• <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 ?

    基于新型算子采樣優(yōu)化的交通標(biāo)志檢測網(wǎng)絡(luò)

    2022-10-16 12:28:02陳春輝馬社祥
    計算機工程 2022年10期
    關(guān)鍵詞:交通標(biāo)志算子卷積

    陳春輝,馬社祥

    (天津理工大學(xué) 集成電路科學(xué)與工程學(xué)院,天津 300384)

    0 概述

    交通標(biāo)志識別是智能交通系統(tǒng)中的重要組成部分。無論是自動駕駛系統(tǒng)還是輔助駕駛系統(tǒng),交通標(biāo)志識別為駕駛員提供必要的路況信息、方向指示、交通預(yù)警,以確保行車安全。但是,在實際行車環(huán)境中,道路情況千變?nèi)f化。因此,如何在復(fù)雜環(huán)境下高效、精確地識別小目標(biāo)、模糊目標(biāo)及遮擋目標(biāo)對于交通標(biāo)志識別具有重要意義[1-3]。

    近年來,深度學(xué)習(xí)飛速發(fā)展。卷積算子是組成現(xiàn)代神經(jīng)網(wǎng)絡(luò)的核心。由卷積算子構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在目標(biāo)檢測領(lǐng)域中取得顯著進展。檢測網(wǎng)絡(luò)主要分為一階段檢測器和兩階段檢測器。一階段檢測器直接回歸物體的類別概率和位置信息,具有檢測速度快、準(zhǔn)確率低的特點,代表性算法有YOLO[4]、SSD[5]、YOLOv2[6]、RetinaNet[7]、YOLOv3[8]等。兩階段檢測器需要先進行候選區(qū)域算法,再通過網(wǎng)絡(luò)進行分類,與一階段檢測器相比速度較慢,但是準(zhǔn)確率較高,代表性算法有SPPNet[9]、RCNN[10]、Fast R-CNN[11]、Faster R-CNN[12]等。

    傳統(tǒng)機器學(xué)習(xí)根據(jù)顏色和形狀的區(qū)別進行交通標(biāo)志檢測[13-15]。與傳統(tǒng)機器學(xué)習(xí)方法相比,深度學(xué)習(xí)在檢測交通標(biāo)志過程中更加高效、精確。研究人員提出一種引入深度可分離卷積(Depthwise Separable Convolution,DSC)[16]和改進正負樣本處理算法,以YOLOv3 檢測精度,但是檢測所需時間較長。文獻[17]介紹一種通過精簡主干網(wǎng)絡(luò),以增加特征提取尺度,從而加快YOLOv4 算法的檢測速度,但是對交通標(biāo)志的檢測精度還有待提升。YOLOv5 算法同時兼顧速度和精度等優(yōu)點獲得廣泛應(yīng)用,但是當(dāng)面對交通標(biāo)志這類小目標(biāo)較多的任務(wù)時,采用堆疊大量卷積核進行下采樣的方式,使得采樣特征失去表達能力[18],難以靈活地調(diào)整內(nèi)部參數(shù),從而丟失圖像的細節(jié)信息,導(dǎo)致檢測算法對小目標(biāo)、遮擋目標(biāo)的檢測能力降低。

    本文提出基于YOLOv5 的端到端改進網(wǎng)絡(luò)。以新型算子[19]作為采樣架構(gòu),通過自卷積方式減少通道冗余,同時采用控制變量的實驗方式分析網(wǎng)絡(luò)深度與采樣信息的關(guān)系,結(jié)合注意力機制,構(gòu)建跨階段注意力機制(AMCSP)模塊,增加通道的重要性權(quán)值。利用優(yōu)化的通道聚合網(wǎng)絡(luò)(Path Aggregation Network,PAN)[20]進行特征融合,采用K-means 聚類算法重新定義適合交通標(biāo)志的先驗框,在保證檢測精度的同時大幅減少模型計算量。在此基礎(chǔ)上,通過引入距離交并比(Distance Intersection Over Union,DIOU)[21]函數(shù)進行非極大值抑制,采用加入懲罰項的方式,使得目標(biāo)框之間的距離最小化,從而提升檢測精度和回歸效率。

    1 新型算子

    傳統(tǒng)卷積核的設(shè)計主要有2 個重要性質(zhì):1)空間無關(guān)性,采用一個卷積核處理一張?zhí)卣鲌D,不會因為圖像內(nèi)空間變換而改變卷積核的權(quán)值,即全部滑窗共享權(quán)值;2)通道特異性,輸入圖像通道數(shù)量等于卷積核通道數(shù)量,即每個圖像通道獨享其對應(yīng)的卷積核。卷積運算流程如圖1 所示。

    圖1 卷積運算流程Fig.1 Convolution calculation procedure

    空間無關(guān)性可以有效減少網(wǎng)絡(luò)的參數(shù)量,但由于卷積核提取的特征單一,因此無法根據(jù)應(yīng)用場景靈活地調(diào)整參數(shù)。而通道特異性無法使得通道參數(shù)共享,導(dǎo)致網(wǎng)絡(luò)模型通道參數(shù)冗余。為了解決以上問題,具有空間特異性和通道無關(guān)性的Involution 算子(Inv)被提出。與卷積核設(shè)計理念相反,Inv 算子的通道無關(guān)性是在更高的維度上,即整個輸入通道范圍共享G(G?C)個Inv 核參數(shù);空間特異性表示Inv 在同一通道不同空間位置上獨享Inv 核參數(shù)。每個Inv 核由輸入圖像本身生成,如式(1)所示:

    其中:Hij∈RH×W×K×K×G表示Inv 核;XΔij表示在特征圖上一個坐標(biāo)為(i,j)的鄰域集合。為了更好地契合YOLOv5 模型框架,減少模型參數(shù)量,本文使用SiLU作為Φ的非線性激活函數(shù),如式(2)和式(3)所示:

