• <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 ?

    復(fù)雜場(chǎng)景下多尺度船舶實(shí)時(shí)檢測(cè)方法

    2022-11-07 08:47:22周薇娜劉露
    電信科學(xué) 2022年10期
    關(guān)鍵詞:船舶特征融合

    周薇娜,劉露

    研究與開(kāi)發(fā)

    復(fù)雜場(chǎng)景下多尺度船舶實(shí)時(shí)檢測(cè)方法

    周薇娜,劉露

    (上海海事大學(xué)信息與工程學(xué)院,上海 201306)

    船舶檢測(cè)在軍事偵察、海上目標(biāo)跟蹤、海上交通管制等任務(wù)中發(fā)揮著重要作用。然而,受船舶外形尺度多變和復(fù)雜海面背景的影響,在復(fù)雜海面上檢測(cè)多尺度船舶仍然是一個(gè)挑戰(zhàn)。針對(duì)此難題,提出了一種基于多層信息交互融合和注意力機(jī)制的YOLOv4改進(jìn)方法。該方法主要通過(guò)多層信息交互融合(multi-layer information interactive fusion,MLIF)模塊和多注意感受野(multi-attention receptive field,MARF)模塊構(gòu)建一個(gè)雙向細(xì)粒度特征金字塔。其中,MLIF模塊用于融合不同尺度的特征,不僅能將深層的高級(jí)語(yǔ)義特征串聯(lián)在一起,而且將較淺層的豐富特征進(jìn)行重塑;MARF由感受野模塊(receptive field block,RFB)與注意力機(jī)制模塊組成,能有效地強(qiáng)調(diào)重要特征并抑制冗余特征。此外,為了進(jìn)一步評(píng)估提出方法的性能,在新加坡海事數(shù)據(jù)集(Singapore maritime dataset,SMD)上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,所提方法能有效地解決復(fù)雜海洋環(huán)境下多尺度船舶檢測(cè)的難題,且同時(shí)滿足了實(shí)時(shí)需求。

    多尺度船舶檢測(cè);多層信息交互融合;多注意感受野;雙向細(xì)粒度特征金字塔

    0 引言

    海洋環(huán)境中的視覺(jué)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究課題之一。準(zhǔn)確、快速的多尺度船舶檢測(cè)方法不僅能為碼頭管理、港口監(jiān)控和安全航行提供非常重要的信息,而且對(duì)走私船舶的檢測(cè)和海上救援也起著重要的作用。

    傳統(tǒng)的船舶檢測(cè)算法大多基于船舶結(jié)構(gòu)和形狀進(jìn)行手動(dòng)特征設(shè)計(jì)。雖然這些算法[1-3]取得了一些好的結(jié)果,但即使使用當(dāng)時(shí)最好的非線性分類器對(duì)這些手動(dòng)設(shè)計(jì)的特征進(jìn)行分類,其檢測(cè)精度仍不能滿足實(shí)際需要[4]。

    近年來(lái),隨著深度學(xué)習(xí)技術(shù)的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在目標(biāo)檢測(cè)方面取得了越來(lái)越顯著的性能。目前,基于CNN的目標(biāo)檢測(cè)算法可分為兩類。

    (1)基于區(qū)域推薦的算法,形成了以Faster R-CNN[5-7]為代表的兩階段算法。該類算法由于具有較高的檢測(cè)精度,在多尺度船舶檢測(cè)中得到了廣泛的應(yīng)用,但檢測(cè)速度不足以滿足實(shí)時(shí)檢測(cè)的要求。

    (2)基于回歸的算法,形成了以YOLO[8-10]和SSD[11]為代表的單階段算法。該類算法將檢測(cè)問(wèn)題轉(zhuǎn)化為回歸問(wèn)題,大大提高了檢測(cè)速度,在實(shí)時(shí)船舶檢測(cè)中具有突出的優(yōu)勢(shì)。

    目前應(yīng)用于海上船舶檢測(cè)算法大多基于合成孔徑雷達(dá)(synthetic aperture radar,SAR)遙感圖像,但隨著SAR成像速度不斷地提高,算法能夠?qū)崟r(shí)快速地檢測(cè)顯得尤為重要。如張佳欣等[12]提出了一種基于改進(jìn)YOLOv3的SAR圖像船舶檢測(cè)方法,通過(guò)改進(jìn)算法的檢測(cè)策略提升了算法對(duì)復(fù)雜場(chǎng)景下不同船舶目標(biāo)的適應(yīng)性。Peng等[13]提出了一種由多個(gè)上采樣注意單元組成的密集注意方法,該方法采用上采樣空間和上采樣通道注意機(jī)制,通過(guò)空間上下文信息捕獲目標(biāo)的變化特征。張?bào)汴系萚14]提出精簡(jiǎn)網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)驅(qū)動(dòng)的目標(biāo)分布聚類算法,結(jié)合雙向高低層特征融合機(jī)制,減少了訓(xùn)練和測(cè)試時(shí)間,但檢測(cè)精度較低,同時(shí)模型復(fù)雜度較高。然而,由于衛(wèi)星獲取的SAR遙感圖像中,場(chǎng)景種類比較單一,獲取的船舶特征穩(wěn)定性不足。

    為了克服這個(gè)問(wèn)題,研究者們提出了其他新的多尺度船舶檢測(cè)方法[15-17]。Shao等[15]構(gòu)建了一個(gè)新的大型船舶數(shù)據(jù)集,其中包含6種常見(jiàn)的船舶類型,用于訓(xùn)練和評(píng)估船舶目標(biāo)檢測(cè)算法。Guo等[16]提出了一種新的基于海面無(wú)人水面車輛(unmanned surface vessel,USV)圖像的目標(biāo)檢測(cè)算法,主要通過(guò)融合DenseNet和YOLOv3網(wǎng)絡(luò)來(lái)實(shí)時(shí)檢測(cè)真實(shí)海洋環(huán)境中的多尺度船舶。該方法在一定程度上能夠提高檢測(cè)的穩(wěn)定性,以減少特征損失。Shao等[17]首次提出利用陸地監(jiān)控?cái)z像機(jī)網(wǎng)絡(luò)捕獲的視覺(jué)圖像來(lái)進(jìn)行實(shí)時(shí)船舶檢測(cè),并設(shè)計(jì)了一個(gè)重要的感知CNN框架來(lái)預(yù)測(cè)船舶的類別與位置。

