• <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 ?

    多負(fù)例對(duì)比機(jī)制下的跨模態(tài)表示學(xué)習(xí)

    2022-10-18 01:02:58丁凱旋陳雁翔趙鵬鋮朱玉鵬盛振濤
    關(guān)鍵詞:語(yǔ)義模態(tài)特征

    丁凱旋,陳雁翔,趙鵬鋮,朱玉鵬,盛振濤

    合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院,合肥 230601

    現(xiàn)如今,互聯(lián)網(wǎng)上存在海量的諸如圖像、文本以及音頻等不同形式的多模態(tài)數(shù)據(jù)。相較于單模態(tài)數(shù)據(jù),多模態(tài)數(shù)據(jù)之間的信息互補(bǔ)性使其在某些特定的任務(wù)中具有一定的優(yōu)越性[1-2]。因此,多模態(tài)機(jī)器學(xué)習(xí)在近年來(lái)取得了空前的發(fā)展。特別是跨模態(tài)表示學(xué)習(xí),其廣泛應(yīng)用于跨模態(tài)檢索[3-4]、圖像字幕生成[5-7]以及視覺(jué)問(wèn)答[8-9]等領(lǐng)域中??缒B(tài)表示學(xué)習(xí)旨在擬合不同模態(tài)數(shù)據(jù)之間的異質(zhì)性差距,在特征層面建立起模態(tài)間的語(yǔ)義聯(lián)系并擴(kuò)大模態(tài)內(nèi)的類別差異(如圖1 所示)。早期的研究者主要利用CCA[10]進(jìn)行跨模態(tài)表示學(xué)習(xí),其通過(guò)最大程度地利用不同模態(tài)數(shù)據(jù)之間的相關(guān)性來(lái)學(xué)習(xí)公共子空間。此后CCA衍生出了許多變體,KCCA[11]通過(guò)核函數(shù)引入非線性映射,改善了CCA 單純的線性映射;DCCA[12]則利用深度學(xué)習(xí)的方法研究?jī)蓚€(gè)數(shù)據(jù)視圖的復(fù)雜非線性變換以使不同模態(tài)樣本特征的最終表示形式高度相關(guān)聯(lián);GMA[13]是CCA在監(jiān)督任務(wù)上的拓展算法,它使用數(shù)據(jù)的類別信息來(lái)學(xué)習(xí)子空間。在目前的主流方法中,跨模態(tài)表示學(xué)習(xí)一般分為兩個(gè)步驟:第一步是獲取每種模態(tài)數(shù)據(jù)對(duì)應(yīng)的特征表示,第二步是在共享子空間中建立特征間的語(yǔ)義關(guān)聯(lián)性以獲取良好的跨模態(tài)表示。LCFS[14]同時(shí)從兩種模態(tài)中選擇相關(guān)特征和判別特征,使學(xué)習(xí)到的子空間更加有效。ACMR[15]基于對(duì)抗學(xué)習(xí)的思想,并針對(duì)特征投影構(gòu)造了三元組損失,以最小化具有相同語(yǔ)義標(biāo)簽的不同模態(tài)特征表示間的語(yǔ)義鴻溝,同時(shí)最大化語(yǔ)義不相關(guān)的跨模態(tài)特征表示在子空間中的距離。DSCMR[16]通過(guò)在共享子空間和標(biāo)簽空間中最小化區(qū)別度損失來(lái)學(xué)習(xí)跨模態(tài)特征的相關(guān)性。Peng 等人[17-18]聯(lián)合模態(tài)內(nèi)和模態(tài)間的信息,通過(guò)分層學(xué)習(xí)機(jī)制來(lái)挖掘復(fù)雜的跨模態(tài)相關(guān)性,以獲得跨模態(tài)共享表示。Salvador等人[19]和Surís等人[20]借助相似度損失和正則化損失,實(shí)現(xiàn)了嚴(yán)格的跨模態(tài)特征對(duì)齊。Zeng等人[21]提出了基于Cluster-CCA 的深度三重態(tài)神經(jīng)網(wǎng)絡(luò),以此來(lái)最大化不同模態(tài)數(shù)據(jù)在共享子空間中的相關(guān)性。

    圖1 跨模態(tài)表示學(xué)習(xí)的可視化Fig.1 Visualization of cross-modal representation learning

    雖然跨模態(tài)表示學(xué)習(xí)領(lǐng)域碩果累累,但是仍然有很大的進(jìn)步空間。無(wú)論樣本屬于哪種模態(tài),本文將屬于相同類別的數(shù)據(jù)定義為正例,屬于不同類別的數(shù)據(jù)定義為負(fù)例。現(xiàn)有的大多數(shù)方法在特征空間僅使用少量負(fù)例進(jìn)行訓(xùn)練,未能充分利用跨模態(tài)數(shù)據(jù)集提供的類別信息來(lái)辨識(shí)類內(nèi)的區(qū)別性和類間的相關(guān)性。受到監(jiān)督對(duì)比學(xué)習(xí)[22]的啟發(fā),本文將多負(fù)例對(duì)比機(jī)制應(yīng)用到跨模態(tài)表示學(xué)習(xí)中,即在訓(xùn)練階段讓正例特征與多個(gè)負(fù)例特征之間進(jìn)行對(duì)比,使模型學(xué)習(xí)到的跨模態(tài)表示具有模態(tài)一致性和語(yǔ)義區(qū)分性?,F(xiàn)有的跨模態(tài)任務(wù)大多聚焦于視覺(jué)模態(tài)和文本模態(tài),然而視覺(jué)和聽(tīng)覺(jué)是人類與外界環(huán)境進(jìn)行交互時(shí)更為重要的媒介,并且視聽(tīng)覺(jué)之間存在著十分自然的關(guān)聯(lián)性。例如,當(dāng)聽(tīng)見(jiàn)狗叫聲時(shí),狗的樣子可能會(huì)浮現(xiàn)在腦海中。因此,有必要對(duì)視聽(tīng)覺(jué)之間的關(guān)聯(lián)性進(jìn)行更為深入的研究。在此背景下,本文提出了SCCMRL 算法來(lái)進(jìn)行跨模態(tài)表示學(xué)習(xí),并將其應(yīng)用于視聽(tīng)覺(jué)跨模態(tài)檢索任務(wù)中,構(gòu)建了相應(yīng)的跨模態(tài)檢索系統(tǒng),最后結(jié)合Sub_URMP數(shù)據(jù)集和XmediaNet數(shù)據(jù)集中的視聽(tīng)覺(jué)數(shù)據(jù)實(shí)施了一系列實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,本文提出的SCCMRL算法在跨模態(tài)表示學(xué)習(xí)過(guò)程中具有優(yōu)良的性能表現(xiàn)。綜上所述,本文的貢獻(xiàn)主要如下:

    (1)提出了一種新穎的跨模態(tài)表示學(xué)習(xí)算法SCCMRL,該算法在監(jiān)督信息的指導(dǎo)下,采用端到端的學(xué)習(xí)策略,在訓(xùn)練階段引入了多負(fù)例對(duì)比機(jī)制,使相同類別的數(shù)據(jù)樣本在特征空間中的語(yǔ)義距離盡可能靠近,而不同類別的數(shù)據(jù)樣本的語(yǔ)義距離盡可能遠(yuǎn)離。與此同時(shí),SCCMRL 利用標(biāo)簽損失和中心損失進(jìn)一步維護(hù)跨模態(tài)表示的模態(tài)一致性和語(yǔ)義區(qū)分性。

