• <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 ?

    結(jié)合強(qiáng)化學(xué)習(xí)自適應(yīng)候選框挑選的SAR目標(biāo)檢測(cè)方法

    2022-11-01 10:12:56王梓霖郭昱辰杜宇昂嚴(yán)俊坤
    雷達(dá)學(xué)報(bào) 2022年5期
    關(guān)鍵詞:候選框尺寸深度

    杜 蘭 王梓霖 郭昱辰 杜宇昂 嚴(yán)俊坤

    ①(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室 西安 710071)

    ②(西安電子科技大學(xué)前沿交叉研究院 西安 710071)

    1 引言

    合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)可對(duì)地面區(qū)域進(jìn)行大面積的主動(dòng)微波成像,能夠?qū)崿F(xiàn)全天時(shí)、全天候?qū)Φ赜^測(cè),在軍事領(lǐng)域和民用領(lǐng)域得到廣泛應(yīng)用。近年來(lái),隨著SAR系統(tǒng)和成像算法逐漸成熟,越來(lái)越多高質(zhì)量的SAR圖像出現(xiàn),如何對(duì)SAR圖像進(jìn)行準(zhǔn)確高效的目標(biāo)檢測(cè)是現(xiàn)在研究熱點(diǎn)之一。

    目前傳統(tǒng)的SAR目標(biāo)檢測(cè)方法大都圍繞經(jīng)典的恒虛警率(Constant False Alarm Rate,CFAR)算法展開研究,這是一種基于灰度特征的傳統(tǒng)SAR目標(biāo)檢測(cè)方法。其中雙參數(shù)CFAR方法[1,2]是一種經(jīng)典的局部自適應(yīng)目標(biāo)檢測(cè)方法。該方法通過(guò)預(yù)設(shè)滑動(dòng)窗口遍歷SAR圖像實(shí)現(xiàn)目標(biāo)檢測(cè),對(duì)窗口內(nèi)像素灰度與自適應(yīng)閾值進(jìn)行對(duì)比以區(qū)分目標(biāo)和雜波。自適應(yīng)閾值由預(yù)先設(shè)置的恒定虛警率和窗口中的雜波分布確定。文獻(xiàn)[3]提出了一種基于雙邊微調(diào)統(tǒng)計(jì)的CFAR檢測(cè)方法,該方法提出了一種基于雙邊閾值的策略,自動(dòng)裁剪窗口內(nèi)的樣本來(lái)剔除異常值,提高了在海洋場(chǎng)景下的檢測(cè)性能。此類方法需要SAR圖像中目標(biāo)與雜波具有較高對(duì)比度來(lái)擬合雜波的統(tǒng)計(jì)分布,因此只適用于簡(jiǎn)單場(chǎng)景,當(dāng)場(chǎng)景較為復(fù)雜時(shí),會(huì)造成檢測(cè)性能的降低。

    近年來(lái),在光學(xué)領(lǐng)域,由于網(wǎng)絡(luò)深度的增加以及計(jì)算能力的不斷提高[4],基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法[5-9]開始占據(jù)主流,取得了不錯(cuò)的效果。鑒于深度學(xué)習(xí)在光學(xué)圖像目標(biāo)檢測(cè)領(lǐng)域的成功,研究者也將深度學(xué)習(xí)運(yùn)用在SAR目標(biāo)檢測(cè)當(dāng)中[10]?;谏疃葘W(xué)習(xí)的SAR檢測(cè)方法相較于淺層模型方法特征提取能力強(qiáng)、對(duì)于復(fù)雜SAR圖像場(chǎng)景的檢測(cè)效果好。文獻(xiàn)[11]將低層紋理、邊緣特征與高層深度特征進(jìn)行融合,提高了SAR艦船目標(biāo)的檢測(cè)性能。目前一些基于深度學(xué)習(xí)的SAR目標(biāo)檢測(cè)方法是由基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Region-CNN,R-CNN)結(jié)合候選區(qū)域來(lái)設(shè)計(jì)的兩階段檢測(cè)方法。文獻(xiàn)[12]使用多分辨率卷積特征,基于Faster R-CNN方法,對(duì)原有的卷積神經(jīng)網(wǎng)絡(luò)VGG-16的結(jié)構(gòu)進(jìn)行改進(jìn),提升了對(duì)小型目標(biāo)的檢測(cè)效果。文獻(xiàn)[13]在Faster R-CNN算法基礎(chǔ)上,使用SAR分類數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練并擴(kuò)充訓(xùn)練數(shù)據(jù),解決了SAR目標(biāo)檢測(cè)訓(xùn)練樣本不足的問(wèn)題。此類方法在對(duì)區(qū)域候選網(wǎng)絡(luò)(Region Proposal Network,RPN)產(chǎn)生的大量候選框進(jìn)行挑選時(shí),往往采用非極大值抑制(Non-Maximum Suppression,NMS)方法。在大場(chǎng)景SAR圖像檢測(cè)中,由于目標(biāo)特征易受雜波影響,可鑒別性更差,并且單個(gè)目標(biāo)占據(jù)圖像比例更小,導(dǎo)致基于Faster R-CNN的目標(biāo)檢測(cè)方法在整張?zhí)卣鲌D上產(chǎn)生的候選框會(huì)包含大量雜波,而NMS方法無(wú)法在篩選候選框時(shí)有效去除雜波,導(dǎo)致目標(biāo)檢測(cè)產(chǎn)生大量虛警。

    近幾年,在人工智能領(lǐng)域中,強(qiáng)化學(xué)習(xí)[14,15]得到了廣泛關(guān)注。強(qiáng)化學(xué)習(xí)根據(jù)當(dāng)前自身狀態(tài)(State)并結(jié)合策略(Policy)做出相應(yīng)的動(dòng)作(Action),通過(guò)與外界的交互獲得不同的獎(jiǎng)勵(lì)(Reward)來(lái)不斷更新自身的狀態(tài)并調(diào)整策略,最終形成解決某一問(wèn)題的最優(yōu)策略。將具有解譯能力的深度學(xué)習(xí)與具有決策能力的強(qiáng)化學(xué)習(xí)結(jié)合而形成的深度強(qiáng)化學(xué)習(xí),可以更好地與其他基于深度學(xué)習(xí)算法相結(jié)合,應(yīng)用在目標(biāo)檢測(cè)[16-18]中以提高檢測(cè)性能。在光學(xué)領(lǐng)域,文獻(xiàn)[16]根據(jù)當(dāng)前收集到的圖像信息,使用強(qiáng)化學(xué)習(xí)從5個(gè)預(yù)定義的固定形狀和尺寸的候選區(qū)域中選擇最有可能包含目標(biāo)的區(qū)域,并通過(guò)迭代不斷縮小候選區(qū)域,最終框定目標(biāo)。但由于預(yù)設(shè)的候選區(qū)域并不能完全覆蓋所有目標(biāo),此方法精度較低。

    受強(qiáng)化學(xué)習(xí)啟發(fā),本文基于Faster R-CNN檢測(cè)模型[7],設(shè)計(jì)了新的強(qiáng)化學(xué)習(xí)模型實(shí)現(xiàn)自適應(yīng)候選框挑選,有效減少冗余候選框數(shù)量。提出方法在RPN與感興趣區(qū)域(Regions-of-Interest,RoI)池化層之間加入深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò),對(duì)于RPN產(chǎn)生的大量初始候選框,深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)綜合相關(guān)信息進(jìn)行迭代搜索,在特征圖上不斷找到可能含有目標(biāo)的搜索區(qū)域,并挑選搜索區(qū)域內(nèi)的候選框輸入后續(xù)的檢測(cè)器進(jìn)行分類、回歸,實(shí)現(xiàn)對(duì)搜索區(qū)域內(nèi)的目標(biāo)檢測(cè)。由于深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)是基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)設(shè)計(jì)的,因此可以在迭代過(guò)程中捕捉到圖像的上下文信息并確定可能含有目標(biāo)的搜索區(qū)域的位置坐標(biāo)。并且,本方法在強(qiáng)化學(xué)習(xí)中對(duì)產(chǎn)生的搜索區(qū)域尺寸添加距離約束,使得搜索區(qū)域尺寸可以根據(jù)之前迭代過(guò)程中的搜索區(qū)域以及目標(biāo)檢測(cè)結(jié)果進(jìn)行自適應(yīng)調(diào)整。針對(duì)大場(chǎng)景SAR圖像中目標(biāo)數(shù)量較多,分布情況較為復(fù)雜且易受雜波影響的特點(diǎn),提出方法通過(guò)使用強(qiáng)化學(xué)習(xí)自適應(yīng)確定搜索區(qū)域?qū)崿F(xiàn)了對(duì)初始候選框的自適應(yīng)挑選,提升了對(duì)背景雜波的鑒別能力并減少傳統(tǒng)強(qiáng)化學(xué)習(xí)應(yīng)用于檢測(cè)問(wèn)題的計(jì)算量。所提方法自適應(yīng)確定搜索區(qū)域的能力包括兩方面的自適應(yīng),一是通過(guò)綜合利用圖像的特征信息和上下文信息自適應(yīng)確定搜索區(qū)域的位置坐標(biāo);二是通過(guò)搜索區(qū)域尺寸約束自適應(yīng)調(diào)整下一次搜索區(qū)域的范圍尺寸?;趯?shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,所提方法能夠有效減少SAR目標(biāo)檢測(cè)的虛警數(shù)量,提升傳統(tǒng)深度學(xué)習(xí)目標(biāo)檢測(cè)方法的檢測(cè)性能。