    Inv 采樣計算可以認為是一種自注意機制的應(yīng)用,基于PyTorch 框架的偽代碼實現(xiàn)。Involution 算子采樣計算流程如圖2 所示。本文通過Unfold 滑窗函數(shù)將數(shù)據(jù)打包壓縮,數(shù)據(jù)通過Φ步驟產(chǎn)生核函數(shù),調(diào)整兩者維度為(B,G,C//G,K×K,H,W);將數(shù)據(jù)與核函數(shù)相乘疊加,調(diào)整維度為(B,C,H,W)輸出。其中,B表示數(shù)據(jù)批量大小,C表示通道數(shù)量,K表示Inv 核大小,H、W表示特征圖的高和寬,Ci、Co表示輸入與輸出通道維度。

    圖2 Involution 算子采樣計算流程Fig.2 Sampling calculation procedure of Involution operator

    2 交通標(biāo)志檢測網(wǎng)絡(luò)

    2.1 改進的特征提取網(wǎng)絡(luò)

    跨階段注意力機制(AMCSP)模塊結(jié)構(gòu)如圖3所示。

    圖3 跨階段注意力機制模塊結(jié)構(gòu)Fig.3 Structure of cross stage attention mechanism module

    圖中虛線框所示為YOLOv5 使用的跨階段局部(Cross Stage Partial,CSP)模塊,其中,n表示結(jié)構(gòu)中Bottleneck 模塊的重復(fù)次數(shù)。這種殘差結(jié)構(gòu)通過將梯度信息分別集中到特征圖中,在保證精度的同時提高算術(shù)單元利用率。但是CSP 模塊對于檢測交通標(biāo)志這樣的小目標(biāo)仍存在不足,分辨率為640×640 像素的圖像經(jīng)過下采樣之后最小僅為20×20 像素,相當(dāng)于每個像素點對應(yīng)的視野為32×32 像素的圖像塊,特征被嚴重削弱,對于所占空間小的目標(biāo)很容易消失,而AMCSP 模塊能夠有效解決該問題。

    結(jié)合混合域注意力機制[22]的思想,在原有CSP模塊上增加通道注意力機制,特征圖經(jīng)過平均池化后,大小為C×1×1,第1 個全連接層通過一個比例因子r進行降維,第2 個全連接層再將通道升維到C,使網(wǎng)絡(luò)獲得更多非線性組合,經(jīng)過Sigmoid 函數(shù)后得到各通道的重要性權(quán)值,最后與原輸入張量權(quán)值相乘,使網(wǎng)絡(luò)在訓(xùn)練中提高對小目標(biāo)的學(xué)習(xí)能力。

    特征提取網(wǎng)絡(luò)作為目標(biāo)檢測的主干網(wǎng)絡(luò),其采樣特性將直接決定預(yù)測網(wǎng)絡(luò)的精確率。在小目標(biāo)檢測任務(wù)中,下采樣率與網(wǎng)絡(luò)深度能夠顯著影響目標(biāo)語義信息的提取效果。對此,本文結(jié)合Inv 核結(jié)構(gòu)的特性,對YOLOv5 特征提取網(wǎng)絡(luò)的采樣層進行改進,并進行多組拆分組合實驗。

    改進后的特征提取網(wǎng)絡(luò)參數(shù)如表1 所示。網(wǎng)絡(luò)中第2、4、6、8 層分別利用Inv 核進行4、8、16、32 倍下采樣。但是,由于淺層和深層所含的語義信息有很大區(qū)別,因此本文結(jié)合Conv 與Inv 的特性,最大程度地提高網(wǎng)絡(luò)性能。輸入網(wǎng)絡(luò)的圖像尺寸為640×640像素,F(xiàn)ocus 模塊通過堆疊3×3 的卷積結(jié)構(gòu)對 圖像進行等間隔切片采樣,再將采樣后的信息拼接,使信息集中到通道域。Inv 模塊隨著采樣倍率和網(wǎng)絡(luò)層數(shù)的不斷加深,比Conv 模塊挖掘到更加豐富的語義信息。

    表1 改進的特征提取網(wǎng)絡(luò)參數(shù)Table 1 Parameters of improved feature extraction network

    2.2 改進的特征融合網(wǎng)絡(luò)

    提取后的特征信息(第5、7、10 層)先經(jīng)過特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,F(xiàn)PN)[23],將來自第10 層和第7 層的高層特征信息采用自頂向下的上采樣方式,與第5 層底層特征進行3 個尺度的傳遞融合。改進的特征融合網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。本文對PAN 進行優(yōu)化設(shè)計,去掉Concat 連接方式,改為Add 連接,然后通過1×1 的卷積將3 個融合層調(diào)整為相同的張量維度送入檢測輸出層。

    圖4 改進的特征融合網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of improved feature fusion network

    Concat 連接方式是將通道數(shù)相疊加,本身特征所含的信息量沒變。Add 連接方式是將描述特征的信息量相疊加,卻并不增加圖像通道數(shù)。相比Concat 連接方式,Add 連接方式大幅減小所需的計算量與參數(shù)量。

    2.3 目標(biāo)的檢測輸出

    特征融合后的3 個尺度張量信息如式(4)所示:

    其中:K×K表示特征圖的尺寸;3 表示特征圖的每個網(wǎng)格會生成3 個邊界框;C表示類別個數(shù);1 表示該邊界框的置信度得分;4 表示預(yù)先設(shè)置的先驗框和最終生成預(yù)測框之間的4 個偏移量坐標(biāo)(tx,ty,tw,th)。最終預(yù)測框的生成計算過程如式(5)所示:

    其中:(bx,by,bw,bh)表示預(yù)測框的中心點坐標(biāo)及寬高度信息;(cx,cy,pw,ph)表示先驗框網(wǎng)格的左上角坐標(biāo)及寬高度信息;σ表示Sigmoid 激活函數(shù)。

    針對交通標(biāo)志檢測應(yīng)用場景,本文使用K-means聚類算法生成更合適的9個先驗框尺寸,分別為(15,16)、(24,24)、(23,52)、(36,34)、(57,55)、(58,116)、(110,90)、(390,341)、(575,545)。

    YOLOv5的損失函數(shù)由分類損失和回歸損失組成,分別使用二值交叉熵(Binary Cross Entropy,BCE)函數(shù)和CIOU_Loss 計算。在交通標(biāo)志檢測網(wǎng)絡(luò)的預(yù)測框生成后,需要對預(yù)測框進行篩選。YOLOv5 采用非極大值抑制(Non-Maximum Suppression,NMS)方式進行后處理,普通NMS 只考慮重疊面積,如果遇到遮擋情況,經(jīng)常會將相近的目標(biāo)錯誤剔除掉。本文對此不足進行改進,采用DIOU_NMS 進行后處理。DIOU 的計算如式(6)所示:

    其中:IIOU為兩框交集與并集比值;d為兩框中心點距離;c為兩框最小外接矩形的對角線長度。DIOU_NMS 的剔除機制如式(7)所示:

    其中:si表示分類得分;ε表示NMS閾值。DIOU_NMS 除了考慮重疊面積外,還考慮了預(yù)測框之間的中心點距離,可以更加準(zhǔn)確地對預(yù)測框進行篩選。

    本文網(wǎng)絡(luò)整體架構(gòu)如圖5 所示。本文網(wǎng)絡(luò)結(jié)構(gòu)分為特征提取、特征融合以及檢測輸出3 個部分,網(wǎng)絡(luò)會對輸入圖像中的目標(biāo)進行邊界框、置信度以及類別的預(yù)測回歸。

    圖5 本文網(wǎng)絡(luò)整體架構(gòu)Fig.5 Overall architecture of the proposed network

    3 實驗與結(jié)果分析

    實驗平臺為Ubuntu 18.04 操作系統(tǒng),采用3 路Xeon E5-2678 v3 CPU,NVIDIA Tesla k80 GPU,顯存12 GB。運行環(huán)境為Python 3.8,深度學(xué)習(xí)框架為PyTorch 1.7。數(shù)據(jù)集為中國交通標(biāo)志檢測數(shù)據(jù)集[24](CCTSDB)。該數(shù)據(jù)集是在中國高速公路和城市道路上采集的圖片,包含15 734 張。本文對數(shù)據(jù)集進行篩選,將變化小和標(biāo)注不明顯的圖片剔除后,從中選取10 000 張包含不同角度以及不同光照變化的圖片,每張圖片分辨率為1 024×720 像素,共分為Prohibitory、Mandatory、Warning 3 個類別,其中9 000 張為訓(xùn)練集,1 000 張為測試集。

    交通標(biāo)志檢測網(wǎng)絡(luò)在訓(xùn)練之前,先對數(shù)據(jù)集進行等比例縮放,使圖片滿足輸入分辨率后采用Mosaic 數(shù)據(jù)增強進行處理[25],批量大小為16。Mosaic 算法每次通過隨機縮放、裁剪、排布對4 張圖片進行拼接,不但擴充了數(shù)據(jù)集,還增強了對小目標(biāo)的檢測能力,加快了推理速度。表2 為網(wǎng)絡(luò)訓(xùn)練相關(guān)超參數(shù)配置。Mosaic 數(shù)據(jù)增強樣例如圖6 所示(彩色效果見《計算機工程》官網(wǎng)HTML 版)。

    圖6 Mosaic 數(shù)據(jù)增強樣例Fig.6 Examples of Mosaic data enhancement

    表2 相關(guān)超參數(shù)設(shè)置Table 2 Related hyperparameter settings

    由于本文對YOLOv5 的底層網(wǎng)絡(luò)架構(gòu)進行改進,因此無法使用遷移學(xué)習(xí)進行加速訓(xùn)練,總迭代次數(shù)為200。檢測網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置分為兩個階段,預(yù)熱階段采用線性插值對學(xué)習(xí)率進行更新,預(yù)熱階段后采用余弦退火算法來調(diào)整學(xué)習(xí)率。

    3.1 評價指標(biāo)

    檢測精度和檢測速度是用于衡量目標(biāo)檢測網(wǎng)絡(luò)性能的兩個指標(biāo)。檢測速度是指目標(biāo)檢測網(wǎng)絡(luò)每秒能夠檢測的圖片數(shù)量(幀數(shù)),用FPS(Frames Per Second)表示。本文采用平均精度均值(mean Average Precision,mAP)評估網(wǎng)絡(luò)的檢測精度。精確率(P)如式(8)所示:

    其中:TTP表示正樣本被預(yù)測為正樣本的數(shù)量;FFP表示負樣本被預(yù)測為正樣本的數(shù)量。精確率表示模型預(yù)測的所有正樣本,預(yù)測正確所占的比例。召回率(R)如式(9)所示:

    其中:FFN表示正樣本被預(yù)測為負樣本的數(shù)量。召回率表示在所有正樣本中,模型預(yù)測正確的正樣本所占比例。精度(AAP)可以近似看作P-R曲線下的面積,采用定積分的方式計算最終AAP值。精度(AAP)如式(10)所示:

