• <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 ?

    注意力特征融合SSD算法對遙感圖像的目標檢測*

    2022-10-20 04:08:12尹法林王天一
    關鍵詞:注意力卷積維度

    尹法林,王天一

    (貴州大學 大數(shù)據(jù)與信息工程學院,貴州 貴陽 550025)

    0 引言

    近年來衛(wèi)星遙感技術在自然災害救助和高空目標偵察等方面得到廣泛的應用,成為軍事偵察、海洋勘測等領域不可缺少的工具[1-3]。氣候、光照等自然條件的影響,使得識別遙感圖像中的目標有很多困難。因此,對復雜場景下的遙感圖像目標檢測識別的研究具有重要的價值[4-5]。

    隨著深度學習[6]在計算機視覺領域的發(fā)展,使用卷積神經(jīng)網(wǎng)絡[7-8]對圖像中的目標進行識別已經(jīng)成為研究的熱門課題。2012年AlexNet[8]網(wǎng)絡在ImageNet圖像分類比賽中成績突出,從此出現(xiàn)了以深度卷積神經(jīng)網(wǎng)絡為基礎的目標檢測算法。之后出現(xiàn)的雙階段目標檢測算法Fast R-CNN[9]、Faster R-CNN[10]等進一步提高了檢測的精度,但是檢測速度很慢。2016年Redmon等在CVPR會議上提出統(tǒng)一實時目標檢測算法YOLO[11],該算法利用回歸得到邊界框和類別概率,在檢測速度上有明顯的提升,但是檢測精度偏低。同年,Liu等在ECCV會議上提出了多尺度單發(fā)射擊檢測算法SSD[12],該算法通過用不同尺度的特征圖來提取特征,在滿足實時性的同時,提高了檢測精度。

    針對小目標檢測的準確率不高,文獻[13]提出了自注意力特征融合模塊。遙感數(shù)據(jù)集中基本都是小目標物體,而小目標物體主要以淺層特征圖來檢測[14],因此對SSD算法網(wǎng)絡中的淺層特征圖進行融合,可提高目標檢測的準確性;針對訓練過程中正負樣本失衡導致的模型退化問題,采用聚焦分類損失函數(shù)(focal classification loss)[15-16]對原始的損失函數(shù)進行優(yōu)化。本文在原始SSD算法的基礎上,提出了注意力特征融合SSD(Attention Feature Fusion SSD,AFF-SSD)算法,以提升對遙感圖像目標檢測的平均準確率。

    1 AFF-SSD算法

    如圖1所示,AFF-SSD算法網(wǎng)絡結構是基于VGG16[17]網(wǎng)絡修改而來的,將VGG16網(wǎng)絡的FC6、FC7全連接層改為Conv6、FC7卷積層,并在后面添加了4個 卷 積 層(Conv8、Conv9、Conv10、Conv11),然 后 將Conv4_3層和FC7層特征融合組成新的Conv4_3層,將FC7層和Conv6_2層特征融合組成新的FC7層。整個網(wǎng)絡結構有6個特征圖,這6個特征圖有不同的感受野,會產(chǎn)生不同尺寸的候選框,預測不同大小的目標物體。在網(wǎng)絡結構中,由于淺層特征圖感受野小、分辨率高,用來預測小目標物體;深層特征圖感受野較大,用來預測較大的物體目標。

    圖1 AFF-SSD算法網(wǎng)絡結構

    網(wǎng)絡以300×300圖片作為輸入,通過池化下采樣使得圖片尺寸逐漸減小,6個特征圖尺寸分別為38×38,19×19,10×10,5×5,3×3,1×1,每個特征圖生成候選框的數(shù)量分別為4,6,6,6,4,4,整個網(wǎng)絡會產(chǎn)生8 732個候選框來預測目標物體。最后通過非極大值抑制(Non-Maximum Suppression,NMS)算法[18]過濾掉多余邊界框并產(chǎn)生最終檢測結果。

    1.1 注意力模塊

    注意力模塊本質上是通過矩陣轉置相乘進行相關性計算,增加依賴性較強的特征權重,降低噪聲干擾,提高對有效信息的利用率。在卷積神經(jīng)網(wǎng)絡模型中,由于卷積核選擇一般都比較小,導致每次卷積操作只能提取部分的特征信息,對于距離卷積核較遠的特征信息不容易被提取。為了捕捉數(shù)據(jù)和特征的內(nèi)部相關性,使得遠距離的特征存在依賴關系,本文提出了通道注意力模塊和空間注意力模塊,結構如圖2、圖3所示。