    然而,這些方法應(yīng)用在真實(shí)海面環(huán)境下多尺度船舶檢測(cè)時(shí)仍然存在一些難題,尤其當(dāng)圖像中背景信息復(fù)雜、包含大量不同尺度船舶、復(fù)雜環(huán)境中的尾流等噪聲類似于小尺度船舶等。所有這些情況都會(huì)對(duì)多尺度船舶的準(zhǔn)確檢測(cè)造成很大的干擾。因此,增強(qiáng)上下文語(yǔ)義信息,并突出船舶的顯著特征,對(duì)于提高多尺度船舶的檢測(cè)性能至關(guān)重要。

    為了能同時(shí)兼顧檢測(cè)精度和速度,本文提出了一種基于多層信息交互融合和注意力機(jī)制的網(wǎng)絡(luò)結(jié)構(gòu)。首先,采用CSPDarkNet53[18]作為主干網(wǎng)絡(luò)進(jìn)行特征提取;然后,在主干網(wǎng)絡(luò)之后,采用改進(jìn)的細(xì)粒度特征金字塔結(jié)構(gòu)。特征金字塔主要包含兩個(gè)關(guān)鍵模塊,即多層信息交互融合(multi-layer information interactive fusion,MLIF)模塊和多注意感受野(multi-attention receptive field,MARF)模塊。MLIF模塊分別通過(guò)級(jí)聯(lián)和重塑操作將較深層和較淺層的特征融合到當(dāng)前層,它可以充分增強(qiáng)上下文語(yǔ)義特征。MARF模塊合理地結(jié)合了感受野模塊(receptive field block,RFB)[19]、空間注意(spatial attention,SA)模塊和通道注意(channel attention,CA)模塊[20]。其中,RFB旨在進(jìn)一步擴(kuò)展不同區(qū)域的感受野,獲得更多的語(yǔ)義特征。SA和CA模塊用于突出船舶的重要特征,可有效抑制周圍環(huán)境的干擾,例如船舶的波浪和尾跡。最后,在特征金字塔的不同尺度特征上使用YOLOv4檢測(cè)模塊生成最終的檢測(cè)結(jié)果。該模塊沿用了YOLOv3檢測(cè)模塊,因此在文中用YOLOv3-Head表示。此外,為了評(píng)估本文所提方法的性能,本文在新加坡海事數(shù)據(jù)集(Singapore maritime dataset,SMD)上進(jìn)行實(shí)驗(yàn),SMD是視覺(jué)船舶檢測(cè)的代表數(shù)據(jù)集之一。檢測(cè)結(jié)果表明,與現(xiàn)有的Faster-RCNN、SSD、YOLOv3、YOLOv4[21]、RetinaNet[22]、YOLOx[23]和CenterNet[24]方法相比,所提方法對(duì)于復(fù)雜背景下的多尺度船舶檢測(cè)更為有效。本文的主要貢獻(xiàn)總結(jié)如下。

    (1)提出充分利用注意力機(jī)制,并結(jié)合網(wǎng)絡(luò)中多層次信息的交互融合方法解決復(fù)雜環(huán)境下多尺度船舶的同步檢測(cè)問(wèn)題。

    (2)合理結(jié)合MLIF和MARF模塊,引入細(xì)粒度特征金字塔方法以細(xì)化不同尺度特征圖的語(yǔ)義信息,增強(qiáng)非局部特征之間的關(guān)系。

    (3)構(gòu)建了以SMD中多個(gè)船舶類別為基礎(chǔ)的沿海、近海鄰域背景的船舶數(shù)據(jù)集,并通過(guò)多角度實(shí)驗(yàn)比較,論證了所提方法的有效性和先進(jìn)性。

    1 算法原理

    1.1 YOLOv4

    目標(biāo)檢測(cè)網(wǎng)絡(luò)通常使用一個(gè)非常深的主干網(wǎng)絡(luò)沿自底向上的路徑進(jìn)行特征提取,但檢測(cè)小尺度物體時(shí),深的網(wǎng)絡(luò)會(huì)造成物體語(yǔ)義信息或者位置信息的丟失。因此,一些檢測(cè)方法通過(guò)設(shè)計(jì)一個(gè)性能良好的特征金字塔結(jié)構(gòu)來(lái)提高多尺度物體檢測(cè)的準(zhǔn)確率,如YOLOv4和RetinaNet。與之前的YOLO系列網(wǎng)絡(luò)框架相比,YOLOv4主干網(wǎng)絡(luò)采用的CSPDarkNet53是DarkNet53的改進(jìn)版本。YOLOv4的特征金字塔部分是由特征金字塔網(wǎng)絡(luò)(feature pyramid network,F(xiàn)PN)[25]和路徑聚合網(wǎng)絡(luò)(path aggregation network,PAN)[26]通過(guò)自頂向下路徑將高級(jí)特征融合到低級(jí)特征來(lái)生成的。所采用的多尺度特征融合主要通過(guò)將13×13、26×26、52×52 共3種不同尺寸的特征圖構(gòu)建特征金字塔,分別用于檢測(cè)大、中、小目標(biāo)。這種多尺度預(yù)測(cè)使得YOLOv4對(duì)弱目標(biāo)更加敏感,顯著提高了其檢測(cè)能力。YOLOv4的檢測(cè)模塊仍沿用YOLOv3的檢測(cè)模塊,但在損失函數(shù)部分進(jìn)行了改進(jìn)[27]。所采用的損失函數(shù)具體如下。