    其中:Psmooth表示將P-R曲線平滑處理;i表示類別索引,每個類別對應(yīng)一個AAP。本文采用以下2 個mAP指 標(biāo):1)mAP(IOU=0.5),即交并比(Intersection Over Union,IOU)閾值為0.5 時,各個類別的精度取平均值;2)mAP(IOU∈0.50~0.95),即IOU 閾值以0.05 為步長,取0.50~0.95 精度的平均值。

    3.2 實驗對比

    3.2.1 有效性分析

    本文設(shè)計7 組對比分析實驗,以驗證Inv、AMCSP 和DIOU_NMS 模塊對基礎(chǔ)網(wǎng)絡(luò)YOLOv5 性能的影響,以及結(jié)合Conv 與Inv 特性,最大程度地提高檢測網(wǎng)絡(luò)性能。不同實驗的性能分析如表3 所示,組與組之間采用控制變量的方式進行對比,并在CCTSDB 數(shù)據(jù)集上采用2 個mAP 指標(biāo)進行評估。其中√表示采用Inv 構(gòu)造4、8、16、32 倍下采樣,×表示沒有進行下采樣。

    從表3 可以看出,在實驗1、實驗2 和實驗3 中,AMCSP、DIOU_NMS 對檢測網(wǎng)絡(luò)的性能均有提升。在AMCSP、DIOU_NMS 兩種模塊都使用的情況下,與實驗1、實驗2 和實驗3 相比,實驗4 的mAP(IOU∈0.50~0.95)提升了約3%,在交通標(biāo)志檢測這種小目標(biāo)眾多、容易出現(xiàn)遮擋的應(yīng)用場景中,AMCSP 和DIOU_NMS 模塊能夠有效提升網(wǎng)絡(luò)的檢測性能。

    表3 不同實驗的性能分析Table 3 Performance analysis among different experiments

    本文對比表3 中實驗4 和實驗5 的結(jié)果可知,將特征提取網(wǎng)絡(luò)中淺層的采樣層替換為Inv 結(jié)構(gòu),檢測性能幾乎沒有改變。本文進行實驗6,將提取網(wǎng)絡(luò)中深層的采樣層替換為Inv 結(jié)構(gòu),與實驗4 相比mAP 提升約2%。其原因主要有以下2 個:1)淺層網(wǎng)絡(luò)包含更多的像素特征信息,即圖像細節(jié)信息,根據(jù)Conv結(jié)構(gòu)的通道特異性使每個通道層獨享核函數(shù),可以更加全面地學(xué)習(xí)細節(jié)信息,比Inv 結(jié)構(gòu)更加合適;2)深層網(wǎng)絡(luò)包含更多的特征抽象信息,即圖像語義信息,Inv 結(jié)構(gòu)的空間特異性可以保證每個像素能夠更加靈活地學(xué)習(xí)核函數(shù),而通道不變性又能確保不產(chǎn)生冗余干擾信息。因此,相比Conv 結(jié)構(gòu),Inv 結(jié)構(gòu)更加適合放在深層網(wǎng)絡(luò)中。

    本文進行實驗驗證了上述分析的正確性,Conv結(jié)構(gòu)適合淺層網(wǎng)絡(luò),Inv 結(jié)構(gòu)適合深層網(wǎng)絡(luò)。采用性能優(yōu)異的實驗?zāi)P蛯CTSDB 數(shù)據(jù)集上每個類別的精確率、召回率以及AP(IOU=0.5)進行統(tǒng)計分析,結(jié)果如表4 所示。從表4 可以看出,實驗6 的網(wǎng)絡(luò)模型在各個類別的評價指標(biāo)均達到最高。因此,本文最終采用實驗6 的改進網(wǎng)絡(luò)模型進行后續(xù)實驗分析。

    表4 在不同實驗中各類別的評價指標(biāo)對比Table 4 Evaluation indexs comparison of each category on different experiments %

    3.2.2 檢測網(wǎng)絡(luò)對比

    本文網(wǎng)絡(luò)與典型檢測網(wǎng)絡(luò)在CCTSDB 數(shù)據(jù)集上進行各項實驗對比,為保證實驗的公平性,所有實驗基于同一平臺測試,包括YOLOv5、Faster R-CNN+FPN、SSD。其中,后兩者的特征提取網(wǎng)絡(luò)均為Resnet50。圖7 所示為不同網(wǎng)絡(luò)最佳IOU 閾值的mAP 分析,相比SSD 檢測網(wǎng)絡(luò),本文網(wǎng)絡(luò)的mAP 提高了約10 個百分點。

    圖7 不同網(wǎng)絡(luò)的mAP 對比Fig.7 mAP comparison among different networks

    推理速度決定檢測網(wǎng)絡(luò)是否能滿足實時需求,而模型參數(shù)量決定網(wǎng)絡(luò)是否方便部署到小型移動設(shè)備上。不同網(wǎng)絡(luò)的檢測速度與參數(shù)量對比如表5 所示。

    表5 不同網(wǎng)絡(luò)的檢測速度與參數(shù)量對比Table 5 Detection speed and parameter quantity comparison among different networks

    相比YOLOv5 網(wǎng)絡(luò),本文所提網(wǎng)絡(luò)的推理速度提升1/8(推理速度受GPU 資源所限,因此只比較提升比例),在交通標(biāo)志檢測應(yīng)用場景中可以做到實時處理。另外,由于Inv 結(jié)構(gòu)實現(xiàn)通道參數(shù)共享、PAN結(jié)構(gòu)的優(yōu)化,因此本文網(wǎng)絡(luò)模型參數(shù)量較YOLOv5減少了15.7%。