    2 背景介紹

    2.1 Faster R-CNN

    Faster R-CNN[7]是目前比較常用的目標(biāo)檢測(cè)框架,用RPN來(lái)獲取區(qū)域候選。如圖1所示,F(xiàn)aster R-CNN的結(jié)構(gòu)可以分為4個(gè)主要部分:特征提取網(wǎng)絡(luò)、RPN、RoI池化層以及檢測(cè)器。其中,特征提取網(wǎng)絡(luò)由卷積層、激活函數(shù)和池化層組成,用于提取輸入圖像的特征映射作為輸出。后續(xù)的RPN和檢測(cè)器將使用輸出的特征映射完成候選框的生成以及分類、回歸,實(shí)現(xiàn)卷積共享。RPN在特征圖中每個(gè)點(diǎn)上設(shè)置k個(gè)錨框,對(duì)每個(gè)錨框進(jìn)行二分類和初步位置修正并使用NMS算法進(jìn)行候選框篩選作為初始的候選框;RoI池化層則負(fù)責(zé)收集原始的特征圖和候選框,將其整合后提取出候選框?qū)?yīng)位置的特征映射;最后輸入檢測(cè)器中進(jìn)行目標(biāo)分類和邊界框的位置修訂。

    圖1 Faster R-CNN結(jié)構(gòu)Fig.1 Faster R-CNN structure

    2.2 強(qiáng)化學(xué)習(xí)

    強(qiáng)化學(xué)習(xí)的過(guò)程通??梢杂脠D2中的馬爾可夫決策過(guò)程[14](Markov Decision Process,MDP)來(lái)描述:智能體(agent)在環(huán)境當(dāng)中,擁有其對(duì)當(dāng)前環(huán)境感知的狀態(tài)量S;通過(guò)策略π:S →A從動(dòng)作集A中選擇動(dòng)作a∈A,根據(jù)動(dòng)作的不同,環(huán)境出現(xiàn)基于一定概率的改變并更新狀態(tài)量S;在狀態(tài)發(fā)生變化的同時(shí),環(huán)境會(huì)根據(jù)狀態(tài)變化通過(guò)獎(jiǎng)勵(lì)函數(shù)給予智能體相應(yīng)的獎(jiǎng)勵(lì)r。這樣智能體在與環(huán)境交換信息的過(guò)程中,依據(jù)得到的獎(jiǎng)勵(lì)來(lái)不斷調(diào)整策略,最終得到最優(yōu)策略。

    圖2 強(qiáng)化學(xué)習(xí)原理Fig.2 Principles of reinforcement learning

    智能體能夠與環(huán)境進(jìn)行交互,每個(gè)狀態(tài)是智能體對(duì)當(dāng)前環(huán)境的感知,并且智能體只能通過(guò)動(dòng)作來(lái)影響環(huán)境,而策略能夠指導(dǎo)智能體在當(dāng)前狀態(tài)下做出何種動(dòng)作,可以將其表示為一個(gè)由狀態(tài)到動(dòng)作的映射。獎(jiǎng)勵(lì)是在當(dāng)前環(huán)境狀態(tài)下,對(duì)智能體所進(jìn)行動(dòng)作的即時(shí)評(píng)價(jià),這個(gè)評(píng)價(jià)也是策略優(yōu)化的主要依據(jù),可以表示為獎(jiǎng)勵(lì)函數(shù)的形式。當(dāng)智能體做出一個(gè)帶來(lái)較低獎(jiǎng)勵(lì)的動(dòng)作時(shí),當(dāng)下次遇到相同的環(huán)境狀態(tài)時(shí),調(diào)整過(guò)的策略就可能會(huì)選擇其他的動(dòng)作來(lái)爭(zhēng)取獲得更高的獎(jiǎng)勵(lì)。強(qiáng)化學(xué)習(xí)的目標(biāo)可以確定為:學(xué)習(xí)一個(gè)最優(yōu)策略,來(lái)最大化期望累計(jì)獎(jiǎng)勵(lì)。因此,設(shè)置合適的狀態(tài)、動(dòng)作以及獎(jiǎng)勵(lì)函數(shù),是強(qiáng)化學(xué)習(xí)獲得最優(yōu)策略的關(guān)鍵。

    3 結(jié)合強(qiáng)化學(xué)習(xí)的SAR目標(biāo)檢測(cè)方法

    3.1 總體框架

    本方法基于傳統(tǒng)Faster R-CNN方法,整體框架如圖3所示。除深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)之外,其余各部分與Faster R-CNN模型相似。特征提取網(wǎng)絡(luò)采用VGG-16,尺寸為hori×wori×3的輸入SAR圖像在經(jīng)過(guò)特征提取后生成h×w×512的特征圖,h和w與輸入圖像的尺寸有關(guān)。在獲取特征圖后,RPN會(huì)在特征圖的每個(gè)像素點(diǎn)上生成k(本文設(shè)置k=9)個(gè)錨框,并通過(guò)softmax二分類器和回歸器獲得更精確的初始候選框,初始候選框?qū)?gòu)成深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)輸入的一部分。對(duì)于RPN生成的大量初始候選框,我們使用深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行區(qū)域搜索實(shí)現(xiàn)對(duì)初始候選框的挑選,將可能含有目標(biāo)的候選框送入RoI池化層進(jìn)行整合。RoI池化層會(huì)將挑選出來(lái)的候選框?qū)?yīng)位置的特征映射劃分為7×7的網(wǎng)格,并對(duì)每一個(gè)網(wǎng)格進(jìn)行最大值池化處理,以輸出固定尺寸的特征向量。這些特征向量將被送入檢測(cè)器,通過(guò)全連接層和softmax計(jì)算候選框的具體類別,輸出類別概率預(yù)測(cè)向量,同時(shí)利用邊界框回歸,獲取更準(zhǔn)確的檢測(cè)目標(biāo)框。其中深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)采用循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn),此網(wǎng)絡(luò)可以在特征圖上找到一個(gè)可能含有目標(biāo)的區(qū)域,并將該區(qū)域內(nèi)的候選框送入后續(xù)的檢測(cè)器進(jìn)行分類回歸,然后根據(jù)檢測(cè)結(jié)果再找到另一個(gè)可能含有目標(biāo)的區(qū)域,繼續(xù)將該區(qū)域內(nèi)的候選框送入檢測(cè)器,如此迭代,完成候選框的自適應(yīng)挑選。

    圖3 結(jié)合強(qiáng)化學(xué)習(xí)的SAR目標(biāo)檢測(cè)方法整體框架Fig.3 Framework of SAR target detection method using reinforcement learning

    深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)部分參考基于卷積門控循環(huán)單元[19](Convolutional Gated Recurrent Unit,Conv-GRU)進(jìn)行設(shè)計(jì)。Conv-GRU作為一種計(jì)算需求相對(duì)較低的循環(huán)神經(jīng)網(wǎng)絡(luò),對(duì)網(wǎng)絡(luò)輸入輸出具有記憶能力,能夠捕捉迭代過(guò)程中的依賴關(guān)系,是能夠?qū)崿F(xiàn)深度強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)之一。Conv-GRU智能體的方程式如下:

    其中,*表示卷積乘法,☉表示Hadamard乘積,權(quán)重和偏差分別表示為W和b,所有輸入和輸出的空間尺寸是h×w。Ot為重置門,決定如何將新的輸入信息與之前的記憶信息相結(jié)合。Zt為更新門,用于控制記憶信息的保留程度。為候選隱藏狀態(tài),包含了當(dāng)前時(shí)刻的輸入信息和上一時(shí)刻保留的信息。Ht為最終的隱藏狀態(tài),通過(guò)更新門決定如何組合過(guò)去的隱藏狀態(tài)和當(dāng)前的候選隱藏狀態(tài)。在第t次迭代時(shí)到達(dá)Conv-GRU的輸入是強(qiáng)化學(xué)習(xí)的狀態(tài)量St和 上一次迭代輸出的隱藏狀態(tài)Ht-1,其中狀態(tài)量由圖像特征和RPN輸出組成,Conv-GRU可根據(jù)圖像信息來(lái)進(jìn)行候選區(qū)域搜索。輸出是對(duì)應(yīng)兩個(gè)動(dòng)作的動(dòng)作量At,分別決定是否進(jìn)行候選區(qū)域搜索以及搜索區(qū)域的位置和尺寸。深度強(qiáng)化學(xué)習(xí)可基于Conv-GRU調(diào)整策略,完成狀態(tài)到動(dòng)作的映射。

    網(wǎng)絡(luò)可訓(xùn)練的參數(shù)部分包括特征提取網(wǎng)絡(luò)部分、RPN部分、檢測(cè)器部分以及深度強(qiáng)化學(xué)習(xí)部分。