    圖3 空間注意力模塊

    通道注意力模塊如圖2所示,其作用為建立通道之間的依賴關系,增強語義信息的表達。輸入特征圖A維度為W×H×C,通過對特征圖A卷積得到特征圖B、C,維度均為W×H×C1,將特征圖B進行維度重排和矩陣轉置得到矩陣D,維度為C1×(W×H),將特征圖C進行維度重排得到矩陣E,維度為(W×H)×C1。然后矩陣D和矩陣E相乘,得到特征圖矩陣H,維度為C1×C1,將矩陣H在列方向上使用softmax進行歸一化,得到通道注意力矩陣,具體操作如下:

    圖2 通道注意力模塊

    式中Bji為第i個像素和第j個像素之間的相關性,二者特征越相似,則轉置相乘得到的相關性越大,在注意力特征圖像上具有更高的特征值。Hij為矩陣H中的各元素。最后將矩陣H維度重排得到通道注意力特征圖G,維度為C2×C2×C1,其中C2=C1/2。

    空間注意力模塊如圖3所示,其作用為降低噪聲,加強對重要特征信息的提取。輸入特征圖A維度為W×H×C,通過對特征圖A卷積得到特征圖B、C,維度為W×H×1,將特征圖B進行維度重排得到矩陣D,維度為W×H×1,將特征圖C進行維度重排和矩陣轉置得到矩陣E,維度為1×(W×H),然后矩陣D和矩陣E相乘,得到特征圖矩陣F,維度為W×H×W×H,將矩陣F在列方向上使用softmax進行歸一化,得到空間注意力矩陣。最后將矩陣F維度重排得到空間注意力特征圖G,維度為W×H×(W×H)。

    1.2 注意力特征融合模塊

    在SSD算法中,不同特征圖的特征信息沒有融合,使得用于檢測小目標物體的淺層特征圖缺乏足夠的語義信息,因此對小目標物體的檢測效果不好。傳統(tǒng)的特征融合方法都要進行上采樣操作,而上采樣會引入大量噪聲,對小物體目標識別會有影響。同時在卷積神經(jīng)網(wǎng)絡中,由于卷積核尺寸一般設置都比較小,導致每次卷積操作只能覆蓋卷積核附近的像素點區(qū)域。對于圖片上距離較遠的相關特征信息不容易被卷積核捕獲。針對以上問題,結合通道注意力模塊和空間注意力模塊,本文提出了注意力特征融合模塊,對SSD算法卷積神經(jīng)網(wǎng)絡淺層特征圖特征融合。

    圖4所示為注意力特征融合模塊,在模塊中有兩個輸入:第n個特征圖和第n+1個特征圖。

    圖4 注意力特征融合模塊

    第n個特征圖,輸入維度為W1×H1×C1,其中W1為輸入 寬,H1為輸入高,C1為輸 入通 道數(shù)。首先,通過2個1×1卷積降低通道數(shù),使得通道數(shù)變?yōu)?,維度變?yōu)閃1×H1×1。然后,合并寬和高得到矩陣A和矩陣B,矩陣A維度為W1×H1;矩陣B維度為W1×H1。將矩陣A與矩陣B相乘,得到矩陣C,維度W=W1×H1,將矩陣C在列方向上使用softmax歸一化,得到特征圖上所有特征點與某一特征點的相關性。將矩陣C的維度展開得到第n個特征圖的空間注意力圖。

    第n+1個特征圖,輸入維度為W2×H2×C2,其中W2為輸入寬,H2為輸入高,C2為輸入通道數(shù)。首先,通過2個1×1卷積改變通道數(shù),使得通道數(shù)C2=W1×H1。然后合并寬和高,得到矩陣D和E。矩陣D維度為(W,N;W=W1×H1,N=W2×H2),矩陣E維度為(N,W;N=W2×H2,W=W1×H1),將矩陣D與矩陣E相乘,得到矩陣F,其維度W=W1×H1,將矩陣F在列方向上使用softmax歸一化,得到特征圖上所有特征點與某一特征點的相關性。將矩陣F的維度展開得到第n+1個特征圖的通道注意力圖。將第n個特征圖的空間注意力圖與第n+1個特征圖的通道注意力圖使用特征增強方法特征融合。最后,為了增加特征多樣性,采用通道拼接的特征融合方法與第n個特征圖特征融合,得到注意力特征融合圖。

    在SSD網(wǎng) 絡 中,主 要 由Conv4_3層、FC7層、Conv8_2層來檢測小目標物體,相比于Conv4_3層,F(xiàn)C7層擁有更多的語義信息,而Conv4_3層擁有更多的特征信息;與FC7層相比,Conv8_2層擁有更多的語義信息,而FC7層擁有更多的特征信息。因此,在FC7層增加通道注意力模塊,可以提取更多的語義信息,在Conv4_3層增加空間注意力模塊,可以加強對重要信息的提取,降低噪聲的影響,增強對小物體目標的檢測能力。