    在測試集上隨機挑選一張實際拍攝的交通標(biāo)志圖像進行測試。不同網(wǎng)絡(luò)的目標(biāo)檢測結(jié)果對比如圖8 所示(彩色效果見《計算機工程》官網(wǎng)HTML 版)。圖中含有5 處交通標(biāo)志,包括2 處小目標(biāo)和1 處遮擋目標(biāo)。在同一應(yīng)用場景中,本文網(wǎng)絡(luò)能夠精準(zhǔn)檢測目標(biāo),而YOLOv5 漏檢了遮擋目標(biāo),F(xiàn)aster R-CNN+FPN 和SSD網(wǎng)絡(luò)對小目標(biāo)檢測能力還有待加強。

    圖8 不同網(wǎng)絡(luò)的目標(biāo)檢測結(jié)果對比Fig.8 Target detection results comparison among different networks

    4 結(jié)束語

    在交通標(biāo)志檢測場景中,本文結(jié)合優(yōu)化的新型算子結(jié)構(gòu)與跨階段注意力機制模塊,提出基于YOLOv5 采樣優(yōu)化的檢測網(wǎng)絡(luò)。通過控制變量實驗探究新型算子與卷積相結(jié)合對網(wǎng)絡(luò)性能的影響,以減少通道聚合網(wǎng)絡(luò)的參數(shù)運算量。在中國交通標(biāo)志數(shù)據(jù)集上的實驗結(jié)果表明,本文網(wǎng)絡(luò)具有較少的參數(shù)量,在滿足實時性的同時具有較優(yōu)的檢測精度。后續(xù)將在特征融合部分,結(jié)合新型算子方法設(shè)計高效的自注意力結(jié)構(gòu),提高算力資源的利用率和模型精度。