    3.2 結(jié)合強(qiáng)化學(xué)習(xí)的候選框挑選方法

    下面詳細(xì)介紹如何利用深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行區(qū)域搜索來(lái)實(shí)現(xiàn)候選框的自適應(yīng)挑選。在訓(xùn)練階段,第t次迭代時(shí),智能體根據(jù)當(dāng)前狀態(tài)和策略決定是否終止搜索。如果搜索沒(méi)有停止,就執(zhí)行固定動(dòng)作自動(dòng)獲得新的搜索區(qū)域的位置zt和尺寸參數(shù)pt;RoI觀測(cè)量Rt在以zt為中心的搜索區(qū)域中被更新,搜索區(qū)域內(nèi)所有由RPN生成的初始候選框均被發(fā)送到ROI池化層,然后在檢測(cè)器中進(jìn)行分類和邊界框回歸預(yù)測(cè)。根據(jù)訓(xùn)練數(shù)據(jù)的標(biāo)注與預(yù)測(cè)結(jié)果計(jì)算獎(jiǎng)勵(lì)r及檢測(cè)結(jié)果更新強(qiáng)化學(xué)習(xí)基本狀態(tài)量St?;谛聽顟B(tài),在第t+1次迭代時(shí)采取新操作,并重復(fù)該過(guò)程直到發(fā)出停止搜索動(dòng)作,然后收集整個(gè)搜索軌跡中的預(yù)測(cè)結(jié)果并計(jì)算總的累積獎(jiǎng)勵(lì)。訓(xùn)練的目標(biāo)即為累積獎(jiǎng)勵(lì)的最大化,并據(jù)此不斷優(yōu)化策略,最終得到最優(yōu)策略πθ(at|st),具體優(yōu)化方法在3.2.3節(jié)中描述。而在測(cè)試過(guò)程中,搜索策略將被固定,在第t次迭代時(shí),智能體根據(jù)當(dāng)前狀態(tài)st和已經(jīng)訓(xùn)練好的策略πθ(at|st)決定是否搜索以及搜索區(qū)域的位置及尺寸,然后選擇候選框送入后續(xù)檢測(cè)部分并更新相應(yīng)的狀態(tài)量。基于新狀態(tài),在第t+1次迭代時(shí)采取新操作,并重復(fù)該過(guò)程直到發(fā)出停止搜索動(dòng)作,最后收集整個(gè)搜索軌跡中的預(yù)測(cè)結(jié)果。算法1展示了強(qiáng)化學(xué)習(xí)自適應(yīng)候選框挑選測(cè)試過(guò)程的偽代碼。下面分別介紹狀態(tài)、動(dòng)作以及獎(jiǎng)勵(lì)函數(shù)的具體設(shè)置。

    算法 1 自適應(yīng)候選框挑選方法Alg.1 Adaptive region proposal selection

    3.2.1 狀態(tài)

    狀態(tài)量st是一個(gè)數(shù)組,包含3部分:st=(Rt,St,Ht),其中Rt ∈{0,1}h×w×k是RoI 觀測(cè)量,St ∈Rh×w×(d+2k+N+1)是 基本狀態(tài)量,而Ht ∈Rh×w×300是Conv-GRU的隱藏狀態(tài),d為VGG-16的輸出特征維度,N是要檢測(cè)對(duì)象類別的數(shù)量。

    RoI觀測(cè)量Rt是一個(gè)大小為h×w×k的二元量,其中當(dāng)相應(yīng)候選框在搜索區(qū)域內(nèi)時(shí),對(duì)應(yīng)的坐標(biāo) (i,j,l)值為1,然后轉(zhuǎn)入到網(wǎng)絡(luò)的RoI池化和檢測(cè)器部分進(jìn)行分類。Rt初始為全零量。在固定動(dòng)作之后,固定位置zt相鄰區(qū)域的一部分Rt將被更新,模型將在此區(qū)域內(nèi)使用RPN輸出的全部初始候選框進(jìn)行目標(biāo)檢測(cè)。這個(gè)相鄰區(qū)域設(shè)置為一個(gè)以zt為中心的矩形區(qū)域,區(qū)域的邊長(zhǎng)可以進(jìn)行自適應(yīng)的調(diào)整。將此矩形區(qū)域內(nèi)對(duì)應(yīng)的所有Rt項(xiàng)設(shè)置為1,表示此區(qū)域內(nèi)的候選框已經(jīng)被探測(cè)過(guò)了。

    基礎(chǔ)狀態(tài)量St包括。將V01設(shè)置為與輸入RPN相同的基本特征映射,將設(shè)置為RPN的二分類量。RPN的回歸量被用于,設(shè)置為[0,1]歸一化偏移量[Δx1,Δy1,Δx2,Δy2]。和分別對(duì)應(yīng)著特征圖每個(gè)像素位置上預(yù)設(shè)的k個(gè)anchor的二分類和回歸結(jié)果。當(dāng)某一位置在之前的迭代過(guò)程中被訪問(wèn)后,使用Rt更新這些量,將,和中的對(duì)應(yīng)位置設(shè)置為-1,表示這些位置已被訪問(wèn)過(guò),這樣有利于強(qiáng)化學(xué)習(xí)在下一次迭代過(guò)程中對(duì)輸入狀態(tài)量的分析,也有利于強(qiáng)化學(xué)習(xí)策略的訓(xùn)練,防止在重復(fù)的位置上多次進(jìn)行搜索。表示候選框檢測(cè)結(jié)果的歷史記錄,將設(shè)置為0。強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)執(zhí)行固定動(dòng)作獲得搜索區(qū)域后,將區(qū)域內(nèi)的所有候選框送入檢測(cè)器進(jìn)行分類預(yù)測(cè),然后使用NMS對(duì)已分類的候選框進(jìn)行篩選。對(duì)篩選后的候選框進(jìn)行邊界框回歸預(yù)測(cè),并將輸出結(jié)果即最終檢測(cè)框的中心坐標(biāo)和類別概率向量記錄在的相應(yīng)空間位置,作為下一次迭代過(guò)程的輸入狀態(tài)之一。這樣做可以為強(qiáng)化學(xué)習(xí)提供之前迭代過(guò)程中的檢測(cè)結(jié)果歷史信息,有利于強(qiáng)化學(xué)習(xí)的決策。

    3.2.2 動(dòng)作

    同時(shí),為了確定搜索區(qū)域尺寸,我們?cè)O(shè)計(jì)了一種新的基于距離的約束。該約束能夠通過(guò)迭代過(guò)程中搜索區(qū)域位置的變化,自動(dòng)調(diào)整搜索區(qū)域的尺寸,在準(zhǔn)確搜索到含有目標(biāo)區(qū)域的同時(shí)減少傳統(tǒng)強(qiáng)化學(xué)習(xí)的計(jì)算量。具體來(lái)說(shuō):模型利用本次迭代中選擇的中心坐標(biāo)z(t)與 上一次迭代選擇的中心坐標(biāo)z(t-1)對(duì)搜索區(qū)域尺寸進(jìn)行調(diào)整,形成參數(shù)pt來(lái)確定搜索區(qū)域尺寸。參數(shù)pt的取值區(qū)間為(0,1],計(jì)算方法如下:

    其中,Δ=|z(t)-z(t-1)|為兩次搜索區(qū)域中心之間的距離,h0和w0為 初始搜索區(qū)域尺寸(設(shè)h<w),與輸入圖像寬高比相同,ht-1和wt-1為t-1次迭代時(shí)的搜索區(qū)域尺寸。第t次迭代時(shí)的搜索區(qū)域尺寸計(jì)算方式如下:

    此設(shè)置可實(shí)現(xiàn)在兩次迭代過(guò)程中,當(dāng)搜索區(qū)域之間距離較遠(yuǎn)時(shí),搜索尺寸擴(kuò)大;當(dāng)搜索區(qū)域之間距離較近時(shí),搜索尺寸縮小,減少搜索區(qū)域的重疊,提高搜索效率。

    3.2.3 獎(jiǎng)勵(lì)

    深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)產(chǎn)生的搜索策略在搜索候選框時(shí),應(yīng)在保證較高交并比(Intersection over Union,IoU)的同時(shí),盡量減少候選框的數(shù)量。這樣可以在減少虛警(false positive)數(shù)量的同時(shí),節(jié)約處理時(shí)間。獎(jiǎng)勵(lì)函數(shù)以此為標(biāo)準(zhǔn)進(jìn)行設(shè)定。

    將獎(jiǎng)勵(lì)函數(shù)分為固定動(dòng)作獎(jiǎng)勵(lì)和停止動(dòng)作獎(jiǎng)勵(lì)部分。其中,對(duì)于固定動(dòng)作,其獎(jiǎng)勵(lì)函數(shù)由兩部分組成:第1部分為每次執(zhí)行固定動(dòng)作都將獲得的較小的負(fù)獎(jiǎng)勵(lì)-β(經(jīng)過(guò)實(shí)驗(yàn)β設(shè)置為0.075);第2部分為智能體執(zhí)行固定動(dòng)作時(shí)獲得的正獎(jiǎng)勵(lì),這個(gè)正獎(jiǎng)勵(lì)與在當(dāng)前圖像的任何真實(shí)標(biāo)注數(shù)據(jù)(ground truth)gi的IoU相關(guān),即如果固定動(dòng)作在當(dāng)前圖像與任何gi的IoU增加了,智能體都會(huì)獲得正向獎(jiǎng)勵(lì)。對(duì)于每個(gè)標(biāo)注數(shù)據(jù)gi,設(shè)置I oUi為在過(guò)去0,1,···,t-1次迭代過(guò)程中產(chǎn)生的最大的IoU值,并且在t=0時(shí),I oUi=0 。當(dāng)t≥1 時(shí),設(shè)置為在第t次迭代過(guò)程中,對(duì)于每個(gè)標(biāo)注數(shù)據(jù)gi所產(chǎn)生的最大IoU值。并檢查是否滿足。其中,依據(jù)數(shù)據(jù)集PASCAL VOC的正閾值設(shè)置τ=0.5。如果滿足上述情況,將對(duì)相應(yīng)的標(biāo)注數(shù)據(jù)gi給出正向獎(jiǎng)勵(lì)并在之后更新。此處,指的是對(duì)于第i個(gè)標(biāo)注數(shù)據(jù)gi,在所有可能區(qū)域內(nèi)獲得的最大IoU值(即最終預(yù)測(cè)的關(guān)于標(biāo)注數(shù)據(jù)gi的真實(shí)IoU值)。綜上所述,在第t次迭代時(shí)給出的固定動(dòng)作獎(jiǎng)勵(lì)為