    (2)將學(xué)習(xí)到的跨模態(tài)表示應(yīng)用于跨模態(tài)視聽(tīng)檢索任務(wù),構(gòu)建出視聽(tīng)跨模態(tài)檢索系統(tǒng),并且針對(duì)Sub_URMP數(shù)據(jù)集和XmediaNet數(shù)據(jù)集實(shí)施了大量的實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明了SCCMRL方法要優(yōu)于現(xiàn)有的跨模態(tài)表示學(xué)習(xí)方法。

    1 相關(guān)工作

    1.1 負(fù)例對(duì)比損失函數(shù)

    負(fù)例對(duì)比損失函數(shù)即利用正負(fù)例之間對(duì)比來(lái)突出類間區(qū)別性,其廣泛應(yīng)用于人臉識(shí)別和視聽(tīng)覺(jué)對(duì)應(yīng)等領(lǐng)域中,其中比較有代表性的是contrastive loss[23]和triplet loss[24]。

    1.2 多負(fù)例對(duì)比機(jī)制下的表示學(xué)習(xí)

    表示學(xué)習(xí)的核心就是學(xué)習(xí)一個(gè)映射函數(shù)f,把樣本x編碼成其表示f(x)。而對(duì)比學(xué)習(xí)就是使得f滿足公式(3):

    公式中的分子即錨樣本與正樣本的向量積,分母則為錨樣本與正樣本的向量積加上錨樣本與所有負(fù)樣本向量積的和。在優(yōu)化該式的過(guò)程中錨樣本與正樣本的向量積逐漸增大,即距離縮??;錨樣本與負(fù)樣本的向量積逐漸縮小,即距離增大。實(shí)際上,這種對(duì)比思想已經(jīng)廣泛應(yīng)用于自監(jiān)督學(xué)習(xí)領(lǐng)域并取得了良好的效果。He 等人[25]提出負(fù)例樣本數(shù)量在對(duì)比學(xué)習(xí)中十分重要,并采用動(dòng)量更新的訓(xùn)練方式來(lái)解決內(nèi)存庫(kù)和端到端這兩種方式在大樣本數(shù)量下的所存在的問(wèn)題。Dai等人[26]使用對(duì)比學(xué)習(xí)來(lái)解決圖像字幕中標(biāo)題文本可區(qū)別性的問(wèn)題。Oord 等人[27]則是通過(guò)自回歸模型與InfoNCE 損失建立真實(shí)幀與預(yù)測(cè)幀之間的對(duì)比關(guān)系。

    1.3 跨模態(tài)檢索

    以往的檢索工作只關(guān)注單一模態(tài)[28],而跨模態(tài)檢索的目標(biāo)是實(shí)現(xiàn)不同模態(tài)數(shù)據(jù)間的相互檢索,其首先需要解決的問(wèn)題就是如何消除不同模態(tài)數(shù)據(jù)樣本之間的異質(zhì)性差距,因?yàn)檫@種異質(zhì)性差距使得多模態(tài)數(shù)據(jù)表示間的特征相似性變得難以度量[29]。通過(guò)將不同模態(tài)特征投射到子空間,進(jìn)而在子空間中學(xué)習(xí)到不同模態(tài)間的共生關(guān)系。Ngiam等人[30]、Wang等人[31]利用深度卷積神經(jīng)網(wǎng)絡(luò)提取不同模態(tài)的特征并建立其對(duì)應(yīng)的跨模態(tài)語(yǔ)義聯(lián)系。Kumar等人[32]、Ding等人[33]以及Wang等人[34]則利用哈希變換將不同模態(tài)特征映射到一個(gè)漢明二值空間,然后在漢明空間實(shí)現(xiàn)快速的跨模態(tài)檢索。

    跨模態(tài)檢索的方法大多應(yīng)用于圖文檢索,然而視覺(jué)與聽(tīng)覺(jué)是人類與外部世界進(jìn)行交互的重要媒介,因此有必要研究如何實(shí)現(xiàn)視聽(tīng)跨模態(tài)檢索。現(xiàn)有的一些研究已經(jīng)對(duì)視聽(tīng)跨模態(tài)檢索進(jìn)行相當(dāng)深入的探究。Zeng等人[21]利用聚類CCA 和深度三重神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)使得視頻與語(yǔ)音的正負(fù)例特征之間的區(qū)別更加明顯。Surís 等人[20]則利用分類損失和相似度損失將視聽(tīng)覺(jué)模態(tài)數(shù)據(jù)投射到一個(gè)共同特征空間,以此來(lái)獲取聯(lián)合的視聽(tīng)覺(jué)表示。

    2 提出的方法

    本章將介紹提出的多負(fù)例對(duì)比機(jī)制下的跨模態(tài)表示學(xué)習(xí)方法(SCCMRL)。該部分首先對(duì)本文的研究方法進(jìn)行一個(gè)簡(jiǎn)單的表述,然后闡述SCCMRL 的整體架構(gòu)和所構(gòu)建的損失函數(shù),最后介紹了網(wǎng)絡(luò)在訓(xùn)練與優(yōu)化過(guò)程中所使用的策略。

    2.1 研究方法

    目前,多負(fù)例對(duì)比機(jī)制已經(jīng)廣泛應(yīng)用于自監(jiān)督表示學(xué)習(xí)中。然而自監(jiān)督任務(wù)沒(méi)有提供標(biāo)簽,通常只能對(duì)錨樣本進(jìn)行數(shù)據(jù)增強(qiáng)來(lái)獲取正例,而將數(shù)據(jù)集中其余的樣本都視作負(fù)例。但這樣的負(fù)例中極有可能會(huì)出現(xiàn)與錨樣本屬于同一類別的樣本,造成了假負(fù)例現(xiàn)象,從而使對(duì)比學(xué)習(xí)在拉遠(yuǎn)正例與這種假負(fù)例特征之間距離的過(guò)程中獲得了壞的樣本表示。本文受到監(jiān)督對(duì)比學(xué)習(xí)[22]的啟發(fā),在監(jiān)督信息的指導(dǎo)下將多負(fù)例對(duì)比機(jī)制與跨模態(tài)表示學(xué)習(xí)相結(jié)合,提出了SCCMRL 方法。該方法在標(biāo)簽信息的指導(dǎo)下允許每個(gè)錨樣本有多個(gè)正例,消除了假負(fù)例現(xiàn)象,并且通過(guò)與多負(fù)例樣本特征之間的對(duì)比,使得正例之間的語(yǔ)義距離更近,負(fù)例之間的語(yǔ)義距離更遠(yuǎn),從而維護(hù)了跨模態(tài)表示在共享子空間中的模態(tài)一致性和語(yǔ)義區(qū)分性。在這項(xiàng)工作中,僅關(guān)注并研究了視覺(jué)模態(tài)數(shù)據(jù)(圖片)和聽(tīng)覺(jué)模態(tài)數(shù)據(jù)(語(yǔ)音)。將第j個(gè)圖

    2.2 模型架構(gòu)