    1.3 損失函數(shù)優(yōu)化

    為避免因正負樣本分布不均導致模型訓練退化的問題,結合聚焦分類損失函數(shù),對SSD算法的損失函數(shù)進行優(yōu)化,優(yōu)化后的損失函數(shù)由聚焦分類損失和位置回歸損失加權求和獲得,公式如下:

    聚焦分類損失公式如下:

    位置回歸損失公式如下:

    其中,cx,cy是中心點坐標;w,h分別為默認框的寬和高;為候選框的值,表示真實框相對于候選框編碼。

    1.4 遷移學習

    遷移學習是解決小樣本數(shù)據(jù)集相關問題的一個很好方法,其將一個任務上訓練好的卷積神經(jīng)網(wǎng)絡模型遷移到另一個任務中,然后通過簡單的調整使其適用于一個新的任務。通過模型參數(shù)共享,將在大規(guī)模數(shù)據(jù)集中預訓練好的網(wǎng)絡模型運用到其他任務中,作為其他任務的特征提取器。圖5為AFFSSD算法遷移過程,該算法網(wǎng)絡中包含有大量要訓練的參數(shù),而訓練這些參數(shù)需要大量的訓練數(shù)據(jù),由于本文使用的遙感數(shù)據(jù)集較少,因此在訓練網(wǎng)絡時容易過擬合,為解決該問題,本文采用遷移學習方法訓練網(wǎng)絡。

    圖5 遷移學習過程

    2 數(shù)據(jù)集

    本文使用的遙感數(shù)據(jù)集較小,訓練時比較困難,因此在訓練時進行數(shù)據(jù)增強。圖像變換方式包括隨機亮度變化(-30%~30%)、隨機平移(-20%~20%)、隨機旋轉(30°~180°)、隨機翻轉(水平或垂直翻轉)、尺寸變化(-20%~100%)、隨機裁剪等。

    首先,在VOC2012數(shù)據(jù)集進行預訓練,將預訓練模型的特征提取層和相應權重遷移到本文的訓練任務;然后,根據(jù)本文訓練任務重新設計一個分類層,和遷移過來的特征提取層重新組建一個新的卷積神經(jīng)網(wǎng)絡,用于本文數(shù)據(jù)集的訓練。實驗中采用兩種方法進行訓練:(1)凍結特征提取層,只訓練分類層;(2)所有層都訓練。

    3 實驗結果與分析

    3.1 實驗環(huán)境及訓練方式

    在Python3.7、TensorFlow2.0環(huán)境下進行實驗,應用labelimg標注數(shù)據(jù)集;用RTX 2080Ti加速訓練,CPU為i7-9700 3.6k@3.60 GHz*8。實驗使用Adam優(yōu)化器,初始學習率設為0.000 4,batch_size設置為8,Dropout為0。

    3.2 實驗結果與分析

    表1為不同融合方式在測試集上的實驗結果。本文采用平均精度(Average Precision,AP)、平均檢測精度(mean Average Precision,mAP)、平均檢測時間三個評價指標對不同融合方式進行檢驗。AP是評價目標檢測精度的最重要的指標之一,其大小可是以查全率為橫軸、召回率為縱軸所圍成的面積大小,所圍成面積越大,AP值越高,對目標檢測越準確。mAP用來判別對多目標物體的檢測精度,對每個類別求出AP再求和,然后除以類別數(shù)便得到mAP的值,mAP的取值范圍是[0,1],其值越高檢測精度越好。除了檢測精度,目標檢測的另一個檢測指標是平均檢測時間,只有平均檢測時間足夠短,才能實現(xiàn)實時檢測。

    表1 不同融合方式在測試集上的實驗結果

    為了檢測注意力特征融合方法的效果,實驗中與傳統(tǒng)的融合方法做了比較。由實驗結果可知,與傳統(tǒng)SSD算法相比,經(jīng)過注意力特征融合后的SSD算法,雖然平均檢測時間增加了7.42 ms,但是平均準確率均值提高了8.09%;與特征增強、通道拼接等傳統(tǒng)融合方法相比,無論平均檢測時間還是平均準確率均值,都有大幅度的提高。

    圖6為不同融合方式下的PR曲線。在圖6中,垂直直線部分不在PR曲線內(nèi),只是一條輔助線,為了顯示出不同PR曲線與坐標軸圍成面積的差異,從而體現(xiàn)不同融合方式下AP值的差異。以垂直直線為區(qū)分條件,從左向右第一條為沒有融合的PR曲線,第二條為add(特征增強)融合方式的PR曲線,第三條為concat(通道拼接)特征融合方式的PR曲線,第四條為本文注意力特征融合方式的PR曲線。由圖6可知注意力特征融合方式的PR曲線所圍成的面積最大,即該方式的AP值最高。