    猜你喜歡
    交通標(biāo)志算子卷積
    交通標(biāo)志認得清
    基于雙向特征融合的交通標(biāo)志識別
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    擬微分算子在Hp(ω)上的有界性
    各向異性次Laplace算子和擬p-次Laplace算子的Picone恒等式及其應(yīng)用
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    一類Markov模算子半群與相應(yīng)的算子值Dirichlet型刻畫
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    Roper-Suffridge延拓算子與Loewner鏈
    交通標(biāo)志小課堂
    啦啦啦在线观看免费高清www| 国产毛片在线视频| 久热久热在线精品观看| 99热6这里只有精品| 99久国产av精品国产电影| 久久久久人妻精品一区果冻| 黑人猛操日本美女一级片| 日本av免费视频播放| 日韩欧美 国产精品| 日韩成人伦理影院| 久久久久久久大尺度免费视频| 水蜜桃什么品种好| 免费观看性生交大片5| 午夜福利网站1000一区二区三区| 九九爱精品视频在线观看| 免费在线观看成人毛片| 男人爽女人下面视频在线观看| 亚洲高清免费不卡视频| 伦理电影免费视频| 一级毛片我不卡| 麻豆精品久久久久久蜜桃| 狂野欧美激情性bbbbbb| av卡一久久| av卡一久久| 免费观看无遮挡的男女| videossex国产| 久久人人爽av亚洲精品天堂| 国产精品欧美亚洲77777| 99久久中文字幕三级久久日本| 国产成人免费观看mmmm| 最近最新中文字幕免费大全7| 草草在线视频免费看| 日本av免费视频播放| 亚洲精品aⅴ在线观看| 全区人妻精品视频| 久久久久精品久久久久真实原创| 在线观看免费高清a一片| 欧美3d第一页| 日韩在线高清观看一区二区三区| 只有这里有精品99| 久久综合国产亚洲精品| 国产精品伦人一区二区| 亚洲性久久影院| 精品人妻偷拍中文字幕| 一级毛片电影观看| 韩国av在线不卡| 秋霞伦理黄片| 久久99一区二区三区| 亚洲av日韩在线播放| 天天躁夜夜躁狠狠久久av| 在线观看三级黄色| 乱系列少妇在线播放| 久久久久久久亚洲中文字幕| 人妻夜夜爽99麻豆av| 我的女老师完整版在线观看| 亚洲欧美清纯卡通| 久久国产精品男人的天堂亚洲 | 久久人人爽人人片av| 精品视频人人做人人爽| 亚洲精品乱码久久久久久按摩| 午夜激情久久久久久久| 最近2019中文字幕mv第一页| 蜜桃在线观看..| 日韩一本色道免费dvd| 啦啦啦在线观看免费高清www| 中文字幕精品免费在线观看视频 | 韩国av在线不卡| av视频免费观看在线观看| 午夜福利网站1000一区二区三区| 亚洲精品国产色婷婷电影| 亚洲欧美中文字幕日韩二区| 人人妻人人看人人澡| 永久免费av网站大全| 免费不卡的大黄色大毛片视频在线观看| 99久久综合免费| 纯流量卡能插随身wifi吗| 国产探花极品一区二区| 少妇人妻 视频| 日日爽夜夜爽网站| 丝瓜视频免费看黄片| 欧美日本中文国产一区发布| 国产精品秋霞免费鲁丝片| 亚洲,一卡二卡三卡| 免费看日本二区| 伦精品一区二区三区| 日产精品乱码卡一卡2卡三| 男女国产视频网站| 在线观看www视频免费| 亚洲精品一二三| 日韩av不卡免费在线播放| 九色成人免费人妻av| 亚洲国产精品成人久久小说| 成人午夜精彩视频在线观看| 国产69精品久久久久777片| 99久久精品一区二区三区| 夜夜看夜夜爽夜夜摸| 亚洲av男天堂| 精品少妇内射三级| 丝瓜视频免费看黄片| 欧美最新免费一区二区三区| 国产成人91sexporn| 精品久久久精品久久久| 少妇丰满av| xxx大片免费视频| 丝袜脚勾引网站| 国产成人精品一,二区| 成年美女黄网站色视频大全免费 | 国内精品宾馆在线| 欧美老熟妇乱子伦牲交| 日本wwww免费看| 精品国产国语对白av| av在线app专区| 高清午夜精品一区二区三区| 亚洲欧洲日产国产| 国产片特级美女逼逼视频| 久久这里有精品视频免费| 国产极品天堂在线| 日韩成人av中文字幕在线观看| 欧美 日韩 精品 国产| 亚洲av二区三区四区| 一级毛片 在线播放| 国产在视频线精品| 97超碰精品成人国产| 日本av免费视频播放| 少妇猛男粗大的猛烈进出视频| 亚洲国产精品国产精品| 91久久精品电影网| 日韩成人av中文字幕在线观看| 国产91av在线免费观看| 99精国产麻豆久久婷婷| 国国产精品蜜臀av免费| 亚洲av不卡在线观看| 久久久久久久久久久免费av| 少妇的逼好多水| a级毛色黄片| 精品酒店卫生间| 日本vs欧美在线观看视频 | 久久久亚洲精品成人影院| 日韩强制内射视频| 欧美成人午夜免费资源| 久久免费观看电影| 久久 成人 亚洲| 又爽又黄a免费视频| 永久网站在线| 在线观看美女被高潮喷水网站| 蜜桃久久精品国产亚洲av| 九九在线视频观看精品| a级毛片免费高清观看在线播放| 国产亚洲一区二区精品| 国产av码专区亚洲av| 在线观看三级黄色| 欧美日韩亚洲高清精品| 久久99一区二区三区| 成人漫画全彩无遮挡| 三上悠亚av全集在线观看 | 狂野欧美激情性bbbbbb| 不卡视频在线观看欧美| 国产精品人妻久久久影院| 国产成人aa在线观看| 伊人久久精品亚洲午夜| 国产男女内射视频| 午夜精品国产一区二区电影| 边亲边吃奶的免费视频| 免费观看无遮挡的男女| 日韩欧美一区视频在线观看 | 91精品国产九色| 国产精品一区二区在线观看99| 这个男人来自地球电影免费观看 | a级片在线免费高清观看视频| 国产女主播在线喷水免费视频网站| 99re6热这里在线精品视频| 少妇人妻久久综合中文| 亚洲国产色片| 日韩一区二区视频免费看| 国产黄频视频在线观看| 日本爱情动作片www.