    SCCMRL 的目標(biāo)是把跨模態(tài)數(shù)據(jù)投射到一個(gè)共享子空間中以獲取跨模態(tài)表示,并且該跨模態(tài)表示在共享子空間中應(yīng)具有模態(tài)一致性和語(yǔ)義區(qū)分性。因此,基于該目標(biāo)構(gòu)建了SCCMRL 的總體模型架構(gòu),如圖2 所示。該模型是以端到端的方式進(jìn)行訓(xùn)練,其包含了視覺(jué)編碼器和音頻編碼器這兩個(gè)子網(wǎng)絡(luò)。視覺(jué)子網(wǎng)絡(luò)和音頻子網(wǎng)絡(luò)參考了L3-Net[35],具體參數(shù)細(xì)節(jié)如圖3 所示,其中圖(a)是視覺(jué)編碼器的參數(shù)細(xì)節(jié),圖(b)是音頻編碼器的參數(shù)細(xì)節(jié);每一部分中的藍(lán)色矩形塊代表卷積層,黃色矩形塊代表池化層,每個(gè)塊內(nèi)第一行代表層的名稱,第二行代表層的參數(shù):卷積層的參數(shù)分別表示卷積核的大小和通道數(shù);池化層的參數(shù)表示步幅的大小,并且沒(méi)有填充;每個(gè)卷積層之后是批歸一化層和ReLU非線性激活函數(shù)。視覺(jué)編碼器的輸入為224×224×3的圖片,音頻編碼器的輸入為257×200×3的聲譜圖,在視覺(jué)編碼器和音頻編碼器后還分別添加了一個(gè)全連接層,最終獲得維度一致的圖片特征fI和語(yǔ)音特征fA,然后針對(duì)fI和fA設(shè)計(jì)監(jiān)督對(duì)比損失函數(shù),從而使正例特征與多個(gè)負(fù)例特征形成對(duì)比,讓正例特征之間的語(yǔ)義距離更加接近,并逐漸拉開(kāi)正例特征與這些負(fù)例特征之間的語(yǔ)義距離。假設(shè)在共享子空間中獲取到良好的視覺(jué)表示與聽(tīng)覺(jué)表示,那么這種表示對(duì)于分類任務(wù)來(lái)說(shuō)也必然是理想的。因此,SCCMRL 模型在原有的視覺(jué)編碼器和音頻編碼器后連接一個(gè)共享權(quán)重的線性分類層,通過(guò)該線性分類層,圖片和語(yǔ)音的類別特征xI和xA也被捕捉到,利用類別特征與標(biāo)簽信息分別計(jì)算中心損失與標(biāo)簽損失。通過(guò)這樣的模型結(jié)構(gòu)設(shè)計(jì),跨模態(tài)特征的模態(tài)一致性和語(yǔ)義區(qū)分性能夠很好地被學(xué)習(xí)。SCCMRL 模型的總損失定義為標(biāo)簽預(yù)測(cè)損失、中心損失、監(jiān)督對(duì)比損失的加權(quán)和,各損失函數(shù)的定義詳見(jiàn)下文所述。

    圖2 SCCMRL模型的總體結(jié)構(gòu)Fig.2 Overall structure of SCCMRL model

    圖3 視覺(jué)編碼器和音頻編碼器的參數(shù)細(xì)節(jié)Fig.3 Detailed parameters of visual encoder and audio encoder

    2.2.1 監(jiān)督對(duì)比損失(supervised contrastive loss)

    監(jiān)督對(duì)比損失采用多負(fù)例對(duì)比機(jī)制,能夠使得訓(xùn)練集中不同類別樣本間的數(shù)據(jù)特征距離更遠(yuǎn),同時(shí)使得相同類別樣本間的數(shù)據(jù)特征距離更近。此外,要想實(shí)現(xiàn)監(jiān)督對(duì)比損失,正例與負(fù)例的定義至關(guān)重要。給出一個(gè)錨樣本數(shù)據(jù),無(wú)論它屬于哪種模態(tài),將正例定義為與錨樣本屬于同一類別的樣本數(shù)據(jù),負(fù)例定義為與錨樣本屬于不同類別的樣本數(shù)據(jù)。即正負(fù)例的定義只關(guān)注樣本數(shù)據(jù)是否屬于同一類別,而不關(guān)注它們是否屬于同一模態(tài)。因此,錨數(shù)據(jù)與正例構(gòu)成正樣本對(duì),錨數(shù)據(jù)與負(fù)例構(gòu)成負(fù)樣本對(duì)。監(jiān)督對(duì)比損失中的得分函數(shù)要求能夠?qū)φ龢颖緦?duì)產(chǎn)生高值,對(duì)負(fù)樣本對(duì)產(chǎn)生低值。一般地,可以選擇點(diǎn)積和余弦距離作為得分函數(shù),這項(xiàng)工作中把得分函數(shù)定義為公共子空間中的樣本特征的點(diǎn)積。在監(jiān)督對(duì)比編碼中,每個(gè)批次中的某個(gè)錨樣本可能會(huì)有多個(gè)樣本和它屬于同一類別,包括相同模態(tài)和不同模態(tài)。因此SCCMRL中的監(jiān)督對(duì)比損失定義如下:

    其中N為批次大小,yi代表批次中第i個(gè)樣本的類別標(biāo)簽,yj表批次中第j個(gè)樣本的類別標(biāo)簽,Nyi表示批次中類別為yi的樣本總數(shù),g(·)的函數(shù)定義為:當(dāng)下標(biāo)·式為真時(shí)函數(shù)值為1,否則為0。因此,當(dāng)fi代表錨樣本的特征,fj表示正例樣本的特征,fk表示批次中除fi之外所有的樣本特征,T代表溫度超參。公式(5)表示單個(gè)錨樣本fi在這個(gè)批次里所貢獻(xiàn)的監(jiān)督對(duì)比損失,公式(6)表示輪流將批次里的數(shù)據(jù)作為錨樣本來(lái)計(jì)算總的監(jiān)督對(duì)比損失。當(dāng)優(yōu)化整個(gè)損失函數(shù)時(shí),錨樣本與正例之間的點(diǎn)積增大(即余弦距離縮小),而錨樣本與負(fù)例之間的點(diǎn)積減?。从嘞揖嚯x增大)。從損失函數(shù)的定義可以看出,由于提供了類別標(biāo)簽,監(jiān)督對(duì)比損失在每個(gè)批次里可以處理任意數(shù)量的正例樣本,并且對(duì)于每個(gè)錨樣本,監(jiān)督對(duì)比損失都會(huì)將它與批次中的所有負(fù)例進(jìn)行對(duì)比,以使正樣本對(duì)特征之間更加緊湊,負(fù)樣本對(duì)特征之間更加稀疏。因此,通過(guò)這種方式獲得的跨模態(tài)表示既具有模態(tài)一致性又具有語(yǔ)義區(qū)分性。

    2.2.2 標(biāo)簽損失(label loss)

    在進(jìn)行特征提取后,SCCMRL 模型在視覺(jué)編碼器和音頻編碼器后分別添加一個(gè)共享權(quán)重的線性分類

    2.3 訓(xùn)練與優(yōu)化策略

    算法1 SCCMRL的優(yōu)化步驟

    SCCMRL 模型總損失被定義為標(biāo)簽損失、中心損失和監(jiān)督對(duì)比損失的加權(quán)之和,即:

    其中α、β、γ分別為標(biāo)簽損失、中心損失和監(jiān)督對(duì)比損失的權(quán)重系數(shù)。在這項(xiàng)工作中,將α、β、γ分別設(shè)置為0.05、0.05、0.9。初始學(xué)習(xí)率設(shè)置為0.01,采用變動(dòng)學(xué)習(xí)率的策略,每30 輪后學(xué)習(xí)率降為原來(lái)的1/10。使用Adam優(yōu)化器對(duì)SCCMRL模型進(jìn)行優(yōu)化,并使用端到端的訓(xùn)練策略。此外,SCCMRL 是基于Pytorch 框架進(jìn)行模型的設(shè)計(jì)與搭建,并在一塊NVIDIA GTX 1080Ti GPU 進(jìn)行訓(xùn)練。算法1 中展示了SCCMRL 的訓(xùn)練步驟與優(yōu)化細(xì)節(jié)。