    圖6 不同類別在不同融合方式下的PR曲線

    在圖7中,灰色框(上面一層)為SSD算法的檢測效果,白色框(下面一層)為AFF-SSD算法的檢測效果,可以看出,AFF-SSD算法對小目標物體的檢測效果好于SSD算法。

    圖7 SSD算法與AFF-SSD算法檢測效果對比

    表2為不同訓練方式在測試集上的實驗結果,由實驗結果可知,平均準確率均值最低為遷移學習只訓練分類層的訓練方式,平均準確率均值為57.27%。原因是本文使用的數(shù)據(jù)集與VOC2012數(shù)據(jù)集存在差異,只訓練分類層,特征提取層參數(shù)無法得到更新。而遷移學習訓練全部層的平均準確率均值最高,達到75.19%,與遷移學習只訓練分類層相比,平均準確率均值提高17.92%,與全新訓練方式相比,平均準確率均值提高3.47%,因此,本文使用遷移學習訓練全部層作為遷移學習實驗結果。

    表2 不同訓練方式在測試集上的實驗結果

    圖8為AFF-SSD算法遷移學習后的PR曲線。在圖8中,垂直直線部分不在PR曲線內(nèi),只是一條輔助線,為了顯示出PR曲線與坐標軸圍成面積,從而體現(xiàn)出AP值。由圖8可知經(jīng)過遷移學習后,飛機類別和油桶類別PR曲線所圍成的面積比未經(jīng)過遷移學習所圍成的面積大,即經(jīng)過遷移學習后,對目標檢測的AP有了進一步的提高。

    圖8 不同類別在遷移學習后的PR曲線

    4 結論

    針對SSD算法對遙感圖像小目標物體檢測效果不佳的缺陷,本文提出了一種特征融合增強的SSD小目標檢測算法——AFF-SSD算法。該算法的核心思想是加強SSD算法淺層特征圖之間的信息交流,使用注意力特征融合模塊對SSD算法網(wǎng)絡結構的淺層特征圖進行特征融合,增強淺層特征圖的語義信息,從而提高小目標的檢測準確率。此外,針對訓練過程中正負樣本失衡導致模型退化的問題,對原始的損失函數(shù)進行優(yōu)化。最后,使用遷移學習的方法對網(wǎng)絡進行訓練,進一步提升檢測精度。由實驗結果可知,該算法對小目標具有良好的檢測效果。