    其中,當(dāng)pt <1時(shí),表示強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)認(rèn)為在上次迭代中搜索區(qū)域的附近目標(biāo)分布較密集,因此使用對(duì)多目標(biāo)獎(jiǎng)勵(lì)較高的函數(shù)形式;而當(dāng)pt=1,搜索區(qū)域距離較遠(yuǎn)時(shí),則使用對(duì)單目標(biāo)獎(jiǎng)勵(lì)較高的函數(shù)形式。

    對(duì)于停止動(dòng)作,在搜索終止后,智能體會(huì)受到一個(gè)能夠反映搜索軌跡質(zhì)量的最終獎(jiǎng)勵(lì):

    其中,I oUi經(jīng) 過(guò)更新,已經(jīng)成為關(guān)于標(biāo)注數(shù)據(jù)gi在整個(gè)搜索迭代過(guò)程中所產(chǎn)生的最大IoU值。如果gi沒(méi)有被最大限度覆蓋,則會(huì)給予智能體一個(gè)隨著IoUi減小而不斷增大的負(fù)的獎(jiǎng)勵(lì)值。并且,如果gi已經(jīng)被最大限度的覆蓋了,即I oUi=的時(shí)候,本次停止動(dòng)作的獎(jiǎng)勵(lì)值將變?yōu)?。

    在訓(xùn)練過(guò)程中通過(guò)累積獎(jiǎng)勵(lì)最大化來(lái)優(yōu)化策略,結(jié)合REINFORCE[20]方法進(jìn)行梯度更新,使用50條搜索軌跡來(lái)逼近真實(shí)梯度,并使用Adam[21]優(yōu)化器來(lái)更新策略參數(shù)。

    3.3 訓(xùn)練

    整個(gè)模型需要訓(xùn)練的參數(shù)可分為兩部分:一部分是原始Faster R-CNN部分的參數(shù),包括特征提取網(wǎng)絡(luò)、RPN和檢測(cè)器部分參數(shù);另一部分是強(qiáng)化學(xué)習(xí)搜索策略部分的參數(shù)。兩部分參數(shù)采用交替訓(xùn)練的方式進(jìn)行優(yōu)化:當(dāng)強(qiáng)化學(xué)習(xí)部分參數(shù)進(jìn)行更新后(此時(shí)原始Faster R-CNN部分參數(shù)保持不變),模型將固定強(qiáng)化學(xué)習(xí)部分參數(shù)并使用該強(qiáng)化學(xué)習(xí)策略進(jìn)行自適應(yīng)候選框挑選,挑選出的候選框?qū)⒈凰腿牒罄m(xù)檢測(cè)器進(jìn)行目標(biāo)分類和回歸,并以此來(lái)更新Faster R-CNN部分的參數(shù)。模型通過(guò)兩部分參數(shù)交替更新,反復(fù)迭代至收斂。

    4 實(shí)驗(yàn)與分析

    首先對(duì)實(shí)驗(yàn)所用數(shù)據(jù)集及評(píng)價(jià)準(zhǔn)則進(jìn)行介紹,然后與傳統(tǒng)Faster R-CNN及其相關(guān)改進(jìn)方法進(jìn)行對(duì)比分析,對(duì)提出的創(chuàng)新點(diǎn)進(jìn)行實(shí)驗(yàn)驗(yàn)證,證明所提方法的有效性。實(shí)驗(yàn)平臺(tái)為Ubuntu系統(tǒng),代碼基于Tensorflow編寫。訓(xùn)練方面,本方法采用經(jīng)過(guò)預(yù)訓(xùn)練的VGG-16網(wǎng)絡(luò)對(duì)Faster R-CNN的共享卷積層部分進(jìn)行參數(shù)初始化;其他網(wǎng)絡(luò)層則使用零均值、標(biāo)準(zhǔn)差為0.01的高斯分布進(jìn)行參數(shù)隨機(jī)初始化。

    4.1 實(shí)驗(yàn)設(shè)置

    4.1.1 實(shí)驗(yàn)數(shù)據(jù)集介紹

    本文使用MiniSAR數(shù)據(jù)集[22]進(jìn)行實(shí)驗(yàn),該數(shù)據(jù)集是美國(guó)桑迪亞實(shí)驗(yàn)室在2006年公開的SAR圖像數(shù)據(jù)集,包含復(fù)雜場(chǎng)景的SAR實(shí)測(cè)圖像數(shù)據(jù)。在本文實(shí)驗(yàn)中,共使用9幅SAR圖像(7幅用于訓(xùn)練,2幅用于測(cè)試),設(shè)置車輛為感興趣目標(biāo)。在此數(shù)據(jù)集中,由于圖像的尺寸過(guò)大,無(wú)法直接輸入網(wǎng)絡(luò)。因此,首先將數(shù)據(jù)集中的原始圖像裁剪成許多大小為300像素×300像素的子圖像,并使用這些子圖像進(jìn)行網(wǎng)絡(luò)訓(xùn)練。與訓(xùn)練類似,在測(cè)試過(guò)程中通過(guò)滑動(dòng)窗口,將原始的測(cè)試圖像也裁剪為大小為300像素×300像素的子圖像,滑動(dòng)窗口的步長(zhǎng)設(shè)置為200像素。對(duì)測(cè)試子圖像進(jìn)行檢測(cè)后,再將檢測(cè)結(jié)果恢復(fù)到原始大圖中。在恢復(fù)過(guò)程中,我們對(duì)子圖像中的檢測(cè)結(jié)果進(jìn)行NMS刪除重復(fù)數(shù)據(jù),以獲得最終結(jié)果。

    4.1.2 評(píng)價(jià)準(zhǔn)則

    實(shí)驗(yàn)選擇F1-score和接收機(jī)性能(Receiver Operating Characteristic,ROC)曲線作為檢測(cè)性能的評(píng)價(jià)準(zhǔn)則。F1-score的計(jì)算公式如下:

    其中,TP (True Positives)是檢測(cè)結(jié)果中正確的目標(biāo)個(gè)數(shù),F(xiàn)P (False Positives)為虛警,是檢測(cè)結(jié)果中錯(cuò)誤的目標(biāo)個(gè)數(shù),F(xiàn)N (False Negatives)是漏警,是未檢測(cè)到的目標(biāo)個(gè)數(shù),P(Precision)是準(zhǔn)確率,R(Recall)是召回率。

    ROC曲線的繪制參考文獻(xiàn)[23],曲線描述了真陽(yáng)率(True Positive Rate,TPR)和假陽(yáng)率(False Positive Rate,FPR)之間的關(guān)系。TPR和FPR的計(jì)算公式如下:

    ROC曲線和坐標(biāo)軸下的面積(Area Under Curve,AUC)用于輔助ROC評(píng)估。通常,AUC越大,性能越好。

    4.2 檢測(cè)結(jié)果分析

    表1對(duì)比了不同方法的實(shí)驗(yàn)結(jié)果,其中Gaussian-CFAR表示文獻(xiàn)[13]中的方法;Faster R-CNN方法基于文獻(xiàn)[7];SSD方法使用文獻(xiàn)[24];Faster R-CNN+CBAM在Faster R-CNN中加入通道注意力和空間注意力模塊[25]聚焦重要特征來(lái)輔助檢測(cè);本文方法-尺寸固定表示只使用強(qiáng)化學(xué)習(xí)確定搜索區(qū)域位置,而搜索區(qū)域的尺寸不能自適應(yīng)變化,生成固定尺寸(h0×w0)的搜索區(qū)域來(lái)完成候選框挑選,本文中取h0=hori×0.25,w0=wori×0.25。

    表1 不同方法實(shí)驗(yàn)結(jié)果Tab.1 Experimental results of different methods

    從表1可以看出,Gaussian-CFAR的F1-score非常低,因?yàn)榇朔椒▋H使用SAR圖像本身的對(duì)比度等信息進(jìn)行檢測(cè),需要擬合雜波分布,只適用于簡(jiǎn)單場(chǎng)景,當(dāng)場(chǎng)景較為復(fù)雜時(shí),會(huì)產(chǎn)生大量虛警,造成檢測(cè)性能的降低。而傳統(tǒng)Faster R-CNN方法雖然檢測(cè)效果好于Gaussian-CFAR,但在深度學(xué)習(xí)相關(guān)方法中F1-score最低,主要原因?yàn)樘摼芏?,很多背景雜波被誤判為目標(biāo),導(dǎo)致檢測(cè)的準(zhǔn)確率降低;SSD方法則通過(guò)使用多尺度特征進(jìn)行預(yù)測(cè),相較于傳統(tǒng)Faster R-CNN方法虛警明顯減少,獲得了不錯(cuò)的性能;Faster R-CNN+CBAM方法在添加了注意力模塊之后,能夠讓網(wǎng)絡(luò)更加關(guān)注目標(biāo)區(qū)域,相較于傳統(tǒng)Faster R-CNN方法準(zhǔn)確率有所提升,虛警明顯減少;本文方法相較于其他方法,在準(zhǔn)確率和召回率上都有一定提升,尤其在減少虛警方面,相較于其他方法提升明顯;當(dāng)搜索區(qū)域尺寸固定時(shí),本文方法則實(shí)現(xiàn)了與Faster R-CNN+CBAM相似的檢測(cè)結(jié)果,相較于傳統(tǒng)Faster R-CNN方法的F1-score有一定提升,但由于無(wú)法自適應(yīng)確定搜索區(qū)域尺寸,準(zhǔn)確率相比本文原始方法有所下降。本文方法的F1-score相較于傳統(tǒng)Faster R-CNN方法提升了0.0329,準(zhǔn)確率提升了0.0530。因此,本文方法通過(guò)強(qiáng)化學(xué)習(xí)進(jìn)行區(qū)域搜索來(lái)實(shí)現(xiàn)對(duì)候選框的自適應(yīng)挑選,可以有效減少虛警,提升檢測(cè)性能。

