比較,根據(jù)最近對域自適應(yīng)目標(biāo)檢測的研究,在良好天氣到霧天情況的域自適應(yīng)場景下對本文提出的方法進(jìn)行評估。訓(xùn)練數(shù)據(jù)在良好天氣下采集,測試數(shù)據(jù)為合成的霧天數(shù)據(jù)。

    2.2 實驗細(xì)節(jié)與算法評價指標(biāo)

    在本文所有的實驗中,參照文獻(xiàn)[2],輸入圖片的寬度調(diào)整為600像素。采用SGD優(yōu)化器訓(xùn)練模型,初始學(xué)習(xí)率設(shè)置為0.001,每經(jīng)過50 000次迭代之后就將學(xué)習(xí)率降低10倍。本文中設(shè)置=2.0,=5.0。epoch=25,batchsize=1。參照文獻(xiàn)[26],所有消融實驗和對照實驗均在相同實驗條件下完成。

    在目標(biāo)檢測領(lǐng)域中,以常用各類別平均精度的平均值(mean average precision,mAP)作為算法性能的評價指標(biāo),計算公式如下:

    式中:為各類別單獨的平均精度(average precision);為檢測的類別數(shù)量。在某一類別下,根據(jù)模型檢測結(jié)果和數(shù)據(jù)集標(biāo)注計算出各個點在以類別精度(Presion)為縱坐標(biāo),類別召回率(Recall)為橫坐標(biāo)所形成的坐標(biāo)系中的坐標(biāo),并根據(jù)坐標(biāo)繪制出PR曲線。再對PR曲線進(jìn)行平滑處理,即存在召回率為的點,其精度值為。取所有召回率大于的點中精度最大值為,并將值換成。PR曲線經(jīng)過平滑處理后,通過計算PR曲線下的面積得到這一類別AP。的計算公式如下:

    式中:為圖片中各個類別的正確檢測(true positive)數(shù)量;為誤檢(false positive)數(shù)量;為漏檢(false negative)數(shù)量。

    2.3 良好天氣到霧天情況下的域偏移

    本文從Cityscapes到FoggyCityscapes來驗證所提出模型的有效性。Cityscapes作為本文的源域數(shù)據(jù)集,其數(shù)據(jù)符合良好天氣采集。該大型數(shù)據(jù)集包含來自50個不同城市場景中記錄的多種立體視頻序列,有20 000個弱注釋幀和5 000幀高質(zhì)量像素級注釋。在本文實驗中,采用數(shù)據(jù)集中具有以下類別標(biāo)注的實例作為模型訓(xùn)練和評估的樣本:人、騎手、汽車、貨車、公共汽車、火車、摩托車和自行車。

    對于目標(biāo)域,本文采用FoggyCityscapes。它是一個合成的霧天場景數(shù)據(jù)集,模擬了真實場景中的霧。圖像使用來自Cityscapes的圖像和深度圖來進(jìn)行渲染。FoggyCityscapes的語義標(biāo)注和數(shù)據(jù)拆分繼承自Cityscapes,適合對由天氣條件引起的主要變化進(jìn)行研究。兩者都共有8個類別的3 475張圖片,其中2 975張圖片用于訓(xùn)練,剩下的500張圖片用來驗證。

    在本實驗中,源域和目標(biāo)域分別為Cityscapes和FoggyCityscapes的訓(xùn)練集,然后將FoggyCityscaps的驗證集作為測試集來評估模型效果,數(shù)據(jù)集圖片如圖6所示。表1展示了本文和其他一些方法結(jié)果的對比,本文所提出方法的mAP最高,達(dá)40.8%,比Faster RCNN模型 高20.5個百分點,比DA-FasterRCNN高13.2個百分點,比Strong-Weak等其他域自適應(yīng)目標(biāo)檢測結(jié)果也較優(yōu),證明了算法改進(jìn)的有效性。

    表1 Cityscapes→FoggyCityscapes域自適應(yīng)目標(biāo)檢測結(jié)果

    圖6 Cityscapes與FoggyCityscapes數(shù)據(jù)集圖片

    2.4 消融與對比實驗

    為驗證MMCN網(wǎng)絡(luò)各個模塊的有效性,對各個模塊在Cityscapes到FoggyCityscapes數(shù)據(jù)集上進(jìn)行消融實驗,實驗相關(guān)數(shù)據(jù)見表2~表4。