    3 實(shí)驗(yàn)

    本文使用Sub_URMP 數(shù)據(jù)集和XmediaNet 數(shù)據(jù)集作為實(shí)驗(yàn)的基準(zhǔn)數(shù)據(jù)集。為了驗(yàn)證所提出的SCCMRL模型的有效性,在這兩種不同的視聽(tīng)數(shù)據(jù)集上實(shí)施了兩種任務(wù):跨模態(tài)檢索和多模態(tài)分類。跨模態(tài)檢索展示了SCCMRL 模型能夠很好地建立不同模態(tài)數(shù)據(jù)的語(yǔ)義相關(guān)性,多模態(tài)分類則表明SCCMRL 模型能夠捕捉各種模態(tài)內(nèi)的語(yǔ)義區(qū)分性。

    3.1 數(shù)據(jù)集介紹

    3.1.1 Sub_URMP數(shù)據(jù)集

    Sub_URMP 數(shù)據(jù)集是URMP(University of Rochester Multimodal Music Performance)數(shù)據(jù)集的子集,由羅切斯特大學(xué)于2016年發(fā)布。Sub_URMP數(shù)據(jù)集中包含13 類樂(lè)器(巴松管、大提琴等)的視聽(tīng)覺(jué)雙模態(tài)信息,分別是樂(lè)器演奏的音頻和對(duì)應(yīng)的圖片。整個(gè)數(shù)據(jù)集是在高清視頻下裁剪得到的,在同一個(gè)樂(lè)器演奏視頻下每隔0.5 s截取音頻和圖片,人為地刪去了其中的無(wú)聲音頻和其對(duì)應(yīng)的圖片,并選擇其中的部分作為訓(xùn)練所用,最后得到了8 151張圖片和對(duì)應(yīng)的音頻。

    3.1.2 XmediaNet數(shù)據(jù)集

    XmediaNet 數(shù)據(jù)集是北京大學(xué)專為跨模態(tài)檢索任務(wù)而設(shè)計(jì)的大規(guī)模多模態(tài)數(shù)據(jù)集,其包含文本、圖像、視頻、音頻以及3D 模型這5 種模態(tài)的數(shù)據(jù),包含超過(guò)100 000個(gè)實(shí)例的樣本數(shù)據(jù)。選擇其中的圖片模態(tài)和音頻模態(tài)進(jìn)行實(shí)驗(yàn)。圖片和音頻都包含多個(gè)類別,例如狗叫聲、鬧鐘、鍵盤(pán)打字等。其中的一些特殊對(duì)象,例如自行車(chē)、鬧鈴、門(mén)鈴,統(tǒng)一用鈴聲作為對(duì)應(yīng)的音頻;小船、小汽車(chē)、公共汽車(chē)統(tǒng)一用引擎聲作為對(duì)應(yīng)的音頻。對(duì)于這樣的情況,在數(shù)據(jù)集中只保留其中一種對(duì)象。由于語(yǔ)音片段長(zhǎng)度不固定,需要將其統(tǒng)一分割為1 s的語(yǔ)音長(zhǎng)度,并通過(guò)LMS算法將語(yǔ)音片段生成聲譜圖,最后獲得24個(gè)類別共計(jì)2 448張圖片和2 994個(gè)聲譜圖組成的數(shù)據(jù)集。

    3.2 跨模態(tài)檢索

    為了驗(yàn)證所提出模型的有效性,對(duì)其進(jìn)行了跨模態(tài)檢索實(shí)驗(yàn),通過(guò)對(duì)比實(shí)驗(yàn)和消融實(shí)驗(yàn)來(lái)定量地驗(yàn)證SCCMRL 模型的性能表現(xiàn),并直觀地展示了跨模態(tài)檢索的結(jié)果。

    3.2.1 對(duì)比實(shí)驗(yàn)

    將mAP(mean average precision)作為跨模態(tài)檢索性能好壞的評(píng)估標(biāo)準(zhǔn)。mAP是跨模態(tài)檢索領(lǐng)域一個(gè)經(jīng)典的評(píng)估標(biāo)準(zhǔn),它是對(duì)查詢樣本和所有返回的檢索樣本之間進(jìn)行余弦相似度或歐式距離的計(jì)算(實(shí)驗(yàn)中選擇余弦相似度),綜合考慮了檢索結(jié)果的精確度和排序信息。在具體的跨模態(tài)檢索實(shí)驗(yàn)中,實(shí)施兩種不同的任務(wù):用查詢圖片檢索語(yǔ)音樣本(Img2Aud)和用查詢語(yǔ)音檢索圖片樣本(Aud2Img),并進(jìn)行了兩組對(duì)比實(shí)驗(yàn)如下:

    (1)與僅使用少量負(fù)例損失的模型進(jìn)行比較

    為了證明多負(fù)例對(duì)比機(jī)制在跨模態(tài)表示學(xué)習(xí)過(guò)程中確實(shí)優(yōu)于少負(fù)例對(duì)比機(jī)制,對(duì)比了supervised contrastive loss(Sup loss)、contrastive loss(Con loss)以 及triplet loss(Tri loss)在跨模態(tài)表示學(xué)習(xí)中的表現(xiàn)。為了減少客觀因素對(duì)實(shí)驗(yàn)結(jié)果的影響,在實(shí)驗(yàn)中摒棄了center loss(Cen loss)和label loss(Lab loss),并且將權(quán)重系數(shù)均設(shè)置為1。

    表1 和表2 展示了Sup loss、Con loss 和Tri loss 在跨模態(tài)檢索任務(wù)中的表現(xiàn),從中可以看出Sup loss在跨模態(tài)表示學(xué)習(xí)中的表現(xiàn)明顯優(yōu)于Con loss 和Tri loss。由此證明,相較于使用少量負(fù)例對(duì)比的損失函數(shù),采用多負(fù)例對(duì)比機(jī)制的監(jiān)督對(duì)比損失能夠更加有效的形成類間區(qū)別性,從而獲取更為優(yōu)秀的跨模態(tài)表示。

    表1 不同損失函數(shù)在Sub_URMP數(shù)據(jù)集上的表現(xiàn)(mAP)Table 1 Performance(mAP)of different loss functions on Sub_URMP dataset

    表2 不同損失函數(shù)在XmediaNet數(shù)據(jù)集上的表現(xiàn)(mAP)Table 2 Performance(mAP)of different loss functions on XmediaNet dataset

    (2)與當(dāng)前常用的跨模態(tài)檢索方法進(jìn)行比較

    現(xiàn)有的大多數(shù)跨模態(tài)表示學(xué)習(xí)方法都是聚焦于圖片和文本模態(tài)之間的跨模態(tài)檢索,SCCMRL 很難直接同它們進(jìn)行比較。雖然不同模態(tài)的特征提取方法不盡相同,但在特征提取后的處理方式基本相似。因此對(duì)現(xiàn)有的模型進(jìn)行細(xì)微的修改,將文本編碼器替換為音頻編碼器,整體模型結(jié)構(gòu)仍與原有方法保持一致。最后,將它們應(yīng)用到Sub_URMP數(shù)據(jù)集和XmediaNet數(shù)據(jù)集上,并和所提出的模型SCCMRL進(jìn)行實(shí)驗(yàn)結(jié)果的對(duì)比。表3 和表4 展示了SCCMRL 模型和一些現(xiàn)有方法在兩種視聽(tīng)數(shù)據(jù)集(Sub_URMP 和XmediaNet)上的表現(xiàn)。從兩張表中的數(shù)據(jù)可以看出,SCCMRL 的表現(xiàn)要優(yōu)于目前常用的跨模態(tài)檢索模型。