    圖4展示了各種方法的ROC曲線和相應(yīng)的AUC值,由于CFAR檢測(cè)效果相比于深度學(xué)習(xí)方法差距較大,研究?jī)r(jià)值不高,因此只對(duì)深度學(xué)習(xí)相關(guān)方法進(jìn)行了ROC曲線刻畫。我們以檢測(cè)結(jié)果中的每一個(gè)邊界框?yàn)閷?duì)象,設(shè)置IoU閾值來(lái)判斷邊界框是否檢測(cè)到正確目標(biāo),并根據(jù)其分類得分由高到低進(jìn)行排序,通過(guò)依次將每個(gè)邊界框劃分為正例,來(lái)計(jì)算不同的TPR和FPR值,最終得到完整的ROC曲線。從中可以發(fā)現(xiàn)本文所提方法可以在保持較低FPR的同時(shí)獲得較高的TPR,因此也獲得了最高的AUC值,檢測(cè)性能最好。

    圖4 ROC曲線對(duì)比分析Fig.4 ROC curves comparative analysis

    圖5分別展示了上述4種方法在MiniSAR數(shù)據(jù)集上兩張圖像的測(cè)試結(jié)果:圖中綠色框表示檢測(cè)正確的目標(biāo),紅色框表示檢測(cè)錯(cuò)誤的目標(biāo)(虛警),藍(lán)色框表示未檢測(cè)到的目標(biāo)(漏警)。由圖5可知,在復(fù)雜背景雜波的大場(chǎng)景SAR圖像中,傳統(tǒng)Faster R-CNN方法檢測(cè)結(jié)果虛警較多;本文方法的檢測(cè)結(jié)果中虛警最少,檢測(cè)效果最好,并且在目標(biāo)數(shù)量較多,排布較密集且有一定規(guī)律時(shí),能實(shí)現(xiàn)目標(biāo)的精確檢測(cè)。

    圖5 SAR圖像目標(biāo)檢測(cè)結(jié)果Fig.5 Detection results of SAR images

    所提方法檢測(cè)效果較好的原因主要有兩方面:第一,采用深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)確定搜索區(qū)域?qū)蜻x框進(jìn)行自適應(yīng)挑選,能夠?qū)PN生成的大量初始候選框進(jìn)行鑒別,剔除其中的大量虛警框;第二,實(shí)驗(yàn)所使用數(shù)據(jù)集中的部分車輛目標(biāo)分布和排列存在一定規(guī)律,本文方法能夠在強(qiáng)化學(xué)習(xí)訓(xùn)練過(guò)程中學(xué)習(xí)這些規(guī)律,并在迭代搜索過(guò)程中保存這些上下文信息,獲得更好的檢測(cè)效果。我們計(jì)算了每張訓(xùn)練圖像在訓(xùn)練過(guò)程中pt=1所占比例來(lái)進(jìn)行實(shí)驗(yàn)驗(yàn)證。在使用強(qiáng)化學(xué)習(xí)確定搜索區(qū)域時(shí),pt=1表示本次迭代確定的搜索區(qū)域與上一次迭代確定的搜索區(qū)域之間距離較遠(yuǎn),pt <1則表示本次迭代確定的搜索區(qū)域在上一次迭代確定的搜索區(qū)域附近。因此,如果pt=1所占比例較小,則說(shuō)明搜索區(qū)域分布較為集中,圖像中的目標(biāo)數(shù)量較多且分布密集;如果pt=1所占比例較大,則說(shuō)明搜索區(qū)域較為分散,圖像中的目標(biāo)數(shù)量較少且分布稀疏。以圖6中兩張訓(xùn)練圖像樣本為例進(jìn)行分析,圖中白色框?yàn)楣潭▌?dòng)作所產(chǎn)生的搜索區(qū)域,左上角數(shù)字為區(qū)域的生成順序。圖6(a)中目標(biāo)較少,因此強(qiáng)化學(xué)習(xí)只執(zhí)行了3次搜索動(dòng)作,搜索區(qū)域較為分散,pt值全部為1;而圖6(b)中由于目標(biāo)數(shù)量較多、分布密集且排列整齊,因此強(qiáng)化學(xué)習(xí)共執(zhí)行了7次搜索動(dòng)作,且在目標(biāo)密集分布的區(qū)域多次生成搜索區(qū)域,pt=1所占比例為0.33,相比于圖6(a)pt=1所占比例明顯減小。這說(shuō)明,強(qiáng)化學(xué)習(xí)能夠?qū)W習(xí)到目標(biāo)分布的規(guī)律性并應(yīng)用于檢測(cè):在檢測(cè)目標(biāo)較少、分布稀疏的圖像時(shí),強(qiáng)化學(xué)習(xí)生成的搜索區(qū)域也較為分散,可以在較少搜索次數(shù)內(nèi)準(zhǔn)確找到目標(biāo)所在區(qū)域;而在檢測(cè)目標(biāo)密集分布的圖像時(shí),強(qiáng)化學(xué)習(xí)則會(huì)在目標(biāo)密集分布的區(qū)域多次生成搜索區(qū)域來(lái)檢測(cè)出該區(qū)域內(nèi)的全部目標(biāo)。

    圖6 訓(xùn)練圖像樣本示例(白色框?yàn)楣潭▌?dòng)作所產(chǎn)生的搜索區(qū)域)Fig.6 Training image example (The white box indicates the search area generated by fixed action)

    4.3 搜索區(qū)域?qū)z測(cè)的影響

    為了研究搜索區(qū)域?qū)z測(cè)的影響,我們對(duì)強(qiáng)化學(xué)習(xí)的搜索過(guò)程進(jìn)行了分析,并與不使用搜索區(qū)域的Faster R-CNN方法進(jìn)行了對(duì)比。

    圖7展示了測(cè)試圖像的強(qiáng)化學(xué)習(xí)可視化搜索過(guò)程。圖7(a)為原始圖像,圖7(b)-圖7(e)展示了本文方法的迭代搜索過(guò)程。其中,白色邊框?yàn)楣潭▌?dòng)作所產(chǎn)生的搜索區(qū)域,左上角數(shù)字為區(qū)域的生成順序,其中心位置坐標(biāo)和尺寸確定方法與3.2節(jié)所述相同;綠色邊框則表示已檢測(cè)到目標(biāo)的邊界框。注意白色邊框表示所挑選初始候選框中心點(diǎn)的區(qū)域集合,而綠色邊框?yàn)榻?jīng)過(guò)回歸的最終目標(biāo)邊界框,因此白色邊框并不一定完全包裹目標(biāo)和綠色邊框。

    圖7(b)表示在強(qiáng)化學(xué)習(xí)第1次迭代過(guò)程中,策略執(zhí)行固定動(dòng)作確定的搜索區(qū)域,之后中心點(diǎn)在搜索區(qū)域內(nèi)的候選框?qū)⒈惶暨x并送入后續(xù)的檢測(cè)器部分。圖7(c)展示了在搜索區(qū)域內(nèi)檢測(cè)到的兩個(gè)目標(biāo)。圖7(d)表示在強(qiáng)化學(xué)習(xí)第2次迭代過(guò)程中,策略執(zhí)行固定動(dòng)作確定的搜索區(qū)域,由于距離約束的作用,該次搜索區(qū)域尺寸進(jìn)行自適應(yīng)調(diào)整,較上次迭代有所減小,減少了區(qū)域內(nèi)初始候選框數(shù)量,在能夠檢測(cè)到目標(biāo)的同時(shí),降低了強(qiáng)化學(xué)習(xí)部分的計(jì)算量。圖7(e)展示了在搜索區(qū)域內(nèi)檢測(cè)到的所有目標(biāo)。兩次迭代后,強(qiáng)化學(xué)習(xí)策略判斷SAR圖像內(nèi)全部目標(biāo)已經(jīng)檢測(cè)完成,停止迭代,完成檢測(cè)流程。

    由圖7可視化搜索過(guò)程可知,強(qiáng)化學(xué)習(xí)通過(guò)訓(xùn)練得到的策略,能夠讓搜索區(qū)域更靠近待檢測(cè)目標(biāo)。在迭代搜索過(guò)程中,除了利用圖像的特征信息進(jìn)行決策外,深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)還能夠記錄之前迭代步驟中產(chǎn)生的上下文信息,通過(guò)上下文信息進(jìn)行不同搜索區(qū)域之間的信息交換,幫助決策,能夠有效減少雜波對(duì)檢測(cè)器的干擾,提高檢測(cè)的準(zhǔn)確性。