    1.2 改進(jìn)方法的網(wǎng)絡(luò)結(jié)構(gòu)

    YOLOv4的特征金字塔結(jié)構(gòu)主要是通過(guò)融合不同特征層來(lái)增強(qiáng)網(wǎng)絡(luò)中上下文語(yǔ)義特征,但這些來(lái)自不同特征映射的特征仍然不平衡。具體來(lái)說(shuō),高級(jí)特征層中包含豐富的語(yǔ)義信息,但缺乏準(zhǔn)確的位置信息。而低級(jí)特征層中包含豐富的位置信息,但語(yǔ)義信息較少。尤其是在復(fù)雜的海洋環(huán)境中,不僅包含了不同尺度的船舶,而且周圍環(huán)境也非常復(fù)雜,這就使得YOLOv4的檢測(cè)效果不理想。此外,隨著檢測(cè)網(wǎng)絡(luò)層數(shù)加深,小尺度的船舶特征就會(huì)消失,那么沿自上而下路徑融合船舶特征是不可能的。因此,為了增強(qiáng)上下文語(yǔ)義特征,突出船舶的重要特征,建立一個(gè)細(xì)粒度特征金字塔是非常有必要的。本文方法的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,可以看出,本文所提方法主要通過(guò)融合MLIF和MARF模塊構(gòu)造一個(gè)雙向融合的細(xì)粒度特征金字塔。該特征金字塔結(jié)構(gòu)主要包括空間金字塔池化(spatial pyramid pooling,SPP)模塊[28]、特征提?。╢eature extraction,F(xiàn)E)[29]模塊、MLIF模塊和MARF模塊。

    圖1 本文方法的網(wǎng)絡(luò)結(jié)構(gòu)

    1.3 SPP和FE模塊

    YOLOv4的主干特征提取網(wǎng)絡(luò)的最深層特征會(huì)經(jīng)過(guò)SPP模塊進(jìn)行特征提取并擴(kuò)大感受野,然后經(jīng)過(guò)FE模塊進(jìn)一步深層次地提取特征。SPP和FE模塊的具體結(jié)構(gòu)如圖2所示。SPP模塊由1個(gè)瓶頸層、3個(gè)內(nèi)核大小為(5×5)、(9×9)和(13×13)的最大池化層以及1個(gè)級(jí)聯(lián)操作組成。它能夠顯著地增加感受野,分離得到最重要的上下文特征,幾乎不會(huì)降低網(wǎng)絡(luò)運(yùn)行速度。FE模塊主要由兩個(gè)瓶頸層和兩個(gè)卷積層組成,其中瓶頸層用于減少特征通道的數(shù)量,卷積層用于提取特征。FE模塊主要用于生成更多上下文和語(yǔ)義特征。

    圖2 SPP和FE模塊的具體結(jié)構(gòu)

    1.4 MLIF模塊

    Cao等[30]提出,當(dāng)主干網(wǎng)絡(luò)非常深時(shí),可以通過(guò)融合更大規(guī)模的特征層來(lái)擴(kuò)展小型船舶的語(yǔ)義信息。此外,低級(jí)特征中包含豐富的位置信息有利于物體的定位。因此,本文將主干網(wǎng)絡(luò)中的4層不同尺度的特征層融入MLIF模塊,從而將深層特征的語(yǔ)義信息與淺層特征的邊緣特征信息結(jié)合起來(lái)。這種操作可以使算法感知更多的小尺寸船舶的特征,有利于海洋環(huán)境中多尺度船舶的檢測(cè)。

    (9)

    1.5 MARF模塊

    圖4 MARF模塊的結(jié)構(gòu)和參數(shù)

    其中,RFB主要通過(guò)1×1或3×3卷積運(yùn)算減少通道數(shù),進(jìn)而減少網(wǎng)絡(luò)的計(jì)算量。然后采用膨脹卷積并行捕獲多尺度船舶的上下文語(yǔ)義信息。此外,RFB有較大的感受野和較小的網(wǎng)絡(luò)參數(shù)。RFB主要由3個(gè)卷積分支和1個(gè)級(jí)聯(lián)操作組成。每個(gè)分支包含3個(gè)卷積層,最后一層是膨脹率分別為1、3、5的膨脹卷積,用于捕獲全局特征。由于大膨脹率卷積可以獲得船舶的非局部特征,如輪廓、邊緣等,因此適合于多尺度船舶的檢測(cè)。通過(guò)級(jí)聯(lián)操作,在相同的特征映射上增強(qiáng)船舶的局部特征及其全局依賴性。最終的輸出特征在校正線性單元函數(shù)后獲得,用于改善RFB的非線性。具體可由以下計(jì)算式表示。

    在通道注意力模塊中,經(jīng)過(guò)RFB的特征圖譜首先沿著其寬度和高度平行采用最大池化層和平均池化層;然后,使用共享多層感知器沿特征圖譜的通道維度輸出權(quán)重;接著,將共享MLP應(yīng)用于每個(gè)描述符之后,使用元素求和來(lái)合并輸出特征向量;最后經(jīng)過(guò)ReLU激活函數(shù)生成通道注意特征圖譜。在空間注意力模塊中,淺層特征首先沿著其通道軸應(yīng)用最大池化和平均池化操作,并將它們連接起來(lái),以生成有效的特征圖譜;然后在級(jí)聯(lián)的特征圖譜上應(yīng)用卷積層進(jìn)行進(jìn)一步特征提?。蛔詈笸瑯咏?jīng)過(guò)ReLU激活函數(shù)生成空間注意特征圖譜。經(jīng)過(guò)CA和SA模塊生成的特征都經(jīng)過(guò)與當(dāng)前特征進(jìn)行相乘后,淺層特征再經(jīng)過(guò)下采樣與通道注意特征進(jìn)行元素求和合并輸出最終的特征向量。通道注意特征和空間注意特征的計(jì)算式如下。