    表2 非此類別負(fù)樣本損失所占權(quán)重消融實驗

    當(dāng)不采用任何模塊時,網(wǎng)絡(luò)只在主干網(wǎng)絡(luò)輸出的特征層上和實例特征上進(jìn)行域?qū)褂?xùn)練,網(wǎng)絡(luò)在數(shù)據(jù)集上測試結(jié)果mAP為31.7%。在此基礎(chǔ)上加入實例分類域?qū)R模塊后,mAP為34.7%,提高了3個百分點。而換上多尺度模塊后,mAP為36.5%,提高了4.8個百分點。由于區(qū)域提議模塊對中間特征層加入?yún)^(qū)域提議掩碼后,再從中間特征層提取出全局圖像上的域不變特征作為補充信息對實例特征進(jìn)行補充,使實例級域分類器更聚焦于實例之間的域偏移,所以將區(qū)域提議模塊和補充信息模塊作為一個模塊進(jìn)行消融實驗。根據(jù)表4區(qū)域提議掩碼位置消融實驗可知,在所有層上做區(qū)域提議掩碼時效果較差,因此選擇在多尺度模塊的基礎(chǔ)上加入?yún)^(qū)域提議掩碼模塊和補充信息模塊來驗證其有效性,測試結(jié)果如表5所示。由表可見,在多尺度模塊的基礎(chǔ)上加入?yún)^(qū)域提議掩碼模塊和補充信息模塊后mAP為39.9%,相較于只加多尺度模塊,提高了3.4個百分點。而在多尺度模塊的基礎(chǔ)上加入實例分類域?qū)R模塊后mAP為39.3%,比只加多尺度模塊,提高了2.8個百分點。由上述分析可以看出各個模塊的貢獻(xiàn)度。

    表4 區(qū)域提議掩碼位置消融實驗

    表5 各模塊消融實驗

    對于實例級上的每個域分類器,非此類別的負(fù)樣本的損失所占權(quán)重的取值會對實驗結(jié)果產(chǎn)生影響。表2展示了不同權(quán)值對模型的影響,非此類別的負(fù)樣本的損失所占權(quán)重以0.1為間隔,從0.1升到0.9,同時網(wǎng)絡(luò)結(jié)構(gòu)不采用區(qū)域提議掩碼模塊和補充信息模塊。從表2和圖7中可以看出,當(dāng)權(quán)重取0.5時,網(wǎng)絡(luò)檢測精度最高。根據(jù)文獻(xiàn)[27]中所提出的檢測分類器的訓(xùn)練效果與訓(xùn)練損失有很大的關(guān)系,對于包含信息量少的負(fù)樣本不應(yīng)支配訓(xùn)練損失,否則無法得出一個對模型訓(xùn)練提供正確指導(dǎo)的損失。因此所取權(quán)重也不可過大,使得負(fù)樣本來占據(jù)損失的主要部分。最終本實驗其他類別的實例特征權(quán)值均采用0.5。

    圖7 非此類別負(fù)樣本損失所占權(quán)重實驗結(jié)果

    在實例分類域?qū)R模塊中,文獻(xiàn)[23]中對每個實例特征在實例級各個域分類器中損失函數(shù)的權(quán)重取為預(yù)測器預(yù)測實例特征在對應(yīng)各個類別上的概率值。其實例級域分類器損失函數(shù)采用交叉熵?fù)p失函數(shù)(見式(8))。根據(jù)文獻(xiàn)[32],交叉熵主要利用真實類別的信息來最大化似然性,而忽略了來自除真實類別外其他類別的信息。對其他類別并沒有直接約束。因此在訓(xùn)練過程中,預(yù)測器對實例特征預(yù)測類別概率,除真實類別概率外的其他類別概率可能較高甚至接近真實類別概率。那么在文獻(xiàn)[23]中某一類別的實例域分類器中屬于這一類別實例特征所占權(quán)重與不屬于這一類別實例特征所占權(quán)重可能相近,其結(jié)果并未緩解域可辨性與不變性之間的矛盾。因此本文對非此類別實例特征權(quán)重采取一定固定值,既能作為補充樣本對實例級域分類器進(jìn)行補充,又不使得補充樣本占據(jù)損失主導(dǎo)地位,而未能緩解域可辨性與不變性之間的矛盾。在相同實驗條件下將表2中權(quán)值改為預(yù)測器的類別預(yù)測概率后進(jìn)行對比實驗,實驗結(jié)果如表6所示。表明本文的權(quán)重取值方法更優(yōu)。

    表6 對比實驗

    在多尺度模塊中,主干網(wǎng)絡(luò)選擇的是VGG-16網(wǎng)絡(luò)。第13層為主干網(wǎng)絡(luò)的最后一層即輸出層,在此層上做全局尺度上的域?qū)R。對于前兩個中間層,為使所選取的中間層具有一定的語義信息,本文分別在VGG-16網(wǎng)絡(luò)的第2個到第3個maxpool之間即網(wǎng)絡(luò)的第5、6、7層和第3個到第4個maxpool之間即網(wǎng)絡(luò)的第8、9、10層中選擇前兩個中間層。實驗結(jié)果如表3所示,表明網(wǎng)絡(luò)的第6、9、13層做域?qū)R時網(wǎng)絡(luò)在數(shù)據(jù)集上測試精度最高。