    猜你喜歡
    注意力卷積維度
    讓注意力“飛”回來
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    淺論詩中“史”識的四個維度
    中華詩詞(2019年7期)2019-11-25 01:43:00
    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跟蹤算法
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    光的維度
    燈與照明(2016年4期)2016-06-05 09:01:45
    “五個維度”解有機化學推斷題
    一種基于卷積神經(jīng)網(wǎng)絡的性別識別方法
    電視技術(2014年19期)2014-03-11 15:38:20
    国产片特级美女逼逼视频| 国国产精品蜜臀av免费| 在线天堂最新版资源| 黄色日韩在线| 国产亚洲5aaaaa淫片| 国产精品国产三级国产av玫瑰| av又黄又爽大尺度在线免费看 | 中文资源天堂在线| 中出人妻视频一区二区| 日韩高清综合在线| АⅤ资源中文在线天堂| 久久亚洲精品不卡| 亚洲精品日韩在线中文字幕 | 国产亚洲91精品色在线| 欧美日韩精品成人综合77777| 中文字幕av成人在线电影| 熟妇人妻久久中文字幕3abv| 亚洲无线观看免费| 黄色一级大片看看| 亚洲一区二区三区色噜噜| 欧美精品一区二区大全| 99久久精品一区二区三区| 韩国av在线不卡| 美女内射精品一级片tv| 亚洲国产精品成人综合色| 插阴视频在线观看视频| 综合色丁香网| 国产黄色小视频在线观看| 97热精品久久久久久| 成人无遮挡网站| 啦啦啦啦在线视频资源| 夜夜夜夜夜久久久久| 精品人妻熟女av久视频| 国产精品美女特级片免费视频播放器| 国产高清视频在线观看网站| 久久中文看片网| 大型黄色视频在线免费观看| 美女脱内裤让男人舔精品视频 | 一区二区三区高清视频在线| 亚洲欧美精品专区久久| 久久国产乱子免费精品| 亚洲成人精品中文字幕电影| 精品熟女少妇av免费看| 中文资源天堂在线| 小蜜桃在线观看免费完整版高清| 国产又黄又爽又无遮挡在线| 国产精品永久免费网站| 国产精品麻豆人妻色哟哟久久 | 色视频www国产| 狠狠狠狠99中文字幕| 超碰av人人做人人爽久久| 成人午夜高清在线视频| 最近手机中文字幕大全| videossex国产| 国产片特级美女逼逼视频| 国产日韩欧美在线精品| 不卡一级毛片| 日韩中字成人| 亚洲综合色惰| 在线免费观看的www视频| 两个人的视频大全免费| 免费av不卡在线播放| 中文亚洲av片在线观看爽| 亚洲精品乱码久久久久久按摩| 欧美一区二区精品小视频在线| 日本-黄色视频高清免费观看| 人人妻人人澡人人爽人人夜夜 | 亚洲婷婷狠狠爱综合网| 男人的好看免费观看在线视频| 成人性生交大片免费视频hd| 最近2019中文字幕mv第一页| 免费观看人在逋| 欧美精品国产亚洲| 色哟哟·www| 国产精品一区二区三区四区久久| 我要看日韩黄色一级片| 亚洲四区av| 99久国产av精品| 日本一本二区三区精品| 久久人妻av系列| 如何舔出高潮| 人妻少妇偷人精品九色| 亚洲欧美中文字幕日韩二区| 国产精品久久久久久久久免| 亚洲精品乱码久久久v下载方式| 十八禁国产超污无遮挡网站| 我的老师免费观看完整版| 国产亚洲91精品色在线| 欧美3d第一页| 亚洲人成网站在线播放欧美日韩| 亚洲自偷自拍三级| 成年免费大片在线观看| 婷婷亚洲欧美| av又黄又爽大尺度在线免费看 | 男女边吃奶边做爰视频| 免费大片18禁| 最近视频中文字幕2019在线8| 国产精品三级大全| or卡值多少钱| 精品久久久久久久末码| 亚洲欧美中文字幕日韩二区| 成年免费大片在线观看| 大又大粗又爽又黄少妇毛片口| 午夜福利高清视频| 亚洲一级一片aⅴ在线观看| 欧美日韩乱码在线| 国内精品宾馆在线| 亚洲四区av| 亚洲四区av| 亚洲av免费高清在线观看| 国产中年淑女户外野战色| 热99re8久久精品国产| 久久久久久久久久久丰满| 亚洲人成网站在线观看播放| 精品国内亚洲2022精品成人| 中文字幕av在线有码专区| 亚洲真实伦在线观看| 精品免费久久久久久久清纯| 日韩欧美国产在线观看| 精品熟女少妇av免费看| 久久精品国产亚洲av香蕉五月| 深夜精品福利| 舔av片在线| 我要看日韩黄色一级片| av视频在线观看入口| 性插视频无遮挡在线免费观看| 能在线免费看毛片的网站| 亚洲人与动物交配视频| 