    2 實(shí)驗(yàn)結(jié)果分析

    2.1 數(shù)據(jù)集

    本文數(shù)據(jù)集中的圖像主要來(lái)自新加坡海事數(shù)據(jù)集(Singapore maritime dataset,SMD)。SMD提供由分別固定在岸上和船上的佳能70D相機(jī)拍攝的新加坡水域周圍的高清格式(1 080×1 920像素)的可見(jiàn)光(visual-optical,VIS)和近紅外(near infrared,NIR)視頻。它包含81個(gè)視頻文件,包括9個(gè)不同類別的240 842個(gè)目標(biāo)標(biāo)簽。SMD中的圖像包含大量不同的船舶,如浮標(biāo)、快艇、皮劃艇和輪船,且這些船舶在圖中的尺度變化較大。這對(duì)于檢測(cè)算法來(lái)說(shuō)是非常具有挑戰(zhàn)性的。本文將SMD隨機(jī)分為3個(gè)部分,即訓(xùn)練集、驗(yàn)證集和測(cè)試集,其比例為7:1:2,并從SMD中提取4 470張圖像作為訓(xùn)練集,635張圖像作為驗(yàn)證集,1 245張圖像作為測(cè)試集。SMD的部分樣本和標(biāo)簽如圖5所示。

    圖5 SMD的部分樣本和標(biāo)簽

    2.2 評(píng)估指標(biāo)

    本文采用的算法評(píng)估指標(biāo)為:準(zhǔn)確率(precision,P)、召回率(recall,R)、平均準(zhǔn)確率(average precision,AP)與 F分?jǐn)?shù)(F1)。精度均值(mean average precision,mAP)是多個(gè)類別的AP的平均值,用來(lái)衡量模型在所有類別上訓(xùn)練效果的好壞。F1是一個(gè)綜合指標(biāo),用于結(jié)合準(zhǔn)確率和召回率來(lái)判斷不同網(wǎng)絡(luò)的性能。此外,為了評(píng)估目標(biāo)檢測(cè)網(wǎng)絡(luò)的檢測(cè)速度,本文使用每秒傳輸幀數(shù)(frames per second,F(xiàn)PS)作為網(wǎng)絡(luò)檢測(cè)速度評(píng)估標(biāo)準(zhǔn),其計(jì)算式如下。

    2.3 參數(shù)設(shè)置

    本實(shí)驗(yàn)使用的配備是Intel i5-8 400HQ(2.5 GHz)CPU和Nvidia GeForce GTX 1 070 GPU,均采用Python語(yǔ)言編寫(xiě),且均使用PyTorch平臺(tái)。在網(wǎng)絡(luò)訓(xùn)練中,采用初始學(xué)習(xí)率為0.01的多項(xiàng)式衰減學(xué)習(xí)率調(diào)度策略,動(dòng)量為0.9的標(biāo)準(zhǔn)Adam優(yōu)化器,同時(shí)標(biāo)簽平滑設(shè)置為0.01。每批次輸入網(wǎng)絡(luò)的圖像個(gè)數(shù)則根據(jù)網(wǎng)絡(luò)框架的深度和GPU內(nèi)存限制設(shè)置為16,并設(shè)置分割系數(shù)為16,讓網(wǎng)絡(luò)能夠最大限度地提高GPU的內(nèi)存利用率,同時(shí)實(shí)現(xiàn)網(wǎng)絡(luò)的快速訓(xùn)練。此外,通過(guò)采用提前停止的策略,使網(wǎng)絡(luò)能夠在100個(gè)Epoch內(nèi)終止訓(xùn)練過(guò)程,從而加快網(wǎng)絡(luò)的訓(xùn)練速度。

    2.4 消融實(shí)驗(yàn)

    本文通過(guò)提出雙向“細(xì)粒度”融合特征金字塔模塊對(duì)多尺度船舶進(jìn)行了更為精確的檢測(cè),其中MLIF和MARF模塊的改進(jìn)正是細(xì)粒度融合特征金字塔模塊的主要部分。因此,為了評(píng)估本文算法對(duì)SMD圖像中多尺度船舶檢測(cè)的有效性,以CSPDarkNet53主干特征網(wǎng)絡(luò)為基礎(chǔ),在SMD數(shù)據(jù)集上進(jìn)行MLIF和MARF模塊的消融實(shí)驗(yàn),定量分析了兩個(gè)模塊的檢測(cè)性能,具體見(jiàn)表1。

    表1 不同模塊精度對(duì)比

    表1顯示了船舶檢測(cè)網(wǎng)絡(luò)應(yīng)用各個(gè)模塊的檢測(cè)結(jié)果,從表1可以看出,在FPS基本一致的情況下,MLIF-PAN的mAP值比FPN-PAN (YOLOv4)高4.8%,說(shuō)明MLIF模塊能夠提高網(wǎng)絡(luò)的檢測(cè)能力。FPN-RFB的mAP值比FPN-PAN提高了3.6%,MLIF-RFB的mAP值比MLIF-PAN提高了3.7%。這是因?yàn)樵趶?fù)雜環(huán)境中RFB模塊可以通過(guò)增強(qiáng)局部特征及其全局依賴性,如波浪、相機(jī)抖動(dòng)等,獲取豐富的語(yǔ)義信息進(jìn)一步準(zhǔn)確地檢測(cè)多尺度船舶。在另一方面,僅采用SA和CA模塊來(lái)進(jìn)行特征融合時(shí),F(xiàn)PN-SA、CA和MLIF-SA、CA的mAP值會(huì)有所降低,這主要是由于該種方法缺乏RFB模塊來(lái)擴(kuò)大船舶感受野。此外,MLIF-MARF的mAP值比MLIF-RFB高,F(xiàn)PN-MARF的mAP值比FPN-RFB高。這主要是因?yàn)樽⒁饬C(jī)制有效抑制了來(lái)自RFB的冗余特征,網(wǎng)絡(luò)可以更加突出船舶的顯著特征并對(duì)其進(jìn)行區(qū)分,證明了MARF模塊在提高多尺度船舶檢測(cè)精度方面具有泛化能力。