    表3 中間層位置消融實驗

    在區(qū)域提議掩碼模塊中,所取掩碼在主干網(wǎng)絡(luò)上的位置會對實驗結(jié)果產(chǎn)生影響。表4展示了在不同位置加上掩碼后模型的測試結(jié)果。此時模型不采用實例分類域?qū)R模塊。由表4可見,僅僅在實例級上對目標(biāo)進(jìn)行域?qū)褂?xùn)練還不夠,需要同時在主干網(wǎng)絡(luò)的某一合適的尺度也對目標(biāo)特征進(jìn)行域自適應(yīng),以更好地提取出目標(biāo)物的域不變信息。另外,在第1、2、3個中間層上同時加上掩碼時效果最差。在第2個中間層上加上掩碼時的mAP最高。

    圖8展示了網(wǎng)絡(luò)檢測結(jié)果對于式(26)中的參數(shù)和式(12)中的的敏感性。為檢測器損失和域分類器損失之間的平衡超參數(shù),為在Focal Loss中困難樣本所占損失的權(quán)重。在Cityscapes到FoggyCityscapes的跨域檢測場景中對這兩個超參數(shù)進(jìn)行實驗。結(jié)果表明為2.0、為5.0時,算法的表現(xiàn)最好,mAP達(dá)40.8%。

    圖8 模型對參數(shù)λ和γ值的靈敏度

    圖9顯示了檢測算法在FoggyCityscapes的驗證集上的一些圖片的可視化測試效果,對比了Faster R-CNN、DA-FasterRCNN和本文的模型MMCN 3種檢測算法。由圖可見,與傳統(tǒng)的目標(biāo)檢測算法Faster R-CNN和域自適應(yīng)目標(biāo)檢測算法DA-FasterRCNN相比,本文的模型MMCN能夠在霧天的場景下檢測出更多小目標(biāo)和模糊不清的目標(biāo),并且對邊界框位置預(yù)測得更加準(zhǔn)確。顯示了本文算法在跨域目標(biāo)檢測的有效性。

    圖9 Fast er R-CNN、DA-FasterRCNN、MMCN在FoggyCityscapes上的檢測示例

    2.5 討論

    本文中提出多尺度模塊,充分利用多尺度的信息,經(jīng)過實驗后模型在第6、9、13層上在FoggyCityscape數(shù)據(jù)集上表現(xiàn)最優(yōu);在區(qū)域提議掩碼模塊中,MMCN以區(qū)域提議在特征圖上的映射作為掩碼,保證了域的可辨性。并在此基礎(chǔ)上對經(jīng)過區(qū)域提議掩碼模塊處理后的特征圖進(jìn)行域?qū)褂?xùn)練,使網(wǎng)絡(luò)能夠提取出域不變信息,緩解了域可辨性與不變性之間的矛盾。在對特征圖經(jīng)過區(qū)域提議掩碼模塊處理時,本文將區(qū)域提議在原圖上對應(yīng)的位置根據(jù)降采樣映射在相應(yīng)的中間特征層上,但實際上此時特征圖上映射的區(qū)域提議對應(yīng)的感受野可能并不等同于原圖上區(qū)域提議的所在區(qū)域,如何精準(zhǔn)地將原圖區(qū)域提議映射在中間特征層上是有待后續(xù)研究的問題;在補充信息模塊中,中間特征層經(jīng)過區(qū)域提議掩碼模塊后,整體更傾向于提取出全局圖像上的域不變特征(例如圖像風(fēng)格、光照、紋理),將這些特征與實例特征進(jìn)行拼接,能使實例級域分類器聚焦于實例之間域偏移;在實例分類域?qū)R模塊中,MMCN在實例級上為每一個類別單獨訓(xùn)練一個域分類器,增強域的可辨性,并進(jìn)行域?qū)褂?xùn)練使網(wǎng)絡(luò)能夠提取出域的不變信息,緩解了域可辨性與不變性之間的矛盾。