在线观看| 亚洲av在线观看美女高潮| 久久久国产精品麻豆| 又大又黄又爽视频免费| 色婷婷久久久亚洲欧美| 久久这里有精品视频免费| 天堂中文最新版在线下载| 中国三级夫妇交换| 99久国产av精品国产电影| 尾随美女入室| 一区二区三区精品91| 久久韩国三级中文字幕| 丝瓜视频免费看黄片| 国产成人精品福利久久| 精品一区在线观看国产| 97精品久久久久久久久久精品| 老女人水多毛片| 日韩,欧美,国产一区二区三区| 爱豆传媒免费全集在线观看| 2021少妇久久久久久久久久久| 欧美 日韩 精品 国产| 日本-黄色视频高清免费观看| 色吧在线观看| 国产美女午夜福利| 久久av网站| 婷婷色麻豆天堂久久| av天堂久久9| 久久女婷五月综合色啪小说| 久久久久久久久久久丰满| 国产亚洲一区二区精品| 久久久久久久国产电影| 人体艺术视频欧美日本| kizo精华| 国产高清三级在线| 中文资源天堂在线| 久久久欧美国产精品| 午夜影院在线不卡| 五月玫瑰六月丁香| 欧美日韩在线观看h| 男女啪啪激烈高潮av片| 又粗又硬又长又爽又黄的视频| 国语对白做爰xxxⅹ性视频网站| 99热国产这里只有精品6| 久久精品国产亚洲av天美| 国产午夜精品一二区理论片| 91午夜精品亚洲一区二区三区| 精品午夜福利在线看| 视频中文字幕在线观看| 人妻少妇偷人精品九色| 在线观看人妻少妇| 伦精品一区二区三区| 国产成人精品久久久久久| 一本—道久久a久久精品蜜桃钙片| 国产成人91sexporn| 一二三四中文在线观看免费高清| 免费观看无遮挡的男女| 久久久久精品性色| 国产高清三级在线| 免费看光身美女| 性高湖久久久久久久久免费观看| 日韩三级伦理在线观看| 噜噜噜噜噜久久久久久91| 熟女人妻精品中文字幕| 亚洲精品日本国产第一区| 中文字幕免费在线视频6| 少妇精品久久久久久久| 久久精品国产亚洲av涩爱| 欧美老熟妇乱子伦牲交| 久久99精品国语久久久| 国产真实伦视频高清在线观看| 日本av免费视频播放| 91午夜精品亚洲一区二区三区| 中文欧美无线码| 午夜激情久久久久久久| 午夜免费鲁丝| 免费观看的影片在线观看| 国产精品一区www在线观看| 国产亚洲av片在线观看秒播厂| 日韩电影二区| 国产熟女欧美一区二区| 最新的欧美精品一区二区| 青春草亚洲视频在线观看| 国产成人a∨麻豆精品| 乱系列少妇在线播放| videos熟女内射| 夜夜看夜夜爽夜夜摸| 欧美精品一区二区免费开放| 一本—道久久a久久精品蜜桃钙片| 日本猛色少妇xxxxx猛交久久| 在线观看免费高清a一片| 亚洲av免费高清在线观看| 性色av一级| 3wmmmm亚洲av在线观看| 国产免费视频播放在线视频| 美女cb高潮喷水在线观看| videos熟女内射| av免费观看日本| 午夜91福利影院| 久久久国产欧美日韩av| 日日啪夜夜撸| 欧美日韩国产mv在线观看视频| 亚洲欧美成人精品一区二区| 黑人猛操日本美女一级片| 久久久国产欧美日韩av| 九九在线视频观看精品| 91在线精品国自产拍蜜月| 午夜精品国产一区二区电影| 日日啪夜夜撸| 丰满少妇做爰视频| 岛国毛片在线播放| a级毛片免费高清观看在线播放| 在线亚洲精品国产二区图片欧美 | 中文字幕免费在线视频6| 亚洲一区二区三区欧美精品| av在线播放精品| 久久久精品免费免费高清| 免费观看a级毛片全部| 久久久久精品性色| 国产精品一区二区在线观看99| 中国三级夫妇交换| 亚洲精品中文字幕在线视频 | 欧美精品国产亚洲| 男人和女人高潮做爰伦理| 免费av不卡在线播放| 久久人人爽人人爽人人片va| 欧美精品高潮呻吟av久久| 久久免费观看电影| 婷婷色综合www| 一级毛片aaaaaa免费看小| 精品国产一区二区久久| 日韩 亚洲 欧美在线| 免费观看av网站的网址| 一级二级三级毛片免费看| 精品一品国产午夜福利视频| 最黄视频免费看| 一区二区三区乱码不卡18| 十八禁网站网址无遮挡 | 日韩 亚洲 欧美在线| 欧美日韩综合久久久久久| 精品久久国产蜜桃| 成人综合一区亚洲| 草草在线视频免费看| 国内精品宾馆在线| 亚洲电影在线观看av| 成人特级av手机在线观看| 国产色婷婷99| 最黄视频免费看| 老司机影院成人| 色网站视频免费| 国产视频首页在线观看| 久久久久久久大尺度免费视频| 熟女电影av网| 一级毛片电影观看| 免费少妇av软件| 只有这里有精品99| 国产免费一区二区三区四区乱码| www.av在线官网国产| 国产成人精品婷婷| tube8黄色片| 蜜臀久久99精品久久宅男| av在线播放精品| 久久久久久久久久成人| 亚洲av.av天堂| 免费黄网站久久成人精品| 男女免费视频国产| 高清不卡的av网站| 欧美日本中文国产一区发布| 精品久久久久久久久av| 丝袜喷水一区| 深夜a级毛片| 99久久综合免费| 久久久欧美国产精品| 国产真实伦视频高清在线观看| 日韩一区二区三区影片| 精品熟女少妇av免费看| 美女cb高潮喷水在线观看| 人人妻人人爽人人添夜夜欢视频 | 成人无遮挡网站| 成人综合一区亚洲| 只有这里有精品99| 精品人妻熟女av久视频| 国产永久视频网站| 91精品伊人久久大香线蕉| 久久狼人影院| 亚洲内射少妇av| 热re99久久精品国产66热6| 蜜臀久久99精品久久宅男| 能在线免费看毛片的网站| 国产av一区二区精品久久| 亚洲美女视频黄频| 秋霞在线观看毛片| av在线观看视频网站免费| 精品国产国语对白av| 国产精品.