    為了進(jìn)一步驗(yàn)證所提方法對(duì)多尺度船舶的檢測(cè)能力,本文分別比較了FPN-PAN、MLIF-PAN和本文方法(MLIF-MARF)在檢測(cè)不同尺寸船舶方面的性能。不同模塊對(duì)多尺度船舶檢測(cè)精度對(duì)比見(jiàn)表2,可見(jiàn)本文方法mAP指標(biāo)均優(yōu)于FPN-PAN(YOLOv4),在檢測(cè)小尺寸船舶方面,比FPN-PAN提升高達(dá)40.9%的準(zhǔn)確率。這主要是因?yàn)楸疚姆椒軌蛴行У卦鰪?qiáng)非局部特征之間的關(guān)系,充分整合不同特征圖上的語(yǔ)義信息。

    表2 不同模塊對(duì)多尺度船舶檢測(cè)精度對(duì)比

    圖6比較了FPN-PAN、MLIF-PAN和本文方法的直觀檢測(cè)效果。從SMD中選擇了3組不同場(chǎng)景下的船舶圖像,在船上拍攝的畫(huà)面,船舶比例小、排列稀疏的可見(jiàn)光圖片如圖6(a)所示;在岸上拍攝的船舶比較密集,且包含大量不同尺度的船舶可見(jiàn)光圖片如圖6(b)所示;光線比較昏暗的近紅外光船舶圖片如圖6(c)所示。根據(jù)3組不同場(chǎng)景的檢測(cè)結(jié)果,以及和真值(ground truth)圖的對(duì)比,本文可以得出如下結(jié)論。

    圖6 FPN-PAN、MLIF-PAN與本文算法(MLIF-MARF)在不同環(huán)境下的結(jié)果對(duì)比

    (1)MLIF和MARF兩個(gè)模塊能夠有效地提高網(wǎng)絡(luò)對(duì)周圍環(huán)境和船舶的檢測(cè)性能。因?yàn)樵趫D6中,3組場(chǎng)景下本文算法(MLIF-MARF)的檢測(cè)結(jié)果均不存在誤報(bào),而MLIF-PAN和FPN-PAN的檢測(cè)結(jié)果都會(huì)出現(xiàn)漏檢的情況。

    (2)MARF模塊能夠增強(qiáng)具有全局依賴性的局部特征,并且進(jìn)一步細(xì)化小尺度物體的顯著特征。這點(diǎn)可由圖6(b)和圖6(c)中看出,本文算法(MLIF-MARF)能夠準(zhǔn)確檢測(cè)虛線圓圈框中的小物體,而FPN-PAN、MLIF-PAN結(jié)構(gòu)卻不能。

    此外,為了驗(yàn)證算法對(duì)背景特征的抑制作用,各個(gè)模塊特征激活圖如圖7所示,分別顯示了FPN-PAN、MLIF-PAN和本文算法(MLIF-MARF)3種方法在不同環(huán)境下的特征激活圖。從圖7中可以清晰看出YOLOv4(FPN-PAN))算法受背景干擾,檢測(cè)存在很多漏檢和誤檢現(xiàn)象;MLIF-PAN算法雖然使得船舶檢測(cè)率有所提升,但周邊的環(huán)境對(duì)算法仍然造成了很大的影響。而本文方法(MLIF-MARF)在增加了注意力機(jī)制模塊之后,對(duì)周邊環(huán)境的冗余特征抑制作用較大,能夠準(zhǔn)確地識(shí)別船舶特征并將周邊環(huán)境對(duì)它的影響降到最低。

    2.5 對(duì)比最先進(jìn)的技術(shù)

    為了進(jìn)一步驗(yàn)證本文算法在檢測(cè)多尺度船舶方面的性能,將本文所提算法與7種具有代表性的目標(biāo)檢測(cè)方法Faster-RCNN、SSD、RetinaNet、CenterNet、YOLOx、YOLOv3和YOLOv4進(jìn)行對(duì)比實(shí)驗(yàn),這里均采用相同的數(shù)據(jù)劃分和優(yōu)化參數(shù)方法進(jìn)行訓(xùn)練,與其他目標(biāo)檢測(cè)方法的對(duì)比實(shí)驗(yàn)結(jié)果見(jiàn)表3。

    圖7 FPN-PAN、MLIF-PAN與本文算法(MLIF-MARF)在不同環(huán)境下的特征激活圖

    表3 與其他目標(biāo)檢測(cè)方法的對(duì)比實(shí)驗(yàn)結(jié)果

    由表3可以看出,兩階段算法Faster-RCNN的準(zhǔn)確率要高于一階段的算法,這是因?yàn)閮呻A段算法比一階段算法更注重準(zhǔn)確性,但其檢測(cè)速度很慢、達(dá)不到實(shí)時(shí)檢測(cè)效果。相比于其他一階段的檢測(cè)算法,本文提出的檢測(cè)算法在檢測(cè)精度方面表現(xiàn)最好,遠(yuǎn)高于YOLOv4算法,主要是因?yàn)閅OLOv4通過(guò)融合3層特征圖來(lái)獲取船舶的細(xì)粒度特征信息,這使其不能夠充分地提取小尺度的船舶語(yǔ)義信息。此外,RetinaNet的mAP值相比于其他算法也是比較高的,這主要是因?yàn)樵撍惴ㄍ瑯泳哂幸粋€(gè)融合多層特征信息的金字塔結(jié)構(gòu),但該算法的船舶檢測(cè)速度要低于本文所提算法。另一方面,從F1角度來(lái)看,本文所提算法比其他算法提高了34.1%,進(jìn)一步證明本文算法的綜合性能較好。最后,根據(jù)表3最后一列所示的FPS值可見(jiàn),本文所提算法的FPS比Faster-RCNN快得多。其中YOLOx的運(yùn)行速度比其他方法快,這可能是因?yàn)樗诠歉删W(wǎng)絡(luò)中采用了深度可分離卷積,且屬于無(wú)錨框算法。但本文所提算法仍能滿足實(shí)時(shí)性要求。