    在模型的速度上,MMCN是基于域自適應(yīng)所提出的網(wǎng)絡(luò)。在網(wǎng)絡(luò)中增加的域自適應(yīng)組件為可拆卸組件,其只在網(wǎng)絡(luò)訓(xùn)練時起作用,能夠為檢測網(wǎng)絡(luò)訓(xùn)練出更好的網(wǎng)絡(luò)參數(shù)。而在檢測網(wǎng)絡(luò)進(jìn)行推理時可將域自適應(yīng)組件移除,保留原始的檢測網(wǎng)絡(luò)例如Faster R-CNN。因此MMCN能夠在不增加網(wǎng)絡(luò)推理成本即不影響檢測速度的前提下,提高網(wǎng)絡(luò)的泛化能力。

    3 結(jié)論

    本文中提出了一種新的無監(jiān)督域自適應(yīng)目標(biāo)檢測網(wǎng)絡(luò)MMCN,用來解決目標(biāo)檢測對大型標(biāo)注數(shù)據(jù)集的依賴問題,其在多個中間特征層上進(jìn)行域?qū)褂?xùn)練,充分利用多尺度的信息。并加入?yún)^(qū)域提議掩碼模塊和實例域分類對齊模塊,增強域的可辨性,使網(wǎng)絡(luò)盡可能地提取出域的不變信息,緩解域自適應(yīng)在目標(biāo)檢測領(lǐng)域中域的不變性和可辨性之間的矛盾。同時加入補充信息模塊,使得實例級域分類器聚焦于實例之間的域偏移,提高了網(wǎng)絡(luò)的泛化能力。MMCN網(wǎng)絡(luò)的域自適應(yīng)方法的有效性在Cityscapes到FoggyCityscapes的場景變換中得到了驗證,精度優(yōu)于基線Faster R-CNN和DA-FasterRCNN等域自適應(yīng)網(wǎng)絡(luò),從而證明了其跨域目標(biāo)檢測的有效性。在區(qū)域提議模塊中,如何精準(zhǔn)地將原圖區(qū)域提議映射在中間特征層上是有待后續(xù)研究的問題。