久久久| 自拍欧美九色日韩亚洲蝌蚪91 | 极品人妻少妇av视频| 国产精品99久久99久久久不卡 | 亚洲av成人精品一区久久| 欧美日韩视频精品一区| 久久久久精品性色| 欧美激情国产日韩精品一区| 校园人妻丝袜中文字幕| 欧美成人精品欧美一级黄| 中文欧美无线码| 精品一区二区三区视频在线| 国产精品一区二区三区四区免费观看| 国产av国产精品国产| a级一级毛片免费在线观看| 2018国产大陆天天弄谢| 丝瓜视频免费看黄片| 久久久国产精品麻豆| 青春草亚洲视频在线观看| tube8黄色片| 黑人高潮一二区| 国产91av在线免费观看| 日韩中字成人| 久久人人爽人人片av| 久久久国产精品麻豆| 黄色毛片三级朝国网站 | 亚洲av男天堂| 下体分泌物呈黄色| 欧美亚洲 丝袜 人妻 在线| 大香蕉97超碰在线| 三级经典国产精品| 欧美日韩国产mv在线观看视频| 亚洲精品一二三| 国产精品女同一区二区软件| av专区在线播放| 男女国产视频网站| 日韩电影二区| 狂野欧美激情性xxxx在线观看| 欧美精品高潮呻吟av久久| 一区二区三区精品91| 熟女人妻精品中文字幕| 色网站视频免费| 中文字幕精品免费在线观看视频 | 亚洲精品成人av观看孕妇| 国产在线男女| 一级毛片 在线播放| av在线老鸭窝| 26uuu在线亚洲综合色| 亚洲av不卡在线观看| 亚洲精品久久久久久婷婷小说| 亚洲国产精品一区三区| 日韩成人伦理影院| 黑人高潮一二区| h视频一区二区三区| 日本vs欧美在线观看视频 | 精品国产一区二区久久| 51国产日韩欧美| 国产免费一级a男人的天堂| 热re99久久国产66热| 女人久久www免费人成看片| 亚洲成人手机| 国产伦理片在线播放av一区| 国产黄片视频在线免费观看| 亚洲av综合色区一区| 黄片无遮挡物在线观看| 亚洲欧美清纯卡通| h日本视频在线播放| 国产在视频线精品| 女人久久www免费人成看片| 好男人视频免费观看在线| 国产精品不卡视频一区二区| 少妇被粗大猛烈的视频| 男人狂女人下面高潮的视频| 中文天堂在线官网| 午夜激情福利司机影院| 纵有疾风起免费观看全集完整版| 嫩草影院入口| 欧美三级亚洲精品| 国产免费一区二区三区四区乱码| 99视频精品全部免费 在线| 国产黄片视频在线免费观看| h日本视频在线播放| 啦啦啦视频在线资源免费观看| 日韩熟女老妇一区二区性免费视频| 激情五月婷婷亚洲| 男女无遮挡免费网站观看| 在线观看国产h片| 男女无遮挡免费网站观看| 男女国产视频网站| 国产精品人妻久久久久久| 少妇裸体淫交视频免费看高清| 另类亚洲欧美激情| 久久人人爽av亚洲精品天堂| 少妇被粗大的猛进出69影院 | 国产视频内射| 天堂中文最新版在线下载| 亚洲天堂av无毛| 大片电影免费在线观看免费| 亚洲熟女精品中文字幕| 在线观看av片永久免费下载| 深夜a级毛片| 国产69精品久久久久777片| 极品少妇高潮喷水抽搐| 欧美变态另类bdsm刘玥| 欧美激情极品国产一区二区三区 | 国产av码专区亚洲av| 亚洲欧美成人综合另类久久久| 日日摸夜夜添夜夜爱| 自线自在国产av| 欧美日韩视频精品一区| 99久久人妻综合| 亚洲欧洲国产日韩| 国产成人精品一,二区| 亚州av有码| 91精品国产九色| 桃花免费在线播放| 久久久久国产精品人妻一区二区| 成人黄色视频免费在线看| 狠狠精品人妻久久久久久综合| 97超视频在线观看视频| 赤兔流量卡办理| 久久6这里有精品| 天堂中文最新版在线下载| 麻豆乱淫一区二区| 久久久久精品久久久久真实原创| 黑人巨大精品欧美一区二区蜜桃 | 人人妻人人澡人人爽人人夜夜| 一本久久精品| 男女边摸边吃奶| 一本一本综合久久| 亚洲av中文av极速乱| 国产精品熟女久久久久浪| 久久久午夜欧美精品| 久久人人爽人人片av| 国产永久视频网站| 丝袜在线中文字幕| 精品人妻偷拍中文字幕| 狠狠精品人妻久久久久久综合| av在线观看视频网站免费| 国产深夜福利视频在线观看| 亚洲国产av新网站| 国产在线男女| 亚洲欧洲精品一区二区精品久久久 | 伦理电影大哥的女人| 亚洲欧美日韩卡通动漫| 一个人看视频在线观看www免费| 一二三四中文在线观看免费高清| 日韩熟女老妇一区二区性免费视频| 国产成人a∨麻豆精品| 久久久久久久久久久免费av| 91在线精品国自产拍蜜月| 国产成人一区二区在线| 美女福利国产在线| 亚洲av欧美aⅴ国产| 青春草国产在线视频| 亚洲精品,欧美精品| 在线观看www视频免费| 免费观看a级毛片全部| 精品人妻一区二区三区麻豆| 18禁裸乳无遮挡动漫免费视频| 亚洲欧美成人精品一区二区| 国产高清国产精品国产三级| 欧美日韩综合久久久久久| 国产黄色视频一区二区在线观看| 亚洲精品自拍成人| 久久久久久久久久久丰满| 26uuu在线亚洲综合色| 日韩电影二区| 国国产精品蜜臀av免费| 日韩,欧美,国产一区二区三区| 在现免费观看毛片| 久久久久久久久久久久大奶| 18禁动态无遮挡网站| 免费人妻精品一区二区三区视频| 国产中年淑女户外野战色| 亚洲性久久影院| 国产免费又黄又爽又色| 2022亚洲国产成人精品| 少妇 在线观看| freevideosex欧美| av一本久久久久| 精品一区二区三卡| 国产欧美另类精品又又久久亚洲欧美| 18禁动态无遮挡网站| 草草在线视频免费看| 免费看av在线观看网站| 午夜福利网站1000一区二区三区| 日韩 亚洲 欧美在线| 欧美区成人在线视频| 一本一本综合久久| 日韩熟女老妇一区二区性免费视频| 国产伦精品一区二区三区视频9| 亚洲精品乱码久久久v下载方式| 亚洲精品日韩在线中文字幕| 婷婷色综合www| 成人毛片a级毛片在线播放| 国内精品宾馆在线| 日韩熟女老妇一区二区性免费视频| 国产精品秋霞免费鲁丝片| 狠狠精品人妻久久久久久综合| 这个男人来自地球电影免费观看 | 久久韩国三级中文字幕| 纯流量卡能插随身wifi吗| 久久久午夜欧美精品| 精品一区在线观看国产| 九九爱精品视频在线观看| 日本免费在线观看一区| 少妇裸体淫交视频免费看高清| 精品亚洲乱码少妇综合久久| 亚洲欧美精品自产自拍| 夫妻午夜视频| 色婷婷久久久亚洲欧美| 三级经典国产精品| 亚洲国产欧美在线一区| 中文字幕亚洲精品专区| 十八禁网站网址无遮挡 | 激情五月婷婷亚洲| 韩国av在线不卡| 99精国产麻豆久久婷婷| 日韩大片免费观看网站| 国产美女午夜福利| 欧美激情国产日韩精品一区| 有码 亚洲区| 啦啦啦啦在线视频资源| av天堂中文字幕网| 黄色怎么调成土黄色| 极品少妇高潮喷水抽搐| 美女主播在线视频| 午夜老司机福利剧场| 老熟女久久久| 亚洲一级一片aⅴ在线观看| 18禁动态无遮挡网站| 菩萨蛮人人尽说江南好唐韦庄| 99热6这里只有精品| 国产亚洲5aaaaa淫片| 国产色婷婷99| 午夜激情久久久久久久| 老司机影院毛片| 免费看日本二区| 国产伦精品一区二区三区视频9| 人妻一区二区av| 又粗又硬又长又爽又黄的视频| .国产精品久久| 亚洲成人一二三区av| 日韩不卡一区二区三区视频在线| 久久久欧美国产精品| 夫妻午夜视频|