    表3 不同模型在Sub_URMP數(shù)據(jù)集上的表現(xiàn)(mAP)Table 3 Performance(mAP)of different models on Sub_URMP dataset

    表4 不同模型在XmediaNet數(shù)據(jù)集上的表現(xiàn)(mAP)Table 4 Performance(mAP)of different models on XmediaNet dataset

    3.2.2 消融實(shí)驗(yàn)

    為了驗(yàn)證SCCMRL 模型所提出的3 種監(jiān)督對(duì)比損失對(duì)模型性能的影響,在XmediaNet 數(shù)據(jù)集上進(jìn)行了消融實(shí)驗(yàn)。消融實(shí)驗(yàn)在Sup loss、Cen loss、Lab loss 系數(shù)設(shè)置為0.9、0.05、0.05的前提下進(jìn)行。

    表5的實(shí)驗(yàn)結(jié)果表明了Sup loss的存在是模型表現(xiàn)優(yōu)異的主要原因,進(jìn)一步說(shuō)明了多負(fù)例對(duì)比機(jī)制在跨模態(tài)表示學(xué)習(xí)中的有效性。Cen loss 和Lab loss 的添加則進(jìn)一步增強(qiáng)了不同模態(tài)表示間的模態(tài)一致性和語(yǔ)義區(qū)分性,對(duì)模型性能也具有一定的提升。

    表5 不同損失函數(shù)在XmediaNet數(shù)據(jù)集上的表現(xiàn)(mAP)Table 5 Performance(mAP)of different loss functions on XmediaNet dataset

    3.2.3 跨模態(tài)視聽(tīng)檢索效果展示

    除了上述對(duì)跨模態(tài)檢索結(jié)果的定量分析,還在圖4中直觀地展示了跨模態(tài)檢索的結(jié)果,圖(a)是查詢項(xiàng)(圖片或聲譜圖),圖(b)是在該查詢條件下檢索出的另一模態(tài)排名前五的結(jié)果。

    圖4結(jié)果表明,無(wú)論是由圖片檢索聲譜圖或是由聲譜圖檢索圖片,SCCMRL 模型的檢索結(jié)果均對(duì)應(yīng)于查詢項(xiàng)的標(biāo)簽,直觀地表明SCCMRL 方法在跨模態(tài)檢索任務(wù)中的優(yōu)越性。

    3.3 多模態(tài)分類

    為了驗(yàn)證SCCMRL模型能夠捕捉各種模態(tài)內(nèi)的語(yǔ)義類別信息,將學(xué)習(xí)到的圖片表示和語(yǔ)音表示應(yīng)用到分類任務(wù)上,分類結(jié)果的好壞可以間接反映所學(xué)習(xí)到的跨模態(tài)特征表示的語(yǔ)義區(qū)分性。在目前主流的分類模型中,最經(jīng)典的方法是利用交叉熵?fù)p失,將學(xué)習(xí)到的特征向量向one-hot 標(biāo)簽拉近,再將其通過(guò)softmax 激活函數(shù),從而預(yù)測(cè)類別標(biāo)簽。將SCCMRL 模型同僅使用交叉熵?fù)p失的分類模型進(jìn)行對(duì)比,表6分別展示了兩種方法在分類實(shí)驗(yàn)上的性能表現(xiàn)。對(duì)于Sub_URMP 數(shù)據(jù)集中的圖片數(shù)據(jù)分類,二者均獲得了100%的準(zhǔn)確率;而在音頻的分類上,SCCMRL 的表現(xiàn)要略優(yōu)于傳統(tǒng)的交叉熵模型)。對(duì)于XmediaNet 數(shù)據(jù)集,其中的數(shù)據(jù)構(gòu)成相對(duì)復(fù)雜,進(jìn)而導(dǎo)致其對(duì)于分類實(shí)驗(yàn)并不友好,例如,其中的樂(lè)器圖片是由人和樂(lè)器組成的,而不是單獨(dú)的樂(lè)器圖片,并且存在易拉罐和瓶子這種在視覺(jué)效果上差別不大的圖片類別。即便如此,SCCMRL 依然實(shí)現(xiàn)了88.4%的圖片分類準(zhǔn)確率(優(yōu)于交叉熵的70.8%)和82.2%的語(yǔ)音分類準(zhǔn)確率(優(yōu)于交叉熵的73.3%)??傮w來(lái)看,SCCMRL 方法在多模態(tài)分類任務(wù)上具有一定的優(yōu)越性,認(rèn)為這是因?yàn)楸O(jiān)督對(duì)比損失更自然地進(jìn)行正負(fù)例樣本特征之間的對(duì)比,進(jìn)而在特征空間中將同一類別的樣本表示拉近到一起,讓不同類別的樣本表示互相遠(yuǎn)離,而不是像交叉熵那樣強(qiáng)迫它們被拉向特定的one-hot標(biāo)簽。

    表6 分類準(zhǔn)確率的比較Table 6 Comparison of classification accuracy單位:%

    為了直觀地展示跨模態(tài)表示學(xué)習(xí)效果,選取了XmediaNet數(shù)據(jù)集中10個(gè)類別的圖片和語(yǔ)音數(shù)據(jù),并使用t-SNE方法將它們的特征進(jìn)行了可視化。圖5和圖6分別展示了SCCMRL方法所學(xué)習(xí)到的特征表示。從圖5 和圖6 可以看出,當(dāng)不同模態(tài)的高維特征進(jìn)行降維之后,相同類別的特征表示依然緊湊,而不同類別的表示則相距甚遠(yuǎn),進(jìn)一步反映了SCCMRL 所學(xué)習(xí)到跨模態(tài)表示兼具模態(tài)一致性和語(yǔ)義區(qū)分性。

    圖5 圖片特征的t-SNE可視化Fig.5 t-SNE visualization of image features

    圖6 語(yǔ)音特征的t-SNE可視化Fig.6 t-SNE visualization of audio features

    4 結(jié)束語(yǔ)

    提出了一種新的跨模態(tài)表示學(xué)習(xí)方法SCCMRL。相較于現(xiàn)有方法,SCCMRL在有監(jiān)督學(xué)習(xí)的形式下,引入多負(fù)例對(duì)比機(jī)制。對(duì)于不同模態(tài)的特征表示,SCCMRL利用正例特征與多個(gè)負(fù)例特征之間的對(duì)比,確保了相同類別的數(shù)據(jù)樣本在特征空間中的語(yǔ)義距離盡可能靠近,而不同類別的數(shù)據(jù)樣本間的語(yǔ)義距離盡可能遠(yuǎn)離。除此之外,SCCMRL 還在標(biāo)簽空間引入了標(biāo)簽損失和中心損失聯(lián)合來(lái)聯(lián)合優(yōu)化視覺(jué)編碼器和音頻編碼器,保證了模型學(xué)習(xí)到的跨模態(tài)表示能夠同時(shí)滿足模態(tài)一致性和語(yǔ)義區(qū)分性。針對(duì)兩種不同的視聽(tīng)數(shù)據(jù)集,進(jìn)行了大量的對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明了本文提出的跨模態(tài)表示學(xué)習(xí)方法SCCMRL 要優(yōu)于現(xiàn)有的相關(guān)模型,同時(shí)論證了多負(fù)例對(duì)比機(jī)制的引入對(duì)于模型性能的提升至關(guān)重要。