    圖7 可視化搜索過(guò)程(白色框?yàn)楣潭▌?dòng)作所產(chǎn)生的搜索區(qū)域)Fig.7 Visualization of search (The white box indicates the search area generated by fixed action)

    為了進(jìn)一步分析搜索區(qū)域?qū)z測(cè)的影響,我們分別對(duì)不使用搜索區(qū)域的Faster R-CNN方法和可以自適應(yīng)確定搜索區(qū)域的本文方法的RoI分布進(jìn)行了對(duì)比。圖8展示了兩種方法產(chǎn)生的RoI分布對(duì)比。圖8(a)為待檢測(cè)的原始圖像,圖8(b)為傳統(tǒng)Faster R-CNN產(chǎn)生的RoI分布,圖中高亮區(qū)域?yàn)镽oI的中心位置。圖8(c)為傳統(tǒng)Faster R-CNN的檢測(cè)結(jié)果,綠色框表示檢測(cè)正確的目標(biāo),紅色框表示虛警。圖8(d)為本文方法產(chǎn)生的RoI分布,圖中白框?yàn)閺?qiáng)化學(xué)習(xí)產(chǎn)生的搜索區(qū)域,所生成RoI的中心位置均在白框之內(nèi)。圖8(e)為本文方法的檢測(cè)結(jié)果。結(jié)合圖8(b)和圖8(d)可以發(fā)現(xiàn),相較于傳統(tǒng)的Faster R-CNN方法,經(jīng)過(guò)本文方法的處理,RoI會(huì)更集中地產(chǎn)生在目標(biāo)附近,因圖片邊緣和復(fù)雜背景雜波而產(chǎn)生的RoI大量減少。

    圖8 RoI分布對(duì)比(白色框?yàn)楣潭▌?dòng)作所產(chǎn)生的搜索區(qū)域)Fig.8 Visualization of RoI (The white box indicates the search area generated by fixed action)

    結(jié)合表1的檢測(cè)結(jié)果及RoI分布可以分析,F(xiàn)aster R-CNN方法由于采用NMS法對(duì)RPN在整張?zhí)卣鲌D上產(chǎn)生的大量初始候選框進(jìn)行處理,會(huì)導(dǎo)致SAR圖像的邊緣和難鑒別的背景雜波位置生成大量RoI,從而造成檢測(cè)結(jié)果中出現(xiàn)較多虛警。而所提方法則依靠強(qiáng)化學(xué)習(xí)策略及深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)積累的上下文信息來(lái)確定含有目標(biāo)的搜索區(qū)域,并且只在搜索區(qū)域內(nèi)生成RoI,能夠讓RoI盡可能集中在目標(biāo)周圍,有效減少圖片邊緣及復(fù)雜背景雜波導(dǎo)致的虛警,獲得較好的檢測(cè)效果。

    4.4 運(yùn)行時(shí)間分析

    運(yùn)算速度也是衡量目標(biāo)檢測(cè)算法性能的重要指標(biāo)之一,本節(jié)對(duì)Gaussian-CFAR,Faster R-CNN,Faster R-CNN+CBAM,SSD以及所提方法的運(yùn)行時(shí)間進(jìn)行比較分析,并分別對(duì)所提方法采用固定的搜索區(qū)域尺寸、自適應(yīng)搜索區(qū)域尺寸進(jìn)行實(shí)驗(yàn),我們?nèi)∷袦y(cè)試圖像的平均測(cè)試時(shí)間作為單張圖片的測(cè)試時(shí)間,結(jié)果如圖9所示。

    由圖9可知,Gaussian-CFAR無(wú)論在運(yùn)算速度還是準(zhǔn)確率方面與其他方法均具有較大差距。SSD和Faster R-CNN方法的檢測(cè)速度較快,但F1-score與其他基于深度學(xué)習(xí)方法相比較低;添加CBAM注意力模塊后,在檢測(cè)速度略有降低的同時(shí),提升了檢測(cè)精度;對(duì)于本文方法,當(dāng)采用人工設(shè)置的固定的搜索區(qū)域尺寸(h0×w0)時(shí),本文方法的檢測(cè)速度會(huì)降低,這是由于在兩次強(qiáng)化學(xué)習(xí)迭代過(guò)程中,當(dāng)搜索區(qū)域尺寸設(shè)置較大時(shí),如果兩次搜索區(qū)域較近,會(huì)造成搜索區(qū)域的重疊,增加計(jì)算量;而當(dāng)搜索區(qū)域尺寸設(shè)置較小時(shí),又會(huì)造成檢測(cè)區(qū)域過(guò)小,需要強(qiáng)化學(xué)習(xí)迭代更多輪次來(lái)找到所有目標(biāo)。并且,不合理的尺寸設(shè)定也會(huì)對(duì)檢測(cè)精度造成影響。因此,本文方法在強(qiáng)化學(xué)習(xí)迭代過(guò)程中通過(guò)自適應(yīng)調(diào)整搜索區(qū)域的尺寸,獲得了最高的F1-score,能夠在保證較高檢測(cè)精度的同時(shí),提高檢測(cè)速度。

    圖9 運(yùn)行時(shí)間與F1-score關(guān)系Fig.9 Runtime versus F1-score

    5 結(jié)語(yǔ)

    本文針對(duì)SAR目標(biāo)檢測(cè)任務(wù),結(jié)合強(qiáng)化學(xué)習(xí)方法對(duì)Faster R-CNN模型進(jìn)行改進(jìn),提出新的候選框挑選方法來(lái)解決傳統(tǒng)Faster R-CNN模型在檢測(cè)過(guò)程中易受SAR圖像復(fù)雜背景雜波影響而產(chǎn)生大量虛警的問(wèn)題。本文所提方法利用強(qiáng)化學(xué)習(xí)序列決策的特點(diǎn),對(duì)大場(chǎng)景SAR圖像中可能含有目標(biāo)的區(qū)域進(jìn)行迭代搜索,通過(guò)強(qiáng)化學(xué)習(xí)策略確定搜索區(qū)域的位置坐標(biāo)和尺寸,最終實(shí)現(xiàn)對(duì)大量初始候選框的自適應(yīng)挑選。實(shí)驗(yàn)結(jié)果表明,所提方法能夠找到含有待檢測(cè)目標(biāo)的區(qū)域,提升對(duì)復(fù)雜背景雜波的鑒別能力,有效減少虛警。除此之外,通過(guò)在強(qiáng)化學(xué)習(xí)內(nèi)部添加距離約束,對(duì)搜索區(qū)域尺寸進(jìn)行自適應(yīng)調(diào)整,能夠在進(jìn)一步提高檢測(cè)性能的同時(shí),提高運(yùn)算速度。與其他主流目標(biāo)檢測(cè)方法進(jìn)行對(duì)比實(shí)驗(yàn),結(jié)果表明本文方法能夠在增加較少運(yùn)算量的同時(shí),大幅提升SAR目標(biāo)檢測(cè)精度。