久久久久久久久中文| 亚洲欧美日韩无卡精品| 观看美女的网站| 免费在线观看成人毛片| 日本在线视频免费播放| 乱码一卡2卡4卡精品| 精品久久久久久成人av| 久久草成人影院| 亚洲天堂国产精品一区在线| 麻豆成人av视频| 成人亚洲欧美一区二区av| av在线蜜桃| 黄片wwwwww| 一个人免费在线观看电影| 午夜福利成人在线免费观看| 成年女人看的毛片在线观看| 久久精品综合一区二区三区| 精品日产1卡2卡| 全区人妻精品视频| 国产黄色小视频在线观看| 成人亚洲精品av一区二区| 免费看光身美女| 日日啪夜夜撸| 国产 一区精品| 国产午夜精品一二区理论片| 国产探花在线观看一区二区| 久久久久免费精品人妻一区二区| 婷婷亚洲欧美| 久久久久免费精品人妻一区二区| 日产精品乱码卡一卡2卡三| 日日干狠狠操夜夜爽| 久久精品国产鲁丝片午夜精品| 日本-黄色视频高清免费观看| 一边亲一边摸免费视频| 久久国内精品自在自线图片| 高清毛片免费看| 成人综合一区亚洲| 精品久久久噜噜| 午夜免费男女啪啪视频观看| 内射极品少妇av片p| 亚洲精品自拍成人| 国产国拍精品亚洲av在线观看| 日韩成人av中文字幕在线观看| 国产老妇伦熟女老妇高清| 观看免费一级毛片| 91av网一区二区| 97热精品久久久久久| 看片在线看免费视频| 亚洲成人精品中文字幕电影| 国产亚洲精品久久久com| 欧美日本视频| 爱豆传媒免费全集在线观看| 午夜爱爱视频在线播放| 国产av麻豆久久久久久久| 在线观看66精品国产| 久久久午夜欧美精品| 天天躁夜夜躁狠狠久久av| 精品人妻视频免费看| 丰满乱子伦码专区| 高清毛片免费观看视频网站| 欧美成人精品欧美一级黄| 亚洲欧美日韩东京热| 在线免费观看的www视频| 日本撒尿小便嘘嘘汇集6| 欧美不卡视频在线免费观看| 97人妻精品一区二区三区麻豆| 国产黄a三级三级三级人| av在线播放精品| 日韩av在线大香蕉| 日本一二三区视频观看| 桃色一区二区三区在线观看| 中文字幕人妻熟人妻熟丝袜美| 亚洲最大成人中文| 亚洲熟妇中文字幕五十中出| 久久久国产成人精品二区| 插逼视频在线观看| 国产精品,欧美在线| 成人无遮挡网站| 国产69精品久久久久777片| 夜夜夜夜夜久久久久| 熟女人妻精品中文字幕| 日韩一区二区三区影片| 久99久视频精品免费| 国产在线精品亚洲第一网站| 亚洲中文字幕一区二区三区有码在线看| 中文字幕熟女人妻在线| 99久久人妻综合| 国产老妇女一区| 亚洲综合色惰| 日本av手机在线免费观看| 99久国产av精品国产电影| 婷婷色av中文字幕| 国产色婷婷99| 免费观看在线日韩| 99久久精品热视频| 欧美成人a在线观看| 久久人妻av系列| 91aial.com中文字幕在线观看| av在线播放精品| 蜜桃久久精品国产亚洲av| 少妇的逼水好多| 在线观看66精品国产| 亚洲成人久久性| eeuss影院久久| 91在线精品国自产拍蜜月| 嫩草影院入口| 午夜精品在线福利| 久久精品国产鲁丝片午夜精品| 亚洲最大成人中文| 国产三级在线视频| 乱人视频在线观看| 久久精品国产鲁丝片午夜精品| 永久网站在线| 亚洲精品粉嫩美女一区| 国产精品久久久久久精品电影小说 | 日日干狠狠操夜夜爽| 久久久色成人| 日韩大尺度精品在线看网址| av国产免费在线观看| 国产精品美女特级片免费视频播放器| 欧美日本视频| 国产三级在线视频| 日本免费a在线| 91精品国产九色| 国产精品人妻久久久久久| 在线a可以看的网站| 黄片wwwwww| 一区二区三区免费毛片| 99久国产av精品| 国产探花极品一区二区| 亚洲18禁久久av| 午夜福利成人在线免费观看| 久久欧美精品欧美久久欧美| 久久6这里有精品| 国产亚洲av片在线观看秒播厂 | 亚洲国产精品国产精品| 又爽又黄a免费视频| 久久久精品大字幕| 国产亚洲精品久久久久久毛片| 久久99热这里只有精品18| 男人和女人高潮做爰伦理| 国内精品一区二区在线观看| 免费不卡的大黄色大毛片视频在线观看 | 亚洲精品456在线播放app| 国产久久久一区二区三区| 亚洲三级黄色毛片| 国产免费一级a男人的天堂| 国产精品国产三级国产av玫瑰| 99久久人妻综合| av天堂中文字幕网| 日韩av在线大香蕉| 久久久久国产网址| 一级毛片久久久久久久久女| 免费人成在线观看视频色| 精品人妻视频免费看| 嫩草影院新地址| 别揉我奶头 嗯啊视频| 久久亚洲国产成人精品v| 一个人看视频在线观看www免费| 又粗又爽又猛毛片免费看| 国产一区二区三区在线臀色熟女| 国产精品美女特级片免费视频播放器| 国产精品野战在线观看| 