    圖8中展現(xiàn)了5種檢測(cè)算法在SMD上的檢測(cè)結(jié)果。圖8(a)為相機(jī)固定在船舶上采集的,這類圖片的主要特點(diǎn)是包含較少的船舶且占據(jù)整張圖片的比例較小,這會(huì)嚴(yán)重干擾每種算法的準(zhǔn)確率。從圖8(a)可以看出,本文的算法準(zhǔn)確地檢測(cè)到所有船舶目標(biāo),而對(duì)于SSD則沒(méi)有檢測(cè)出船舶A。圖8(b)中每張圖片都包含了許多不同尺寸的船舶目標(biāo)且它們都密集分布。從圖8(b)可以看出,SSD、Faster-RCNN、YOLOv4和CenterNet都存在漏檢(飛機(jī)B或小船C)。而對(duì)于本文的算法由于采用了細(xì)粒度特征金字塔結(jié)構(gòu),因此可以準(zhǔn)確地檢測(cè)到每種船舶目標(biāo)。圖8(c)中的船舶圖片則主要來(lái)自近紅外視頻,這類圖片的整體畫(huà)面光線比較昏暗。從圖8(c)可以看出,在YOLOv4、SSD和CenterNet的檢測(cè)結(jié)果中,一些檢測(cè)目標(biāo)或多或少地被漏檢了(飛機(jī)D、船舶E、船舶F和船舶G)。而本文算法同樣能夠準(zhǔn)確檢測(cè)到各種船舶目標(biāo)。以上3種場(chǎng)景的船舶檢測(cè)結(jié)果充分證明了本文所提算法能夠通過(guò)細(xì)粒度特征金字塔模塊,增加網(wǎng)絡(luò)自下向上的信息融合路徑,提供更準(zhǔn)確的網(wǎng)絡(luò)低層特征細(xì)節(jié)信息,從而進(jìn)一步提高多尺度船舶的檢測(cè)準(zhǔn)確率。

    圖8 不同算法檢測(cè)結(jié)果對(duì)比

    3 結(jié)束語(yǔ)

    為解決多尺度船舶檢測(cè)難的問(wèn)題,本文提出了一種基于YOLOv4的高效多層注意力接收融合網(wǎng)絡(luò)方法。該方法主要在特征金字塔部分融合了MLIF和MARF模塊,使網(wǎng)絡(luò)能夠在多尺度上融合特征,充分增強(qiáng)上下文語(yǔ)義特征,擴(kuò)展感知范圍,提高了多尺度艦船的檢測(cè)精度。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的方法在復(fù)雜的海洋環(huán)境下對(duì)多尺度船舶具有良好的檢測(cè)效果,與YOLOv4相比,檢測(cè)的準(zhǔn)確度有大幅提升。

    [1] HUANG J, JIANG Z G, ZHANG H P, et al. Region proposal for ship detection based on structured forests edge method[C]// Proceedings of 2017 IEEE International Geoscience and Remote Sensing Symposium. Piscataway: IEEE Press, 2017: 1856-1859.

    [2] ZHU Q Y, JIANG Y L, CHEN B. Design and implementation of video-based detection system for WHARF ship[C]//Proceedings of IET International Conference on Smart and Sustainable City 2013 (ICSSC 2013). IET, 2013: 493-496.

    [3] LI S, ZHOU Z Q, WANG B, et al. A novel inshore ship detection via ship head classification and body boundary determination[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(12): 1920-1924.

    [4] LIU L, WANG X G, CHEN J, et al. Deep learning for generic object detection: a survey[J]. International Journal of Computer Vision, 2020, 128(2): 261-318.

    [5] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of 27th IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2014: 580-587.

    [6] GIRSHICK R. Fast R-CNN[C]//Proceedings of 2015 IEEE International Conference on Computer Vision (ICCV). Piscataway: IEEE Press, 2015: 1440-1448.

    [7] REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.

    [8] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE Press, 2016: 779-788.

    [9] REDMON J, FARHADI A. YOLO9000: better, faster, stronger[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2017: 7263-7271.

    [10] REDMON J, FARHADI A. YOLOv3: an incremental improvement[EB]. 2018: arXiv.1804.02767.

    [11] LIU W, ANGUELOV D, ERHAN D, et al. SSD: single shot multibox detector[C]//Proceedings of European Conference on Computer Vision. Cham: Springer International Publishing, 2016: 21-37.

    [12] 張佳欣, 王華力. 改進(jìn)YOLOv3的SAR圖像艦船目標(biāo)檢測(cè)[J]. 信號(hào)處理, 2021, 37(9): 1623-1632.

    ZHANG J X, WANG H L. Ship target detection in SAR image based on improved YOLOv3[J]. Journal of Signal Processing, 2021, 37(9): 1623-1632.

    [13] PENG X L, ZHONG R F, LI Z, et al. Optical remote sensing image change detection based on attention mechanism and image difference[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 59(9): 7296-7307.

    [14] 張?bào)汴? 姚力波, 呂亞飛, 等. 雙向特征融合的數(shù)據(jù)自適應(yīng)SAR圖像艦船目標(biāo)檢測(cè)模型[J]. 中國(guó)圖象圖形學(xué)報(bào), 2020, 25(9): 1943-1952.

    ZHANG X H, YAO L B, LYU Y F, et al. Data-adaptive single-shot ship detector with a bidirectional feature fusion module for SAR images[J]. Journal of Image and Graphics, 2020, 25(9): 1943-1952.

    [15] SHAO Z F, WU W J, WANG Z Y, et al. SeaShips: a large-scale precisely annotated dataset for ship detection[J]. IEEE Transactions on Multimedia, 2018, 20(10): 2593-2604.