    猜你喜歡
    語(yǔ)義模態(tài)特征
    語(yǔ)言與語(yǔ)義
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    “上”與“下”語(yǔ)義的不對(duì)稱性及其認(rèn)知闡釋
    國(guó)內(nèi)多模態(tài)教學(xué)研究回顧與展望
    基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識(shí)別
    認(rèn)知范疇模糊與語(yǔ)義模糊
    由單個(gè)模態(tài)構(gòu)造對(duì)稱簡(jiǎn)支梁的抗彎剛度
    線性代數(shù)的應(yīng)用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    色老头精品视频在线观看| 亚洲七黄色美女视频| 久久久国产成人免费| 欧美大码av| 国产精品久久久久久精品电影小说| 人人妻,人人澡人人爽秒播| 亚洲久久久国产精品| 视频在线观看一区二区三区| 欧美大码av| 国产精品1区2区在线观看. | 中文字幕制服av| 日韩欧美一区二区三区在线观看 | 日韩大码丰满熟妇| 国产aⅴ精品一区二区三区波| 免费日韩欧美在线观看| av欧美777| 肉色欧美久久久久久久蜜桃| 久久久久国产一级毛片高清牌| 搡老熟女国产l中国老女人| 国产欧美日韩一区二区三区在线| 国产精品.久久久| 欧美精品一区二区免费开放| 精品少妇久久久久久888优播| 麻豆乱淫一区二区| 黄片小视频在线播放| 国产精品 国内视频| 大片电影免费在线观看免费| 国产老妇伦熟女老妇高清| 十八禁高潮呻吟视频| 国产午夜精品久久久久久| 国产精品成人在线| 啦啦啦在线免费观看视频4| 在线观看www视频免费| 蜜桃在线观看..| 日韩人妻精品一区2区三区| 国产亚洲欧美精品永久| 一二三四在线观看免费中文在| 成年动漫av网址| 最近最新中文字幕大全免费视频| √禁漫天堂资源中文www| 国产精品国产高清国产av | 国产免费福利视频在线观看| 777米奇影视久久| 中文字幕精品免费在线观看视频| 在线观看免费视频网站a站| 国产成人精品无人区| 自拍欧美九色日韩亚洲蝌蚪91| 又黄又粗又硬又大视频| 亚洲精品久久成人aⅴ小说| 人成视频在线观看免费观看| 国产成人啪精品午夜网站| 9热在线视频观看99| 99re在线观看精品视频| 国产精品 国内视频| 黑人猛操日本美女一级片| 国产精品久久久久久精品电影小说| av在线播放免费不卡| 最近最新中文字幕大全免费视频| 国产精品一区二区在线不卡| 天堂俺去俺来也www色官网| a级片在线免费高清观看视频| 18在线观看网站| 欧美大码av| 国产亚洲一区二区精品| 一本一本久久a久久精品综合妖精| 亚洲人成电影观看| av天堂久久9| 麻豆乱淫一区二区| 性高湖久久久久久久久免费观看| 高清av免费在线| 怎么达到女性高潮| 国产在线一区二区三区精| 大陆偷拍与自拍| 国产区一区二久久| 国产精品免费视频内射| 国产91精品成人一区二区三区 | 欧美+亚洲+日韩+国产| 国产亚洲欧美在线一区二区| 欧美一级毛片孕妇| 午夜两性在线视频| 日本黄色日本黄色录像| 色婷婷av一区二区三区视频| 老司机在亚洲福利影院| 亚洲成av片中文字幕在线观看| 欧美成狂野欧美在线观看| 制服人妻中文乱码| 757午夜福利合集在线观看| 男女无遮挡免费网站观看| 交换朋友夫妻互换小说| 国产aⅴ精品一区二区三区波| 一区二区三区激情视频| 国产亚洲欧美在线一区二区| 日本vs欧美在线观看视频| 一本综合久久免费| 久热这里只有精品99| 视频在线观看一区二区三区| 日日夜夜操网爽| 久久精品国产a三级三级三级| 国产精品自产拍在线观看55亚洲 | 中文字幕精品免费在线观看视频| 免费少妇av软件| 亚洲国产欧美一区二区综合| 亚洲欧美日韩高清在线视频 | 亚洲国产欧美在线一区| 亚洲三区欧美一区| 欧美激情极品国产一区二区三区| 国产精品亚洲av一区麻豆| 一本综合久久免费| 久久精品aⅴ一区二区三区四区| 午夜福利在线观看吧| 黑人欧美特级aaaaaa片| 亚洲少妇的诱惑av| 国产成人精品无人区| 高清在线国产一区| 精品国产亚洲在线| 老司机影院毛片| 18禁裸乳无遮挡动漫免费视频| 在线十欧美十亚洲十日本专区| av视频免费观看在线观看| a在线观看视频网站| 91老司机精品| 亚洲成人免费av在线播放| 国产福利在线免费观看视频| 91老司机精品| 国产精品麻豆人妻色哟哟久久| 天天操日日干夜夜撸| 久久久久精品国产欧美久久久| 建设人人有责人人尽责人人享有的| 91精品三级在线观看| 国产国语露脸激情在线看| 日韩免费高清中文字幕av| 精品一区二区三卡| 日本av免费视频播放| 国产1区2区3区精品| 国产亚洲精品第一综合不卡| 日韩大码丰满熟妇| 91九色精品人成在线观看| av在线播放免费不卡| 欧美日韩成人在线一区二区| 国产亚洲精品一区二区www | 亚洲五月婷婷丁香| 美国免费a级毛片| 国产不卡一卡二| 18在线观看网站| 久久 成人 亚洲| 天天躁狠狠躁夜夜躁狠狠躁| 青草久久国产| 两性午夜刺激爽爽歪歪视频在线观看 | netflix在线观看网站| 欧美在线黄色| av福利片在线| 97人妻天天添夜夜摸| 午夜福利,免费看| 欧美日韩福利视频一区二区| 免费日韩欧美在线观看| 天堂动漫精品| 免费不卡黄色视频| 中文亚洲av片在线观看爽 | 精品久久久久久电影网| 侵犯人妻中文字幕一二三四区| 精品乱码久久久久久99久播| 久久久久久亚洲精品国产蜜桃av| 精品国产亚洲在线| 日本a在线网址| 国产日韩一区二区三区精品不卡| 91成人精品电影| 亚洲精品自拍成人| 欧美乱码精品一区二区三区| 亚洲成av片中文字幕在线观看| 日本撒尿小便嘘嘘汇集6| 成年人午夜在线观看视频| 1024香蕉在线观看| 狂野欧美激情性xxxx| 亚洲五月色婷婷综合| 大香蕉久久网| 婷婷丁香在线五月| 每晚都被弄得嗷嗷叫到高潮| 夜夜爽天天搞| 999久久久精品免费观看国产| 国产在线免费精品| 欧美精品av麻豆av| 亚洲国产毛片av蜜桃av| 99香蕉大伊视频| 不卡av一区二区三区| 蜜桃在线观看..