波多野结衣高清无吗| 校园人妻丝袜中文字幕| 午夜精品一区二区三区免费看| 热99在线观看视频| 热99re8久久精品国产| 亚洲在久久综合| 欧美日韩精品成人综合77777| 日本免费a在线| 秋霞在线观看毛片| av在线老鸭窝| 成人毛片a级毛片在线播放| 亚洲精品色激情综合| 亚洲婷婷狠狠爱综合网| 国产又黄又爽又无遮挡在线| 欧美日本亚洲视频在线播放| 国产精品一区www在线观看| 久久精品91蜜桃| 女人十人毛片免费观看3o分钟| 精品久久久久久久久久免费视频| 日本免费一区二区三区高清不卡| 国产视频首页在线观看| 欧美色欧美亚洲另类二区| 中出人妻视频一区二区| 欧美人与善性xxx| 国产 一区精品| 欧美xxxx黑人xx丫x性爽| 国产色婷婷99| 久久久午夜欧美精品| 久久韩国三级中文字幕| 欧美激情久久久久久爽电影| 最近中文字幕高清免费大全6| 亚洲av中文字字幕乱码综合| 少妇被粗大猛烈的视频| 亚洲av免费高清在线观看| 亚洲欧美日韩高清在线视频| 亚洲电影在线观看av| av国产免费在线观看| 久久综合国产亚洲精品| 嘟嘟电影网在线观看| 欧美激情久久久久久爽电影| 99久久精品热视频| 久久久久网色| 国产精品1区2区在线观看.| 狠狠狠狠99中文字幕| 伦精品一区二区三区| 久久久精品欧美日韩精品| 国产在线男女| 噜噜噜噜噜久久久久久91| 国产 一区 欧美 日韩| 日产精品乱码卡一卡2卡三| 精品久久久久久久末码| 日本三级黄在线观看| 在线天堂最新版资源| 菩萨蛮人人尽说江南好唐韦庄 | 插逼视频在线观看| 久久精品影院6| 女人被狂操c到高潮| 亚洲精品亚洲一区二区| 日韩一区二区三区影片| 日韩欧美精品v在线| 色视频www国产| 蜜臀久久99精品久久宅男| 国产老妇伦熟女老妇高清| 九草在线视频观看| 91久久精品国产一区二区三区| 啦啦啦啦在线视频资源| 欧美日韩综合久久久久久| 国产精品免费一区二区三区在线| 性色avwww在线观看| 天堂av国产一区二区熟女人妻| 国产极品天堂在线| 国产黄色小视频在线观看| 最近最新中文字幕大全电影3| 久久99精品国语久久久| 六月丁香七月| 久久这里有精品视频免费| 精品国产三级普通话版| 亚洲人与动物交配视频| 国产av在哪里看| 男人和女人高潮做爰伦理| 不卡视频在线观看欧美| 欧美精品国产亚洲| 亚洲av不卡在线观看| 两个人的视频大全免费| 国产成人a∨麻豆精品| 国产伦精品一区二区三区四那| 成人三级黄色视频| 午夜福利在线观看吧| 久久久a久久爽久久v久久| 亚洲经典国产精华液单| 午夜a级毛片| 免费人成视频x8x8入口观看| 又黄又爽又刺激的免费视频.| 日本色播在线视频| 亚洲va在线va天堂va国产| 欧美最黄视频在线播放免费| 国产精品无大码| 好男人在线观看高清免费视频| 国产成人精品久久久久久| 久久久色成人| 一进一出抽搐gif免费好疼| 国产片特级美女逼逼视频| 久久久久久九九精品二区国产| 日韩欧美精品免费久久| 精品久久久噜噜| 精品人妻视频免费看| 91久久精品国产一区二区成人| 麻豆国产av国片精品| 亚洲国产日韩欧美精品在线观看| 深夜a级毛片| 欧美激情在线99| 国产在线精品亚洲第一网站| 一进一出抽搐gif免费好疼| 久久韩国三级中文字幕| 亚洲精华国产精华液的使用体验 | 亚洲四区av| 国产精品99久久久久久久久| 欧美一区二区亚洲| 免费无遮挡裸体视频| 久久午夜福利片| 亚洲国产高清在线一区二区三| 在现免费观看毛片| 男人舔奶头视频| 99热6这里只有精品| av.在线天堂| 亚洲高清免费不卡视频| 看片在线看免费视频| 国产午夜精品久久久久久一区二区三区| 日韩av在线大香蕉| 欧美3d第一页| 亚洲av二区三区四区| 色哟哟·www| 观看免费一级毛片| 久久久午夜欧美精品| 插阴视频在线观看视频| kizo精华| 淫秽高清视频在线观看| 国产精品乱码一区二三区的特点| 麻豆成人av视频| 女人十人毛片免费观看3o分钟| 国产精品一区二区在线观看99 | 99久国产av精品| 亚洲一区二区三区色噜噜| 国产精品人妻久久久影院| 国产日本99.免费观看| 国产精品国产高清国产av| 九色成人免费人妻av| 九九爱精品视频在线观看| 久久精品人妻少妇| 亚洲精品久久国产高清桃花| 少妇熟女aⅴ在线视频| 听说在线观看完整版免费高清| 久久久久久久久久成人| 日本av手机在线免费观看| 亚洲国产日韩欧美精品在线观看| 国产一区二区在线av高清观看| 亚洲av不卡在线观看| 亚洲精品乱码久久久久久按摩| 国产精品久久久久久av不卡| 成人鲁丝片一二三区免费| 一个人看视频在线观看www免费| 国产一区二区在线观看日韩| 亚洲欧美日韩东京热| 在线观看一区二区三区| videossex国产| 中文资源天堂在线| 国产亚洲91精品色在线| 免费黄网站久久成人精品| 两个人的视频大全免费| 男女视频在线观看网站免费| 免费一级毛片在线播放高清视频| 国产一区二区在线观看日韩| 亚洲欧美中文字幕日韩二区| av.