    [16] LI Y, GUO J, GUO X, et al. A novel target detection method of the unmanned surface vehicle under all-weather conditions with an improved YOLOv3[J]. Sensors, 2020, 20(17): 4885.

    [17] SHAO Z, WANG L, WANG Z, et al. Saliency-aware convolution neural network for ship detection in surveillance video[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2019, 30(3): 781-794.

    [18] WANG C Y, LIAO H, WU Y H, et al. CSPNet: a new backbone that can enhance learning capability of CNN[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway: IEEE Press, 2020: 390-391.

    [19] LIU S, HUANG D. Receptive field block net for accurate and fast object detection[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 385-400.

    [20] WOO S, PARK J, LEE J Y, et al. Cbam: convolutional block attention module[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 3-19.

    [21] BOCHKOVSKIY A, WANG C Y, LIAO H. YOLOv4: optimal speed and accuracy of object detection[EB]. 2020: arXiv. 2004.10934.

    [22] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[C]//Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV). Piscataway: IEEE Press, 2017: 2999-3007.

    [23] GE Z, LIU S, WANG F, et al. YOLOx: exceeding yolo series in 2021[EB]. 2021.

    [24] DUAN K W, BAI S, XIE L X, et al. CenterNet: keypoint triplets for object detection[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. Piscataway: IEEE Press, 2019: 6569-6578.

    [25] LIN T Y, DOLLAR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2017: 2117-2125.

    [26] LIU S, QI L, QIN H F, et al. Path aggregation network for instance segmentation[C]//Proceedings of 2018 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2018: 8759-8768.

    [27] 康帥, 章堅(jiān)武, 朱尊杰, 等. 改進(jìn)YOLOv4算法的復(fù)雜視覺(jué)場(chǎng)景行人檢測(cè)方法[J]. 電信科學(xué), 2021, 37(8): 46-56.

    KANG S, ZHANG J W, ZHU Z J, et al. An improved YOLOv4 algorithm for pedestrian detection in complex visual scenes[J]. Telecommunications Science, 2021, 37(8): 46-56.

    [28] HE K M, ZHANG X Y, REN S Q, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1904-1916

    [29] CHEN P Y, HSIEH J W, WANG C Y, et al. Recursive hybrid fusion pyramid network for real-time small object detection on embedded devices[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway: IEEE Press, 2020: 402-403.

    [30] CAO C, WU J, ZENG X, et al. Research on airplane and ship detection of aerial remote sensing images based on convolutional neural network[J]. Sensors, 2020, 20(17): 4696.

    A real-time detection method for multi-scale ships in complex scenes

    ZHOU Weina, LIU Lu

    School of information Engineering, Shanghai Maritime University, Shanghai 201306, China

    Ship detection plays an important role in tasks such as military reconnaissance, maritime target tracking, and maritime traffic control. However, due to the influence of variable sizes of ships and complex background of sea surface, detecting multi-scale ships remains a challenge in complex sea surfaces. To solve this problem, an improved YOLOv4 method based on multi-layers information interactive fusion and attention mechanism was proposed. Multi-layers information interactive fusion (MLIF) and multi-attention receptive field (MARF) were applied and combined reasonably to build a bidirectional fine-grained feature pyramid. MLIF was used to fuse feature of different scales, which not only concatenated high-level semantic features from deep layers, but also reshaped richer features from shallower layers. MARF consisted of receptive field block (RFB) and attention mechanism module, which effectively emphasized the important features and suppressed unnecessary ones. In addition, to further evaluate the performance of the proposed method, experiments were carried out on Singapore maritime dataset (SMD). The results illustrate that the method proposed can effectively solve the problem of difficult detection of multi-scale ships in complex marine environment, and meet the real-time requirements at the same time.

    multi-scale ship detection, multi-layers information interactive fusion, multi-attention receptive field, bidirectional fine-grained feature pyramid

    TP391

    A

    10.11959/j.issn.1000–0801.2022258

    2022?02?11;

    2022?08?15

    國(guó)家自然科學(xué)基金資助項(xiàng)目(No.52071200,No.61404083);專用集成電路與系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放研究課題基金資助項(xiàng)目(No.2021KF010)

    The National Natural Science Foundation of China (No. 52071200, No.61404083), The State Key Laboratory of ASIC and System (No. 2021KF010)

    周薇娜(1982– ),女,博士,上海海事大學(xué)信息工程學(xué)院副教授、碩士生導(dǎo)師,主要研究方向?yàn)閳D像處理、目標(biāo)檢測(cè)算法和ASIC設(shè)計(jì)。

    劉露(1996– ),女,上海海事大學(xué)信息工程學(xué)院碩士生,主要研究方向?yàn)橛?jì)算機(jī)視覺(jué)、目標(biāo)檢測(cè)與人工智能等。