    猜你喜歡
    掩碼實例類別
    低面積復(fù)雜度AES低熵掩碼方案的研究
    基于布爾異或掩碼轉(zhuǎn)算術(shù)加法掩碼的安全設(shè)計*
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    基于掩碼的區(qū)域增長相位解纏方法
    基于掩碼的AES算法抗二階DPA攻擊方法研究
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    完形填空Ⅱ
    完形填空Ⅰ
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    聚合酶鏈?zhǔn)椒磻?yīng)快速鑒別5種常見肉類別
    亚洲自拍偷在线| 国产精品永久免费网站| 国产在线男女| 日本黄色视频三级网站网址| 亚洲真实伦在线观看| 少妇丰满av| 婷婷精品国产亚洲av| 免费在线观看影片大全网站| 精品国产三级普通话版| 亚洲内射少妇av| 一个人免费在线观看电影| 69av精品久久久久久| 日本一二三区视频观看| 精品99又大又爽又粗少妇毛片| av专区在线播放| 白带黄色成豆腐渣| 又粗又爽又猛毛片免费看| 日韩精品有码人妻一区| 波多野结衣高清作品| 免费大片18禁| 久久久久国内视频| 国产日本99.免费观看| 特大巨黑吊av在线直播| 赤兔流量卡办理| 三级男女做爰猛烈吃奶摸视频| 日韩欧美 国产精品| 国产精品一区二区性色av| 久久人人精品亚洲av| 日本精品一区二区三区蜜桃| 男女之事视频高清在线观看| 国产精品久久久久久久久免| 中文字幕av在线有码专区| 婷婷精品国产亚洲av| 久久热精品热| 色吧在线观看| 男女视频在线观看网站免费| 99久国产av精品国产电影| 亚洲欧美精品综合久久99| 欧美成人精品欧美一级黄| 国产在线精品亚洲第一网站| 亚洲最大成人中文| 中文字幕av成人在线电影| 国产高清激情床上av| 九九热线精品视视频播放| 观看美女的网站| 久久久国产成人免费| 免费黄网站久久成人精品| 国产综合懂色| 国语自产精品视频在线第100页| 12—13女人毛片做爰片一| 日本 av在线| 综合色av麻豆| 一本久久中文字幕| 91精品国产九色| 人妻丰满熟妇av一区二区三区| 网址你懂的国产日韩在线| 神马国产精品三级电影在线观看| 国产精品免费一区二区三区在线| 嫩草影院入口| 午夜精品国产一区二区电影 | 欧美3d第一页| 久久精品国产亚洲av涩爱 | 久久久久久久午夜电影| 热99re8久久精品国产| 国产激情偷乱视频一区二区| 日本与韩国留学比较| 激情 狠狠 欧美| 最近的中文字幕免费完整| 国产激情偷乱视频一区二区| 少妇人妻一区二区三区视频| 天天躁日日操中文字幕| 国产色婷婷99| 久久欧美精品欧美久久欧美| 一夜夜www| 精品午夜福利视频在线观看一区| 熟妇人妻久久中文字幕3abv| 国产女主播在线喷水免费视频网站 | 国内精品美女久久久久久| 久久久久久久久大av| 哪里可以看免费的av片| 在线免费十八禁| 亚洲国产精品国产精品| 特级一级黄色大片| 神马国产精品三级电影在线观看| 97在线视频观看| 久久久色成人| 在线播放国产精品三级| 三级男女做爰猛烈吃奶摸视频| 亚洲精品成人久久久久久| 国产精品日韩av在线免费观看| 成人无遮挡网站| 如何舔出高潮| 两性午夜刺激爽爽歪歪视频在线观看| 色在线成人网| 国产黄色小视频在线观看| 国产麻豆成人av免费视频| 久久久a久久爽久久v久久| 亚洲经典国产精华液单| 国产伦精品一区二区三区视频9| 欧美性感艳星| 成年免费大片在线观看| 免费av观看视频| 身体一侧抽搐| 亚洲内射少妇av| 在线观看美女被高潮喷水网站| 国产真实乱freesex| 一本精品99久久精品77| 精品一区二区三区视频在线观看免费| 久久99热这里只有精品18| 狠狠狠狠99中文字幕| 国产精品一二三区在线看| 国产欧美日韩精品一区二区| 高清午夜精品一区二区三区 | 亚洲av中文av极速乱| 久久中文看片网| 丝袜美腿在线中文| 亚洲一区高清亚洲精品| 内射极品少妇av片p| 日韩一本色道免费dvd| 久久久久久久久久黄片| 亚洲欧美清纯卡通| 午夜久久久久精精品| 99久久九九国产精品国产免费| 久久人人精品亚洲av| 日韩强制内射视频| 狂野欧美白嫩少妇大欣赏| 青春草视频在线免费观看| 国产视频一区二区在线看| 99久久精品热视频| 俺也久久电影网| 国产精品永久免费网站| 欧美日韩一区二区视频在线观看视频在线 | 