| 精品一区二区三区四区五区乱码| 国产日韩欧美视频二区| 亚洲国产精品一区二区三区在线| 亚洲精品av麻豆狂野| 日本欧美视频一区| 男人操女人黄网站| 国产精品99久久99久久久不卡| 捣出白浆h1v1| √禁漫天堂资源中文www| 999久久久国产精品视频| 久久久久久久精品吃奶| 啦啦啦中文免费视频观看日本| 免费黄频网站在线观看国产| 69精品国产乱码久久久| 黄色视频在线播放观看不卡| 成在线人永久免费视频| 日本av手机在线免费观看| 色在线成人网| 欧美亚洲 丝袜 人妻 在线| 午夜91福利影院| 国产精品国产av在线观看| 午夜老司机福利片| 黄色成人免费大全| 少妇裸体淫交视频免费看高清 | 香蕉国产在线看| 在线观看舔阴道视频| 国产免费av片在线观看野外av| 国产成人av教育| 欧美精品亚洲一区二区| 丝袜美腿诱惑在线| 久久 成人 亚洲| 久久精品aⅴ一区二区三区四区| 一进一出抽搐动态| 亚洲三区欧美一区| 久久亚洲真实| 精品高清国产在线一区| 深夜精品福利| www.熟女人妻精品国产| 嫩草影视91久久| 亚洲国产欧美一区二区综合| 丝袜美足系列| 精品乱码久久久久久99久播| 国产亚洲午夜精品一区二区久久| 久久人人97超碰香蕉20202| 51午夜福利影视在线观看| 精品一区二区三区av网在线观看 | 欧美日韩一级在线毛片| 久热爱精品视频在线9| 国产一区二区激情短视频| 国产精品 欧美亚洲| 久久人人97超碰香蕉20202| 色精品久久人妻99蜜桃| 国产精品久久久久成人av| www.999成人在线观看| 亚洲综合色网址| 三上悠亚av全集在线观看| 老鸭窝网址在线观看| 国产成人精品久久二区二区免费| 国产精品二区激情视频| 黄色丝袜av网址大全| 精品人妻1区二区| 两性夫妻黄色片| 成人永久免费在线观看视频 | 搡老熟女国产l中国老女人| 一本一本久久a久久精品综合妖精| 大码成人一级视频| 天天躁夜夜躁狠狠躁躁| 波多野结衣一区麻豆| 免费日韩欧美在线观看| 久久人妻福利社区极品人妻图片| 男男h啪啪无遮挡| 18禁国产床啪视频网站| 亚洲欧洲日产国产| 精品国产一区二区三区四区第35| 色婷婷av一区二区三区视频| 亚洲全国av大片| 亚洲av国产av综合av卡| 欧美精品亚洲一区二区| 最近最新中文字幕大全免费视频| 亚洲专区字幕在线| 免费高清在线观看日韩| 一区二区三区国产精品乱码| 啦啦啦 在线观看视频| 亚洲欧洲精品一区二区精品久久久| 免费黄频网站在线观看国产| 亚洲国产av影院在线观看| 日韩一区二区三区影片| 最近最新免费中文字幕在线| 天天躁日日躁夜夜躁夜夜| 亚洲成av片中文字幕在线观看| 免费久久久久久久精品成人欧美视频| 波多野结衣av一区二区av| 69精品国产乱码久久久| 999精品在线视频| 午夜福利在线观看吧| 老司机深夜福利视频在线观看| 国产三级黄色录像| 脱女人内裤的视频| 亚洲视频免费观看视频| www.精华液| videos熟女内射| 日本一区二区免费在线视频| 婷婷成人精品国产| 大香蕉久久成人网| 中文亚洲av片在线观看爽 | 免费av中文字幕在线| 国产福利在线免费观看视频| 王馨瑶露胸无遮挡在线观看| 久久精品人人爽人人爽视色| 99国产精品99久久久久| 十八禁网站免费在线| 黑人猛操日本美女一级片| 亚洲欧美色中文字幕在线| 国产成人一区二区三区免费视频网站| 在线亚洲精品国产二区图片欧美| 欧美成狂野欧美在线观看| 在线观看66精品国产| 18禁美女被吸乳视频| 中文字幕高清在线视频| 日韩熟女老妇一区二区性免费视频| 最近最新中文字幕大全电影3 | 亚洲精品美女久久av网站| 亚洲欧洲精品一区二区精品久久久| 精品国产一区二区三区四区第35| 成人三级做爰电影| 99re在线观看精品视频| 久久久国产一区二区| 无遮挡黄片免费观看| 国产成人av教育| 每晚都被弄得嗷嗷叫到高潮| 欧美精品一区二区免费开放| 另类精品久久| 亚洲天堂av无毛| 少妇 在线观看| 啪啪无遮挡十八禁网站| 两性午夜刺激爽爽歪歪视频在线观看 | 老熟女久久久| 久久久精品国产亚洲av高清涩受| 欧美精品亚洲一区二区| 精品久久久久久久毛片微露脸| 啦啦啦在线免费观看视频4| 亚洲成av片中文字幕在线观看| 搡老乐熟女国产| 日韩欧美一区视频在线观看| 国产精品欧美亚洲77777| 天天影视国产精品| 大码成人一级视频| 国产不卡一卡二| av又黄又爽大尺度在线免费看| 亚洲美女黄片视频| 国产区一区二久久| 国产一区有黄有色的免费视频| 日韩一卡2卡3卡4卡2021年| 日韩免费av在线播放| 美女主播在线视频| 蜜桃国产av成人99| 久9热在线精品视频| 久久久久久免费高清国产稀缺| 1024视频免费在线观看| 国产精品亚洲一级av第二区| 18在线观看网站| 又紧又爽又黄一区二区| 一区二区三区精品91| 在线观看免费视频日本深夜| 大香蕉久久成人网| 婷婷成人精品国产| 欧美日韩福利视频一区二区| 嫩草影视91久久| 一进一出抽搐动态| 午夜免费成人在线视频| 亚洲免费av在线视频| 极品少妇高潮喷水抽搐| 一本色道久久久久久精品综合| 精品亚洲乱码少妇综合久久| 亚洲成a人片在线一区二区| 人人妻,人人澡人人爽秒播| 国产一区二区在线观看av| 国产深夜福利视频在线观看| e午夜精品久久久久久久| 新久久久久国产一级毛片| 99热网站在线观看| 日韩成人在线观看一区二区三区| 人妻久久中文字幕网| 亚洲欧美色中文字幕在线| 中文字幕色久视频| 午夜福利欧美成人| 欧美国产精品一级二级三级| 一区福利在线观看| 国产高清videossex| av视频免费观看在线观看| 黄色丝袜av网址大全| 国产不卡av网站在线观看| 国产片内射在线| 国产欧美日韩一区二区三| 伦理电影免费视频| 99国产精品免费福利视频| 午夜免费鲁丝| 成人免费观看视频高清| 99久久99久久久精品蜜桃| 黑丝袜美女国产一区| 国产在视频线精品| 最近最新中文字幕大全免费视频| 亚洲欧美精品综合一区二区三区| 亚洲五月婷婷丁香| 中文字幕制服av| bbb黄色大片| 亚洲精品在线观看二区| 欧美一级毛片孕妇| 欧美变态另类bdsm刘玥| 色视频在线一区二区三区| 国产在线视频一区二区| 9191精品国产免费久久| 免费观看av网站的网址| 亚洲色图av天堂| 国产精品 国内视频| 在线观看免费视频日本深夜| 