    猜你喜歡
    候選框尺寸深度
    尺寸
    智族GQ(2022年12期)2022-12-20 07:01:18
    重定位非極大值抑制算法
    面向自然場(chǎng)景文本檢測(cè)的改進(jìn)NMS算法
    CIIE Shows Positive Energy of Chinese Economy
    基于Soft-NMS的候選框去冗余加速器設(shè)計(jì)*
    深度理解一元一次方程
    深度觀察
    深度觀察
    深度觀察
    一種針對(duì)特定目標(biāo)的提議算法
    午夜免费激情av| 伊人久久精品亚洲午夜| 三级男女做爰猛烈吃奶摸视频| 神马国产精品三级电影在线观看| 色吧在线观看| 欧美激情在线99| 亚洲成人久久爱视频| av在线老鸭窝| 永久网站在线| 少妇的逼好多水| 99国产精品一区二区蜜桃av| 国产精华一区二区三区| 精品一区二区三区av网在线观看| 国产视频一区二区在线看| 欧美bdsm另类| 少妇裸体淫交视频免费看高清| 可以在线观看的亚洲视频| 成人美女网站在线观看视频| 两性午夜刺激爽爽歪歪视频在线观看| 久久久精品大字幕| 亚洲国产精品久久男人天堂| 男人和女人高潮做爰伦理| 欧美zozozo另类| 中国美女看黄片| 97热精品久久久久久| 嫁个100分男人电影在线观看| a级毛片a级免费在线| 男女之事视频高清在线观看| 久久6这里有精品| 最近视频中文字幕2019在线8| 国产一区二区三区在线臀色熟女| 午夜亚洲福利在线播放| 男女之事视频高清在线观看| 一个人观看的视频www高清免费观看| 两个人视频免费观看高清| 日韩欧美精品免费久久| 亚洲国产精品成人综合色| 亚洲人与动物交配视频| 中文字幕久久专区| 精品福利观看| 久久这里只有精品中国| 国产成人影院久久av| 尤物成人国产欧美一区二区三区| 免费观看在线日韩| 亚洲精品粉嫩美女一区| 男人和女人高潮做爰伦理| 国产精品一区二区免费欧美| 国产免费一级a男人的天堂| 波多野结衣高清作品| 日本欧美国产在线视频| 精品久久久久久久久久免费视频| 国产高潮美女av| 亚洲熟妇中文字幕五十中出| 国产淫片久久久久久久久| 精品久久久久久久久久免费视频| 日韩人妻高清精品专区| 黄色视频,在线免费观看| 精品欧美国产一区二区三| 久久久国产成人精品二区| 亚洲午夜理论影院| 97人妻精品一区二区三区麻豆| 亚洲狠狠婷婷综合久久图片| 亚洲欧美精品综合久久99| 成人高潮视频无遮挡免费网站| 国产真实伦视频高清在线观看 | 十八禁国产超污无遮挡网站| 精品一区二区三区视频在线观看免费| 精品久久久久久久久av| 日本撒尿小便嘘嘘汇集6| 中文字幕高清在线视频| 国产精品无大码| 日日干狠狠操夜夜爽| 成人亚洲精品av一区二区| 日日摸夜夜添夜夜添av毛片 | 午夜福利成人在线免费观看| 国内精品一区二区在线观看| 久久久久久久久大av| 亚洲欧美清纯卡通| 天堂av国产一区二区熟女人妻| 午夜福利高清视频| 日本免费a在线| 国产单亲对白刺激| 精品不卡国产一区二区三区| 免费av毛片视频| 日韩高清综合在线| 国产av麻豆久久久久久久| 日韩一本色道免费dvd| 丰满乱子伦码专区| 如何舔出高潮| 一区二区三区激情视频| 精品久久国产蜜桃| 国内精品久久久久久久电影| 国产成人一区二区在线| 久久精品夜夜夜夜夜久久蜜豆| 99久久无色码亚洲精品果冻| 精品久久久久久久久久免费视频| av天堂在线播放| 免费观看人在逋| 91麻豆av在线| 日本-黄色视频高清免费观看| 亚洲国产欧洲综合997久久,| 日韩 亚洲 欧美在线| 色综合婷婷激情| 午夜免费成人在线视频| 性插视频无遮挡在线免费观看| 日本在线视频免费播放| 国产免费一级a男人的天堂| 亚洲av日韩精品久久久久久密| 国产中年淑女户外野战色| 久久久久久久久久成人| 3wmmmm亚洲av在线观看| 99久久精品国产国产毛片| 九色国产91popny在线| 黄色配什么色好看| 国产v大片淫在线免费观看| 精华霜和精华液先用哪个| 国产三级在线视频| 日韩欧美三级三区| 岛国在线免费视频观看| 国内精品宾馆在线| 韩国av在线不卡| 欧美高清性xxxxhd video| 精品国内亚洲2022精品成人| netflix在线观看网站| 老司机深夜福利视频在线观看| 人人妻人人看人人澡| 日本黄色视频三级网站网址| 精品久久久久久,| 天堂动漫精品| 久久天躁狠狠躁夜夜2o2o| 春色校园在线视频观看| 日韩一区二区视频免费看| 人人妻人人澡欧美一区二区| 欧美在线一区亚洲| 国产精品一区二区免费欧美| 成年女人看的毛片在线观看| 亚洲精品粉嫩美女一区| 成熟少妇高潮喷水视频| av.在线天堂| 久久人人爽人人爽人人片va| 日本撒尿小便嘘嘘汇集6| 亚洲国产精品合色在线| 丰满人妻一区二区三区视频av| 精品一区二区三区视频在线| 亚洲中文日韩欧美视频| av国产免费在线观看| 夜夜爽天天搞| 免费人成在线观看视频色| 人人妻人人澡欧美一区二区| 国产亚洲精品久久久com| 成人一区二区视频在线观看| 男女下面进入的视频免费午夜| 美女cb高潮喷水在线观看| 天堂av国产一区二区熟女人妻| 动漫黄色视频在线观看| 国产午夜福利久久久久久| 久久亚洲真实| 午夜福利视频1000在线观看| 日本一二三区视频观看| 亚洲欧美激情综合另类| 窝窝影院91人妻| 在线a可以看的网站| av中文乱码字幕在线| 国产黄a三级三级三级人| 在线观看午夜福利视频| 亚洲成人久久爱视频| 在现免费观看毛片| 2021天堂中文幕一二区在线观| 亚洲精品日韩av片在线观看| 久久精品影院6| 最近最新免费中文字幕在线| 欧美xxxx性猛交bbbb| 亚洲美女搞黄在线观看 | 日韩大尺度精品在线看网址| 欧美潮喷喷水| 99久久九九国产精品国产免费| 中文亚洲av片在线观看爽| 国内揄拍国产精品人妻在线| 欧美一区二区亚洲| 18禁黄网站禁片午夜丰满| 级片在线观看| 中国美白少妇内射xxxbb| 国产熟女欧美一区二区| 少妇丰满av| 变态另类丝袜制服| 亚洲人与动物交配视频| 亚洲精品一卡2卡三卡4卡5卡| 深夜精品福利| 精品日产1卡2卡| 在线观看免费视频日本深夜| 国内毛片毛片毛片毛片毛片| 日韩大尺度精品在线看网址| 久久亚洲精品不卡| 午夜免费激情av| 亚洲中文日韩欧美视频| 国产精品,欧美在线| 美女 人体艺术 gogo| 久久久久国产精品人妻aⅴ院| 国产精品免费一区二区三区在线| 欧美3d第一页| 99视频精品全部免费 在线| 精品久久久久久久久av| 一本精品99久久精品77| 色噜噜av男人的天堂激情| 在现免费观看毛片| 又黄又爽又免费观看的视频| a级毛片免费高清观看在线播放| 精品午夜福利视频在线观看一区| 999久久久精品免费观看国产| 极品教师在线免费播放| 精品久久久噜噜| 亚洲精品成人久久久久久| 国产精华一区二区三区| 免费看光身美女| 欧美精品国产亚洲| 国产久久久一区二区三区| ponron亚洲| 一个人观看的视频www高清免费观看| 国产伦精品一区二区三区四那| 午夜福利欧美成人| 国产真实乱freesex| 伊人久久精品亚洲午夜| 亚洲狠狠婷婷综合久久图片| 窝窝影院91人妻| 国产高清激情床上av| 欧美xxxx性猛交bbbb| 亚洲专区国产一区二区| 天美传媒精品一区二区| 18+在线观看网站| 国产伦精品一区二区三区视频9| 午夜激情福利司机影院| 亚洲最大成人中文| 国产私拍福利视频在线观看| 亚洲欧美精品综合久久99| 黄色一级大片看看| 深夜精品福利| 精品久久久久久久久久久久久| av天堂在线播放| 给我免费播放毛片高清在线观看| 在线国产一区二区在线| 精品国产三级普通话版| 成年免费大片在线观看| 午夜福利高清视频| 男人和女人高潮做爰伦理| 伦理电影大哥的女人| 男女边吃奶边做爰视频| 男女那种视频在线观看| 久久精品国产亚洲av香蕉五月| 国产精华一区二区三区| 网址你懂的国产日韩在线| 舔av片在线| 精品久久久噜噜| 成人国产麻豆网| 在线看三级毛片| 久久精品91蜜桃| 男女之事视频高清在线观看| 在线观看舔阴道视频| 国产成年人精品一区二区| 亚洲欧美激情综合另类| 老熟妇仑乱视频hdxx| 夜夜爽天天搞| 欧美精品啪啪一区二区三区| 国产精品精品国产色婷婷| 男女那种视频在线观看| 国产精品一及| 亚洲国产精品久久男人天堂| 日本色播在线视频| 熟女人妻精品中文字幕| 欧美激情国产日韩精品一区| av在线天堂中文字幕| 天堂网av新在线| 久久婷婷人人爽人人干人人爱| 99热6这里只有精品| 婷婷亚洲欧美| 精品免费久久久久久久清纯| 看黄色毛片网站| 88av欧美| 乱码一卡2卡4卡精品| 美女免费视频网站| 成人鲁丝片一二三区免费| 国产女主播在线喷水免费视频网站 | 日韩欧美三级三区| av黄色大香蕉| 黄片wwwwww| 精品一区二区三区视频在线| 免费观看在线日韩| 男人的好看免费观看在线视频| 国产探花极品一区二区| 国产精品女同一区二区软件 | 久久6这里有精品| 欧美高清成人免费视频www| 国产成年人精品一区二区| 亚洲国产精品久久男人天堂| eeuss影院久久| 欧美xxxx性猛交bbbb| 999久久久精品免费观看国产| 99久久无色码亚洲精品果冻| 