在线国产一区二区在线| 亚洲人成网站在线播放欧美日韩| 此物有八面人人有两片| a级毛片a级免费在线| 99在线视频只有这里精品首页| 观看免费一级毛片| 欧美一区二区精品小视频在线| 97超视频在线观看视频| 久久久色成人| 波多野结衣巨乳人妻| 在线观看66精品国产| 亚洲图色成人| 亚洲欧美日韩东京热| 午夜福利18| 欧美日韩乱码在线| 晚上一个人看的免费电影| 伊人久久精品亚洲午夜| 成人国产麻豆网| av在线播放精品| 国产69精品久久久久777片| 精品久久久久久久人妻蜜臀av| 成年女人看的毛片在线观看| 亚洲精品粉嫩美女一区| 99热这里只有是精品在线观看| 久久久久久久久中文| 老熟妇仑乱视频hdxx| 变态另类丝袜制服| 亚洲四区av| 十八禁国产超污无遮挡网站| 日韩av不卡免费在线播放| 最近中文字幕高清免费大全6| 女人被狂操c到高潮| 18+在线观看网站| 日韩av不卡免费在线播放| 长腿黑丝高跟| 99热6这里只有精品| 人妻制服诱惑在线中文字幕| 亚洲自偷自拍三级| 男人狂女人下面高潮的视频| 国产麻豆成人av免费视频| 免费黄网站久久成人精品| 三级国产精品欧美在线观看| 岛国在线免费视频观看| 少妇的逼水好多| 3wmmmm亚洲av在线观看| 在线免费观看不下载黄p国产| 日韩,欧美,国产一区二区三区 | 男人舔奶头视频| 欧美在线一区亚洲| 日韩大尺度精品在线看网址| 2021天堂中文幕一二区在线观| 夜夜爽天天搞| 真实男女啪啪啪动态图| 精品久久久久久久久亚洲| 久久久久国内视频| 欧美高清成人免费视频www| 少妇丰满av| 久久久国产成人免费| 两性午夜刺激爽爽歪歪视频在线观看| 日韩欧美三级三区| 成熟少妇高潮喷水视频| 午夜福利高清视频| 午夜免费激情av| 久久久久久久久中文| 国产高清激情床上av| 乱系列少妇在线播放| 日本熟妇午夜| 丰满乱子伦码专区| 日本三级黄在线观看| 国产高清视频在线播放一区| 日韩成人av中文字幕在线观看 | or卡值多少钱| 观看免费一级毛片| 久久精品久久久久久噜噜老黄 | 最后的刺客免费高清国语| 小蜜桃在线观看免费完整版高清| 久久久久久久久久黄片| 成年av动漫网址| 午夜福利高清视频| videossex国产| 午夜视频国产福利| 亚洲国产欧洲综合997久久,| 国内久久婷婷六月综合欲色啪| 午夜福利高清视频| 欧美xxxx黑人xx丫x性爽| 欧美高清成人免费视频www| 一进一出好大好爽视频| aaaaa片日本免费| 国产亚洲精品久久久久久毛片| 乱人视频在线观看| www日本黄色视频网| 综合色丁香网| 99热精品在线国产| 一a级毛片在线观看| 国产精品一区www在线观看| 人妻制服诱惑在线中文字幕| 亚洲性夜色夜夜综合| 十八禁国产超污无遮挡网站| 草草在线视频免费看| 秋霞在线观看毛片| 国产高潮美女av| 男女视频在线观看网站免费| 欧美绝顶高潮抽搐喷水| 噜噜噜噜噜久久久久久91| 国产大屁股一区二区在线视频| 日产精品乱码卡一卡2卡三| 日韩高清综合在线| 国产毛片a区久久久久| 精品久久国产蜜桃| 天堂网av新在线| 欧美日韩精品成人综合77777| 好男人在线观看高清免费视频| 亚洲最大成人中文| 久久久久久大精品| 青春草视频在线免费观看| 国产不卡一卡二| 日韩 亚洲 欧美在线| 亚洲专区国产一区二区| 日韩av在线大香蕉| 国产成人freesex在线 | 久久久久国产网址| 听说在线观看完整版免费高清| 国产大屁股一区二区在线视频| 国产一区二区三区av在线 | 可以在线观看毛片的网站| 久久这里只有精品中国| 成熟少妇高潮喷水视频| 亚洲国产精品sss在线观看| 好男人在线观看高清免费视频| 精品福利观看| 一区二区三区四区激情视频 | 蜜臀久久99精品久久宅男| 久久久久九九精品影院| 在线观看66精品国产| 狂野欧美激情性xxxx在线观看| 男女那种视频在线观看| 日日撸夜夜添| 亚洲国产精品国产精品| 成人国产麻豆网| 国产精品一二三区在线看| 寂寞人妻少妇视频99o| 亚洲av熟女| 小蜜桃在线观看免费完整版高清| 床上黄色一级片| 中文字幕人妻熟人妻熟丝袜美| 搡老岳熟女国产| 一进一出抽搐动态| 老熟妇仑乱视频hdxx| 高清毛片免费观看视频网站| 婷婷精品国产亚洲av| 我要搜黄色片| 日韩欧美 国产精品| 日本免费a在线| 一级毛片aaaaaa免费看小| 久久久久久伊人网av| 国产v大片淫在线免费观看| 在线观看av片永久免费下载| 午夜爱爱视频在线播放| 身体一侧抽搐| 久久久色成人| 亚洲欧美精品自产自拍| 男人的好看免费观看在线视频| 欧美绝顶高潮抽搐喷水| 