久9热在线精品视频| 18禁观看日本| 女人精品久久久久毛片| 日韩视频在线欧美| 亚洲国产中文字幕在线视频| 午夜福利,免费看| 欧美久久黑人一区二区| 99在线人妻在线中文字幕 | 国产在线一区二区三区精| 女人精品久久久久毛片| 成年动漫av网址| 国产片内射在线| 高清视频免费观看一区二区| 91精品国产国语对白视频| 亚洲av电影在线进入| 香蕉久久夜色| 男女下面插进去视频免费观看| 黄色视频在线播放观看不卡| 中文欧美无线码| 三上悠亚av全集在线观看| 老司机午夜十八禁免费视频| 久久国产精品男人的天堂亚洲| 国产精品免费大片| 日韩欧美三级三区| 黄色毛片三级朝国网站| 久久人妻福利社区极品人妻图片| 美女国产高潮福利片在线看| 在线观看免费日韩欧美大片| 狠狠精品人妻久久久久久综合| 菩萨蛮人人尽说江南好唐韦庄| 国产精品麻豆人妻色哟哟久久| 亚洲国产中文字幕在线视频| 国产主播在线观看一区二区| 天堂8中文在线网| 国产午夜精品久久久久久| 99九九在线精品视频| 18禁美女被吸乳视频| 国产精品免费视频内射| 久久香蕉激情| 色在线成人网| 久久久久精品国产欧美久久久| 天堂动漫精品| 精品久久久精品久久久| 老鸭窝网址在线观看| 精品国产超薄肉色丝袜足j| 在线观看免费午夜福利视频| 美女高潮到喷水免费观看| 黄色毛片三级朝国网站| 欧美激情高清一区二区三区| 变态另类成人亚洲欧美熟女 | 亚洲国产毛片av蜜桃av| av一本久久久久| 中文字幕人妻丝袜一区二区| 亚洲av成人一区二区三| 国产成人精品久久二区二区91| 黑人巨大精品欧美一区二区mp4| 日本av免费视频播放| 亚洲伊人色综图| 中文字幕色久视频| 久久中文看片网| 午夜福利视频精品| 日本a在线网址| 国产精品亚洲一级av第二区| 在线观看免费午夜福利视频| 搡老岳熟女国产| 91大片在线观看| 国产在线免费精品| 女性被躁到高潮视频| 18在线观看网站| 国产欧美日韩一区二区三区在线| 可以免费在线观看a视频的电影网站| 少妇被粗大的猛进出69影院| 啦啦啦在线免费观看视频4| 精品国产乱码久久久久久男人| 九色亚洲精品在线播放| 麻豆国产av国片精品| 精品亚洲乱码少妇综合久久| 国产精品欧美亚洲77777| 国产欧美日韩精品亚洲av| 天天躁日日躁夜夜躁夜夜| 一级片免费观看大全| 婷婷成人精品国产| 久久精品国产99精品国产亚洲性色 | 久久久久久久精品吃奶| 999精品在线视频| 久久久久久亚洲精品国产蜜桃av| 久久天堂一区二区三区四区| 美女福利国产在线| 国产成人精品久久二区二区91| 亚洲精品在线美女| 免费不卡黄色视频| 国产不卡av网站在线观看| 少妇猛男粗大的猛烈进出视频| 国产亚洲精品久久久久5区| 国产视频一区二区在线看| 女警被强在线播放| 午夜福利欧美成人| 精品国内亚洲2022精品成人 | 国产精品成人在线| 色在线成人网| 丰满迷人的少妇在线观看| 老司机影院毛片| 亚洲欧美精品综合一区二区三区| 日本一区二区免费在线视频| 成年动漫av网址| 99精品在免费线老司机午夜| 一夜夜www| 亚洲精品在线美女| 久久精品国产99精品国产亚洲性色 | 国产黄色免费在线视频| 91字幕亚洲| 美女扒开内裤让男人捅视频| 国产午夜精品久久久久久| 欧美精品啪啪一区二区三区| 久久午夜亚洲精品久久| videos熟女内射| 最新美女视频免费是黄的| 大陆偷拍与自拍| 亚洲精品成人av观看孕妇| 在线观看免费日韩欧美大片| 丝袜在线中文字幕| 国产欧美日韩综合在线一区二区| 欧美在线黄色| 黄色怎么调成土黄色| 国产在线免费精品| 午夜91福利影院| 啪啪无遮挡十八禁网站| 久久人人97超碰香蕉20202| 国产亚洲午夜精品一区二区久久| 成人免费观看视频高清| 亚洲专区国产一区二区| aaaaa片日本免费| 精品人妻在线不人妻| 中文字幕高清在线视频| 久久精品成人免费网站| 涩涩av久久男人的天堂| 9色porny在线观看| 精品免费久久久久久久清纯 | 黄色视频不卡| 老司机在亚洲福利影院| 99久久国产精品久久久| 少妇被粗大的猛进出69影院| 黑人操中国人逼视频| 丝袜人妻中文字幕| 十八禁高潮呻吟视频| 成人18禁高潮啪啪吃奶动态图| 国产精品av久久久久免费| 亚洲成人免费电影在线观看| 日韩大片免费观看网站| 美女高潮喷水抽搐中文字幕| 久久精品亚洲熟妇少妇任你| 99精品久久久久人妻精品| 在线观看免费视频网站a站| 在线观看免费高清a一片| 亚洲av欧美aⅴ国产| www.自偷自拍.com| 91大片在线观看| 免费观看av网站的网址| 飞空精品影院首页| 午夜成年电影在线免费观看| 精品久久久久久久毛片微露脸| 国产日韩欧美视频二区| 久久精品国产99精品国产亚洲性色 | 国产欧美日韩一区二区精品| 久久精品熟女亚洲av麻豆精品| 窝窝影院91人妻| 啪啪无遮挡十八禁网站| 99国产极品粉嫩在线观看| 法律面前人人平等表现在哪些方面| 午夜福利免费观看在线| 成人特级黄色片久久久久久久 | 91字幕亚洲| 国产人伦9x9x在线观看| 免费观看av网站的网址| 亚洲国产成人一精品久久久| 男女高潮啪啪啪动态图| 99精国产麻豆久久婷婷| 蜜桃国产av成人99| √禁漫天堂资源中文www| 大陆偷拍与自拍| 婷婷成人精品国产| 国产亚洲午夜精品一区二区久久| 国产精品自产拍在线观看55亚洲 | 国产一区二区三区综合在线观看| 午夜激情av网站| av片东京热男人的天堂| 中文字幕人妻丝袜一区二区| 老熟妇乱子伦视频在线观看| 国产成人一区二区三区免费视频网站| 亚洲成人国产一区在线观看| 欧美精品啪啪一区二区三区| 国产成人av教育| 久久av网站| 国产精品久久久久久精品电影小说| 精品久久久久久电影网| 99re6热这里在线精品视频| 亚洲午夜精品一区,二区,三区| 精品久久久久久电影网| 天堂动漫精品| 亚洲精品一卡2卡三卡4卡5卡| 最新在线观看一区二区三区| 亚洲熟妇熟女久久| 女同久久另类99精品国产91| 国产成人欧美在线观看 | 黄色片一级片一级黄色片| 国产91精品成人一区二区三区 | 久久午夜亚洲精品久久| 国产高清激情床上av| 咕卡用的链子| 后天国语完整版免费观看| 一区二区日韩欧美中文字幕| 一本综合久久免费| 国产欧美日韩综合在线一区二区| 精品乱码久久久久久99久播|