在线天堂| 男插女下体视频免费在线播放| 日本-黄色视频高清免费观看| 成人av在线播放网站| 久久人人精品亚洲av| 亚洲图色成人| 日韩制服骚丝袜av| 高清毛片免费看| 色噜噜av男人的天堂激情| 国产亚洲av嫩草精品影院| 日韩,欧美,国产一区二区三区 | 国产亚洲5aaaaa淫片| 午夜老司机福利剧场| 老熟妇乱子伦视频在线观看| 综合色av麻豆| 乱码一卡2卡4卡精品| 国内揄拍国产精品人妻在线| 女人被狂操c到高潮| 精品一区二区免费观看| 成人午夜精彩视频在线观看| 69av精品久久久久久| 亚洲最大成人中文| 最近中文字幕高清免费大全6| 欧美+日韩+精品| 亚洲精品色激情综合| 又爽又黄无遮挡网站| 在线a可以看的网站| 一级毛片电影观看 | 噜噜噜噜噜久久久久久91| 内地一区二区视频在线| 欧美日本亚洲视频在线播放| 国产单亲对白刺激| 99热只有精品国产| 国产午夜精品论理片| 中国美女看黄片| 国产一级毛片七仙女欲春2| 国产精品嫩草影院av在线观看| 网址你懂的国产日韩在线| 综合色丁香网| 可以在线观看毛片的网站| 26uuu在线亚洲综合色| 亚洲欧美中文字幕日韩二区| 欧美最新免费一区二区三区| 青春草亚洲视频在线观看| 免费人成在线观看视频色| 国产精品免费一区二区三区在线| 99久国产av精品| 国产一区二区三区av在线 | 我的老师免费观看完整版| 美女高潮的动态| 国产不卡一卡二| 蜜桃久久精品国产亚洲av| 男女做爰动态图高潮gif福利片| 日本三级黄在线观看| 精品久久久久久久久亚洲| 成人鲁丝片一二三区免费| 91aial.com中文字幕在线观看| 一级av片app| 深夜精品福利| 搞女人的毛片| 老司机影院成人| 亚洲精品日韩av片在线观看| 亚洲欧美日韩高清在线视频| 嫩草影院精品99| 欧美+日韩+精品| 欧美激情在线99| 国产毛片a区久久久久| 最近视频中文字幕2019在线8| 国产欧美日韩精品一区二区| 久久久久久久久大av| 成年免费大片在线观看| 91久久精品电影网| 国产精华一区二区三区| 亚洲人成网站在线播放欧美日韩| 国产成人a∨麻豆精品| 国语自产精品视频在线第100页| 我要搜黄色片| 日本熟妇午夜| 狠狠狠狠99中文字幕| 久久鲁丝午夜福利片| 日韩av在线大香蕉| 欧美日韩综合久久久久久| 久久九九热精品免费| 色哟哟哟哟哟哟| 亚洲欧美日韩高清专用| 老熟妇乱子伦视频在线观看| 国产精品精品国产色婷婷| 日韩视频在线欧美| 亚洲18禁久久av| 黄色欧美视频在线观看| 国产精品,欧美在线| 99热全是精品| 寂寞人妻少妇视频99o| 国产精品嫩草影院av在线观看| 伦理电影大哥的女人| 日日摸夜夜添夜夜爱| 精品一区二区三区人妻视频| 中文字幕免费在线视频6| 一级毛片电影观看 | 久久久久久久亚洲中文字幕| АⅤ资源中文在线天堂| 免费av观看视频| 欧美一区二区亚洲| 国产伦在线观看视频一区| 激情 狠狠 欧美| 看黄色毛片网站| 欧美一区二区国产精品久久精品| 看黄色毛片网站| 欧美性猛交╳xxx乱大交人| 成人高潮视频无遮挡免费网站| 国产高清有码在线观看视频| 白带黄色成豆腐渣| 好男人视频免费观看在线| 亚洲国产高清在线一区二区三| 性欧美人与动物交配| 天堂√8在线中文| 国语自产精品视频在线第100页| 久久精品国产亚洲网站| 深夜精品福利| 国产成人一区二区在线| 欧美成人一区二区免费高清观看| 欧美三级亚洲精品| 成人av在线播放网站| 国产三级在线视频| 性欧美人与动物交配| 日韩中字成人| 成年av动漫网址| 久久精品夜夜夜夜夜久久蜜豆| 一卡2卡三卡四卡精品乱码亚洲| 国产蜜桃级精品一区二区三区| 天堂影院成人在线观看| 少妇的逼好多水| 日韩欧美在线乱码| 我要搜黄色片| 亚洲经典国产精华液单| 午夜免费激情av| 亚洲自拍偷在线| 成人欧美大片| 日本av手机在线免费观看| 在线观看免费视频日本深夜| 熟女人妻精品中文字幕| av国产免费在线观看| 久久久久久久久久久丰满| 久久这里只有精品中国| 久久人妻av系列| 国产精品三级大全| 亚洲成av人片在线播放无| 一级毛片久久久久久久久女| 搞女人的毛片| 欧美xxxx黑人xx丫x性爽| av.在线天堂|