一级毛片久久久久久久久女| 搡老熟女国产l中国老女人| 亚洲熟妇熟女久久| 天堂影院成人在线观看| 国产成人91sexporn| 亚洲精品456在线播放app| 欧美又色又爽又黄视频| 一进一出抽搐动态| 日韩人妻高清精品专区| 久99久视频精品免费| 亚洲电影在线观看av| 亚洲五月天丁香| 亚洲国产精品合色在线| 69人妻影院| 中国美白少妇内射xxxbb| 天堂√8在线中文| 国产aⅴ精品一区二区三区波| 国产不卡一卡二| 成人二区视频| 亚洲成人精品中文字幕电影| a级毛色黄片| 日韩一本色道免费dvd| 老司机影院成人| 欧美日韩一区二区视频在线观看视频在线 | 久久久精品94久久精品| 少妇的逼水好多| 哪里可以看免费的av片| 免费人成在线观看视频色| 99热只有精品国产| 国产成人a区在线观看| 99久久精品热视频| av黄色大香蕉| 久久久久久伊人网av| 内地一区二区视频在线| 久久亚洲精品不卡| 亚洲人成网站在线播| 97人妻精品一区二区三区麻豆| 免费在线观看成人毛片| 波多野结衣高清无吗| 久99久视频精品免费| 国产免费一级a男人的天堂| 午夜老司机福利剧场| 老熟妇乱子伦视频在线观看| 嫩草影院入口| 国产老妇女一区| 嫩草影院入口| 女同久久另类99精品国产91| 最近手机中文字幕大全| 成人特级黄色片久久久久久久| 亚洲婷婷狠狠爱综合网| 插逼视频在线观看| 最近手机中文字幕大全| 国内精品美女久久久久久| 免费观看的影片在线观看| 变态另类成人亚洲欧美熟女| 俺也久久电影网| 国产精品亚洲一级av第二区| 男人的好看免费观看在线视频| 欧美日韩综合久久久久久| 天天躁日日操中文字幕| 九九在线视频观看精品| 亚洲精品国产av成人精品 | 国产真实乱freesex| 寂寞人妻少妇视频99o| 午夜免费激情av| 国产精品久久久久久久电影| 日韩亚洲欧美综合| 日韩人妻高清精品专区| 在线看三级毛片| 此物有八面人人有两片| 国产69精品久久久久777片| 人人妻,人人澡人人爽秒播| 三级毛片av免费| 欧美+亚洲+日韩+国产| 简卡轻食公司| 日韩人妻高清精品专区| 少妇熟女欧美另类| 亚洲美女黄片视频| 国产v大片淫在线免费观看| 18禁黄网站禁片免费观看直播| 老司机午夜福利在线观看视频| 国产av在哪里看| 欧美色欧美亚洲另类二区| 亚洲av中文av极速乱| 欧美xxxx性猛交bbbb| 亚洲激情五月婷婷啪啪| av女优亚洲男人天堂| 欧美三级亚洲精品| 国产亚洲精品久久久com| 国产成人精品久久久久久| 久久久色成人| 国产三级中文精品| 国产精品一二三区在线看| 国产午夜精品久久久久久一区二区三区 | 波多野结衣巨乳人妻| 亚洲无线在线观看| 国产精品亚洲美女久久久| 日韩成人av中文字幕在线观看 | 一本一本综合久久| 国产高清视频在线播放一区| aaaaa片日本免费| 日本与韩国留学比较| 又爽又黄无遮挡网站| 精品久久久久久久久亚洲| 欧洲精品卡2卡3卡4卡5卡区| 香蕉av资源在线| 老女人水多毛片| 国产男人的电影天堂91| 亚洲中文日韩欧美视频| 美女xxoo啪啪120秒动态图| 国产成人一区二区在线| 免费搜索国产男女视频| 国产熟女欧美一区二区| 午夜爱爱视频在线播放| 久久人人精品亚洲av| 亚洲欧美精品综合久久99| 男女下面进入的视频免费午夜| 日本在线视频免费播放| 亚洲18禁久久av| a级一级毛片免费在线观看| 最近视频中文字幕2019在线8| 亚洲性久久影院| av视频在线观看入口| 亚洲av五月六月丁香网| 免费观看的影片在线观看| 日韩欧美 国产精品| 99热6这里只有精品| 国产精品无大码| 亚洲av不卡在线观看| 国内揄拍国产精品人妻在线| 十八禁国产超污无遮挡网站| 丰满乱子伦码专区| 亚洲欧美日韩东京热| 亚洲五月天丁香| 亚洲电影在线观看av| 人妻少妇偷人精品九色| 午夜福利18| 内地一区二区视频在线| 久久久久久久久久黄片| 午夜免费男女啪啪视频观看 | 亚洲中文字幕日韩| 国产精品一区www在线观看| 国产av在哪里看| 人妻久久中文字幕网| 精品一区二区免费观看| 一级毛片aaaaaa免费看小| 亚洲性夜色夜夜综合| 亚洲最大成人中文| 亚洲欧美清纯卡通| 亚洲精品亚洲一区二区| 老司机福利观看| 高清日韩中文字幕在线| 国产av麻豆久久久久久久| 欧美性猛交╳xxx乱大交人| 国产精品乱码一区二三区的特点| 18禁在线无遮挡免费观看视频 | 欧美中文日本在线观看视频| 久久亚洲精品不卡| 精品国内亚洲2022精品成人| 我要搜黄色片| 日本成人三级电影网站| 亚洲国产色片| 