欧美+日韩+精品| 国产亚洲91精品色在线| 日韩大尺度精品在线看网址| 国产高清视频在线观看网站| 久久精品国产亚洲av天美| 无遮挡黄片免费观看| 99在线视频只有这里精品首页| 麻豆成人av在线观看| 免费观看人在逋| 久久久久久久久中文| 国产高清视频在线观看网站| 九色国产91popny在线| 少妇被粗大猛烈的视频| 女的被弄到高潮叫床怎么办 | 国产成人aa在线观看| 搞女人的毛片| 亚洲av中文av极速乱 | 一本一本综合久久| 久久人妻av系列| 国产午夜福利久久久久久| 久久久久久大精品| 日本黄色片子视频| 少妇被粗大猛烈的视频| 欧美激情在线99| 国产亚洲欧美98| 老熟妇乱子伦视频在线观看| 成人国产麻豆网| 欧美成人a在线观看| 国产久久久一区二区三区| 色综合色国产| 午夜免费成人在线视频| 欧美性感艳星| 别揉我奶头 嗯啊视频| 亚洲国产高清在线一区二区三| 五月玫瑰六月丁香| a在线观看视频网站| 可以在线观看毛片的网站| 日韩精品青青久久久久久| 欧美日韩中文字幕国产精品一区二区三区| 好男人在线观看高清免费视频| a级一级毛片免费在线观看| 12—13女人毛片做爰片一| 国产私拍福利视频在线观看| 日本一二三区视频观看| 啦啦啦观看免费观看视频高清| av在线蜜桃| 有码 亚洲区| 精品无人区乱码1区二区| 成人永久免费在线观看视频| 在线观看一区二区三区| 男人的好看免费观看在线视频| 国产伦精品一区二区三区四那| 国产真实伦视频高清在线观看 | 久久人人精品亚洲av| 午夜激情欧美在线| 日韩人妻高清精品专区| 成人性生交大片免费视频hd| 国产高清视频在线播放一区| 熟女人妻精品中文字幕| 日韩一本色道免费dvd| 可以在线观看的亚洲视频| 免费在线观看影片大全网站| 最近在线观看免费完整版| 午夜福利在线观看免费完整高清在 | 日本色播在线视频| 午夜福利成人在线免费观看| 日韩精品有码人妻一区| 亚洲第一电影网av| 一进一出好大好爽视频| 午夜久久久久精精品| 香蕉av资源在线| 蜜桃久久精品国产亚洲av| 亚洲成人中文字幕在线播放| 内地一区二区视频在线| 久久久久久久久大av| 天堂影院成人在线观看| 99久久中文字幕三级久久日本| 中文字幕免费在线视频6| 国产真实伦视频高清在线观看 | 国产精品国产三级国产av玫瑰| 午夜久久久久精精品| 99久久中文字幕三级久久日本| 天堂影院成人在线观看| 精品午夜福利在线看| 人妻丰满熟妇av一区二区三区| 精品乱码久久久久久99久播| 欧美一级a爱片免费观看看| 波多野结衣高清作品| 黄色欧美视频在线观看| 成人特级av手机在线观看| 成人一区二区视频在线观看| 91久久精品国产一区二区三区| 中文字幕高清在线视频| 欧美一区二区亚洲| 又黄又爽又免费观看的视频| 国模一区二区三区四区视频| 国产亚洲精品久久久久久毛片| 性色avwww在线观看| 国产精品亚洲一级av第二区| 亚洲欧美清纯卡通| 12—13女人毛片做爰片一| 熟女人妻精品中文字幕| av中文乱码字幕在线| 美女 人体艺术 gogo| 精品人妻1区二区| 国产欧美日韩一区二区精品| 在线a可以看的网站| 91久久精品国产一区二区成人| 亚洲午夜理论影院| 精品久久久久久,| 一区二区三区四区激情视频 | 久久精品91蜜桃| 长腿黑丝高跟| 国产在视频线在精品| 成人av一区二区三区在线看| 国产一区二区三区在线臀色熟女| 国产v大片淫在线免费观看| 麻豆成人av在线观看| 欧美精品国产亚洲| 国产v大片淫在线免费观看| 成人特级黄色片久久久久久久| 国产一区二区在线av高清观看| 一级av片app| 熟女电影av网| 免费大片18禁| 在线播放国产精品三级| 亚洲第一区二区三区不卡| 俄罗斯特黄特色一大片| 又爽又黄无遮挡网站| 我的老师免费观看完整版| 中亚洲国语对白在线视频| 全区人妻精品视频| 欧美色视频一区免费| 男女啪啪激烈高潮av片| 成年免费大片在线观看| 国产高清激情床上av| 国产大屁股一区二区在线视频| 日韩欧美三级三区| 看片在线看免费视频| or卡值多少钱| 国产精品国产高清国产av| 久久久久国内视频| 亚洲一区二区三区色噜噜| 美女 人体艺术 gogo| 国产一区二区三区av在线 | 夜夜夜夜夜久久久久| av国产免费在线观看| 久久精品国产亚洲av天美| 深夜精品福利| 18+在线观看网站| 校园人妻丝袜中文字幕| 婷婷精品国产亚洲av| 俺也久久电影网| 国产爱豆传媒在线观看| 国产精品伦人一区二区| 香蕉av资源在线| 联通29元200g的流量卡| 偷拍熟女少妇极品色| 少妇高潮的动态图| 成年人黄色毛片网站| 波多野结衣高清无吗| 老司机午夜福利在线观看视频| 国产免费av片在线观看野外av| 成年女人永久免费观看视频| 免费在线观看日本一区| 噜噜噜噜噜久久久久久91| 欧美激情国产日韩精品一区| 亚洲aⅴ乱码一区二区在线播放| 国产精品国产高清国产av| 欧美成人性av电影在线观看| .国产精品久久| 国产成人影院久久av| 国产午夜福利久久久久久| 国产真实乱freesex| 又粗又爽又猛毛片免费看| 狂野欧美白嫩少妇大欣赏| 1000部很黄的大片| 欧美xxxx性猛交bbbb| 国产av在哪里看| 色视频www国产| 欧美日韩精品成人综合77777| 欧美成人免费av一区二区三区| 一区福利在线观看| 日韩欧美国产在线观看| 变态另类丝袜制服| 亚洲,欧美,日韩| 狠狠狠狠99中文字幕| 久久精品91蜜桃| 真人一进一出gif抽搐免费| 免费在线观看影片大全网站| 非洲黑人性xxxx精品又粗又长| 亚洲精品在线观看二区| 国产日本99.免费观看| 亚洲精品日韩av片在线观看| 亚洲不卡免费看| www.色视频.com| 国产色爽女视频免费观看| 99在线人妻在线中文字幕| 黄色欧美视频在线观看| 中文字幕熟女人妻在线| 不卡视频在线观看欧美| 欧美zozozo另类| 在线天堂最新版资源| 亚洲国产色片| 久久久午夜欧美精品| 干丝袜人妻中文字幕| 日本五十路高清| 精品一区二区三区视频在线| 久久亚洲真实| 国产 一区 欧美 日韩| 国产午夜精品久久久久久一区二区三区 | 久久99热6这里只有精品| 精品人妻偷拍中文字幕| 亚洲欧美日韩高清专用| 三级男女做爰猛烈吃奶摸视频| 丝袜美腿在线中文| 欧美+日韩+精品| 舔av片在线| 精品久久久久久久人妻蜜臀av| 亚洲av免费在线观看| 观看免费一级毛片| 99久久精品热视频| 精品99又大又爽又粗少妇毛片 | 亚洲四区av| 老熟妇乱子伦视频在线观看| a级毛片免费高清观看在线播放| 真实男女啪啪啪动态图| 精品人妻视频免费看| 久9热在线精品视频| 国语自产精品视频在线第100页| 最近视频中文字幕2019在线8| 国产色婷婷99| 草草在线视频免费看| 91精品国产九色| 国产男靠女视频免费网站| 国产真实乱freesex| 成人特级黄色片久久久久久久| 99国产精品一区二区蜜桃av| 国产精品99久久久久久久久| 成人特级av手机在线观看| 美女被艹到高潮喷水动态| 国产男人的电影天堂91| 天堂影院成人在线观看| 九九久久精品国产亚洲av麻豆| 久久99热6这里只有精品| 成人国产一区最新在线观看| 能在线免费观看的黄片| 日韩欧美 国产精品| 国产亚洲精品久久久com| av在线蜜桃| 麻豆国产av国片精品| 我的老师免费观看完整版| 国产视频内射| 在线观看一区二区三区| 中文字幕久久专区| 91在线精品国自产拍蜜月| 国产亚洲精品久久久久久毛片| 精品无人区乱码1区二区| 日本 av在线| 国产成人a区在线观看| 国国产精品蜜臀av免费| 黄色配什么色好看| 亚洲av免费高清在线观看| 午夜影院日韩av| 在线播放国产精品三级| 国产精品日韩av在线免费观看| 一个人看视频在线观看www免费| 国产精华一区二区三区| 久久国产乱子免费精品| 国产av麻豆久久久久久久| 欧美成人a在线观看| 神马国产精品三级电影在线观看| 国产大屁股一区二区在线视频| 免费大片18禁| 亚洲成人久久性| 一卡2卡三卡四卡精品乱码亚洲| 国产成人福利小说| 三级男女做爰猛烈吃奶摸视频| 日本撒尿小便嘘嘘汇集6| 丰满人妻一区二区三区视频av| 国产探花极品一区二区| 国产人妻一区二区三区在| 国产免费av片在线观看野外av| 韩国av一区二区三区四区| 国产亚洲av嫩草精品影院| 国产不卡一卡二| 可以在线观看毛片的网站| 欧美成人一区二区免费高清观看| 国产精品福利在线免费观看| 欧美一级a爱片免费观看看| 色播亚洲综合网| 亚洲精品在线观看二区| 最近最新中文字幕大全电影3| 狠狠狠狠99中文字幕| 国产三级中文精品| 老女人水多毛片| 一夜夜www| 成人国产一区最新在线观看| 中文字幕人妻熟人妻熟丝袜美| 亚洲av第一区精品v没综合| 22中文网久久字幕| 国产aⅴ精品一区二区三区波| 狂野欧美激情性xxxx在线观看| 午夜福利在线观看免费完整高清在 | 日本免费a在线| 91久久精品电影网| 中文字幕人妻熟人妻熟丝袜美| 国产黄色小视频在线观看| 国产成人一区二区在线| 在线观看午夜福利视频| 99视频精品全部免费 在线| 午夜福利18| 人妻久久中文字幕网| 国产精品久久久久久精品电影| 尤物成人国产欧美一区二区三区| 国产精品一及| 赤兔流量卡办理| 色播亚洲综合网|