亚洲国产高清在线一区二区三| 亚洲高清免费不卡视频| 婷婷亚洲欧美| 我要搜黄色片| 国产精品不卡视频一区二区| 精品久久久久久久久av| 欧美+日韩+精品| 美女内射精品一级片tv| 老熟妇仑乱视频hdxx| 麻豆av噜噜一区二区三区| 亚洲美女视频黄频| 久久久精品大字幕| 舔av片在线| 又黄又爽又免费观看的视频| 禁无遮挡网站| 亚洲精品一区av在线观看| 成年av动漫网址| 亚洲国产欧洲综合997久久,| 国产精品不卡视频一区二区| 亚洲精华国产精华液的使用体验 | 美女 人体艺术 gogo| 婷婷精品国产亚洲av在线| 国产麻豆成人av免费视频| 午夜福利高清视频| 国产真实乱freesex| 日韩欧美 国产精品| 亚洲国产精品成人久久小说 | 色哟哟哟哟哟哟| 午夜福利视频1000在线观看| h日本视频在线播放| 亚洲av熟女| 国产精品乱码一区二三区的特点| 久久综合国产亚洲精品| 免费av观看视频| 综合色av麻豆| 中文字幕av在线有码专区| 久久久久久久午夜电影| 日韩一区二区视频免费看| 国产欧美日韩精品亚洲av| 欧美一级a爱片免费观看看| 亚州av有码| 精品久久久久久久久久免费视频| 国产精品免费一区二区三区在线| 中文字幕人妻熟人妻熟丝袜美| 久久久久久久久大av| 国产在视频线在精品| 久久精品影院6| 一个人看视频在线观看www免费| 欧美成人一区二区免费高清观看| ponron亚洲| 午夜福利成人在线免费观看| 哪里可以看免费的av片| 国内精品一区二区在线观看| 好男人在线观看高清免费视频| 无遮挡黄片免费观看| 国产aⅴ精品一区二区三区波| 狂野欧美激情性xxxx在线观看| 亚洲av二区三区四区| 熟女人妻精品中文字幕| 最新中文字幕久久久久| 欧美潮喷喷水| 91久久精品国产一区二区成人| 亚洲成人久久性| 精品午夜福利视频在线观看一区| 亚洲av成人av| 又黄又爽又免费观看的视频| 在线免费十八禁| eeuss影院久久| 国产探花在线观看一区二区| а√天堂www在线а√下载| 国产成人精品久久久久久| 免费看av在线观看网站| 国产一区亚洲一区在线观看| 日韩国内少妇激情av| 亚洲欧美清纯卡通| 无遮挡黄片免费观看| 国产在线精品亚洲第一网站| 午夜亚洲福利在线播放| 精品一区二区三区人妻视频| 女的被弄到高潮叫床怎么办| 亚洲av成人av| 少妇高潮的动态图| 成人av在线播放网站| 男人舔女人下体高潮全视频| 国产探花在线观看一区二区| 99国产精品一区二区蜜桃av| 亚洲成人久久性| 精品久久久久久成人av| 欧美性猛交黑人性爽| 欧美最新免费一区二区三区| 美女 人体艺术 gogo| 免费av毛片视频| 日韩在线高清观看一区二区三区| 中国美女看黄片| 亚洲真实伦在线观看| 久久久a久久爽久久v久久| 免费观看人在逋| 国产成人精品久久久久久| 亚洲欧美精品综合久久99| 九色成人免费人妻av| 看十八女毛片水多多多| 99热6这里只有精品| 国产私拍福利视频在线观看| 亚洲性久久影院| 男人和女人高潮做爰伦理| 日韩中字成人| 成人欧美大片| 男女视频在线观看网站免费| 亚洲精品在线观看二区| 国产aⅴ精品一区二区三区波| 少妇裸体淫交视频免费看高清| 永久网站在线| 极品教师在线视频| 成年女人永久免费观看视频| 亚洲经典国产精华液单| 97超级碰碰碰精品色视频在线观看| 精品乱码久久久久久99久播| 成人永久免费在线观看视频| 亚洲最大成人手机在线| 久久精品国产自在天天线| 精品久久久久久久人妻蜜臀av| 午夜福利在线观看吧| 国产精品福利在线免费观看| 成人综合一区亚洲| 欧美成人a在线观看| 久久欧美精品欧美久久欧美| 国产高清三级在线| 欧美zozozo另类| 久久精品人妻少妇| 国产在视频线在精品| 日韩成人av中文字幕在线观看 | 精品午夜福利视频在线观看一区| 国产一区二区亚洲精品在线观看| 国产老妇女一区| 91精品国产九色| 欧美一区二区国产精品久久精品| 国产亚洲精品久久久久久毛片| 99久国产av精品| 麻豆国产97在线/欧美| 国产黄片美女视频| 最新在线观看一区二区三区| 天堂动漫精品| 国产精品1区2区在线观看.| aaaaa片日本免费| 亚洲熟妇中文字幕五十中出| 人人妻人人澡人人爽人人夜夜 | 亚洲精品亚洲一区二区| 久久人妻av系列| 亚洲aⅴ乱码一区二区在线播放| 又粗又爽又猛毛片免费看| 久久久a久久爽久久v久久| 欧美激情在线99| av在线观看视频网站免费| 国产探花在线观看一区二区| 久久天躁狠狠躁夜夜2o2o| 亚洲精品日韩av片在线观看| 真人做人爱边吃奶动态| 国产亚洲av嫩草精品影院|