    猜你喜歡
    船舶特征融合
    計(jì)算流體力學(xué)在船舶操縱運(yùn)動(dòng)仿真中的應(yīng)用
    村企黨建聯(lián)建融合共贏
    《船舶》2022 年度征訂啟事
    船舶(2021年4期)2021-09-07 17:32:22
    融合菜
    從創(chuàng)新出發(fā),與高考數(shù)列相遇、融合
    《融合》
    船舶!請(qǐng)加速
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    亚洲五月色婷婷综合| 国产精品久久久av美女十八| 大码成人一级视频| 亚洲精品久久成人aⅴ小说| 国产一区有黄有色的免费视频| 在线观看三级黄色| 久久久久久久精品精品| 夫妻性生交免费视频一级片| 成年人午夜在线观看视频| 99久久综合免费| 人体艺术视频欧美日本| 国产免费视频播放在线视频| 大片免费播放器 马上看| 国产成人精品久久久久久| 国产 精品1| av女优亚洲男人天堂| 边亲边吃奶的免费视频| 久久久久久免费高清国产稀缺| 久久精品国产自在天天线| 久久精品国产自在天天线| 欧美精品高潮呻吟av久久| 丁香六月天网| 国产精品免费大片| 女性生殖器流出的白浆| 国产精品av久久久久免费| 国产 精品1| 观看av在线不卡| 精品国产乱码久久久久久小说| 精品亚洲成国产av| 精品少妇久久久久久888优播| 日本爱情动作片www.在线观看| videosex国产| 一区二区三区激情视频| 日韩制服骚丝袜av| 激情五月婷婷亚洲| 国产精品.久久久| 亚洲国产色片| 亚洲成人av在线免费| 波野结衣二区三区在线| 777久久人妻少妇嫩草av网站| 老熟女久久久| 永久网站在线| 中文字幕色久视频| 国语对白做爰xxxⅹ性视频网站| 国产极品天堂在线| 久久精品久久久久久久性| 啦啦啦在线观看免费高清www| 亚洲国产精品国产精品| 在线观看美女被高潮喷水网站| 老司机影院毛片| 国产精品久久久久成人av| 国产精品偷伦视频观看了| 狠狠精品人妻久久久久久综合| 十分钟在线观看高清视频www| 久热这里只有精品99| 中文天堂在线官网| 欧美精品国产亚洲| 欧美日韩av久久| 日本欧美视频一区| 亚洲第一区二区三区不卡| 亚洲欧美成人综合另类久久久| 日本爱情动作片www.在线观看| 久热久热在线精品观看| 国产精品一区二区在线观看99| 亚洲av成人精品一二三区| 免费观看性生交大片5| 一区二区三区激情视频| 免费久久久久久久精品成人欧美视频| 欧美日韩精品网址| 亚洲伊人久久精品综合| 高清不卡的av网站| 18在线观看网站| 国产精品一国产av| 亚洲精品久久成人aⅴ小说| 午夜福利在线观看免费完整高清在| 99久久中文字幕三级久久日本| 亚洲精品国产av成人精品| 免费黄频网站在线观看国产| 我的亚洲天堂| 久久久久久人人人人人| 一级毛片电影观看| 飞空精品影院首页| 青青草视频在线视频观看| 9热在线视频观看99| 免费不卡的大黄色大毛片视频在线观看| 一二三四中文在线观看免费高清| 亚洲美女搞黄在线观看| 狠狠婷婷综合久久久久久88av| 极品人妻少妇av视频| 咕卡用的链子| 国产免费又黄又爽又色| 国产福利在线免费观看视频| 在线观看国产h片| 亚洲成人一二三区av| www.av在线官网国产| 久久精品国产自在天天线| 99久久综合免费| 丁香六月天网| 国产成人精品无人区| 国产精品三级大全| 韩国av在线不卡| 国产成人午夜福利电影在线观看| 午夜av观看不卡| 黑人欧美特级aaaaaa片| 久久精品国产亚洲av天美| 亚洲经典国产精华液单| 99热网站在线观看| 亚洲欧美一区二区三区国产| 另类亚洲欧美激情| 91国产中文字幕| 色视频在线一区二区三区| 国产欧美日韩一区二区三区在线| 亚洲经典国产精华液单| 欧美中文综合在线视频| 久久久久久人人人人人| 丝袜美腿诱惑在线| 男女高潮啪啪啪动态图| 999久久久国产精品视频| 亚洲人成77777在线视频| 爱豆传媒免费全集在线观看| 久久人人爽人人片av| 亚洲精品美女久久久久99蜜臀 | 亚洲人成网站在线观看播放| 看非洲黑人一级黄片| 美女福利国产在线| 精品一区二区三卡| 欧美精品一区二区免费开放| 咕卡用的链子| 欧美老熟妇乱子伦牲交| 日日撸夜夜添| 秋霞在线观看毛片| 久久av网站| 国产熟女午夜一区二区三区| 毛片一级片免费看久久久久| 丝袜喷水一区| 久久99精品国语久久久| 一本久久精品| av视频免费观看在线观看| 只有这里有精品99| 最近中文字幕高清免费大全6| 久久久久久人妻| 丝袜美腿诱惑在线| 丰满迷人的少妇在线观看| 婷婷成人精品国产| 午夜福利在线观看免费完整高清在| 男女边吃奶边做爰视频| 在线免费观看不下载黄p国产| 尾随美女入室| 亚洲国产av影院在线观看| 精品卡一卡二卡四卡免费| 美女午夜性视频免费| 少妇人妻久久综合中文| 亚洲国产精品成人久久小说| 免费在线观看完整版高清| 亚洲欧美成人综合另类久久久| 久久国内精品自在自线图片| 老汉色av国产亚洲站长工具| 亚洲av福利一区| 韩国av在线不卡| 黄片小视频在线播放| 中文字幕人妻熟女乱码| 亚洲av免费高清在线观看| 亚洲精品一二三| 一区在线观看完整版| 好男人视频免费观看在线| av在线app专区| 午夜福利网站1000一区二区三区| 啦啦啦视频在线资源免费观看| 男女午夜视频在线观看| 日韩人妻精品一区2区三区| 9色porny在线观看| 精品亚洲成国产av| 亚洲精品久久久久久婷婷小说| 黄色毛片三级朝国网站| 人妻 亚洲 视频| 少妇被粗大猛烈的视频| 亚洲一区中文字幕在线| 亚洲成av片中文字幕在线观看 | 老汉色∧v一级毛片| 国产精品一区二区在线观看99| 国产男女内射视频| 国产精品久久久久久精品古装| 亚洲人成77777在线视频| √禁漫天堂资源中文www| 亚洲av综合色区一区| 香蕉丝袜av| av天堂久久9| 老熟女久久久| 日韩av不卡免费在线播放| 精品少妇久久久久久888优播| 免费黄频网站在线观看国产| 最黄视频免费看| 国产精品久久久久成人av| 免费在线观看完整版高清| 久久久久久伊人网av| 777久久人妻少妇嫩草av网站| 九草在线视频观看| 久久这里只有精品19| 毛片一级片免费看久久久久| 亚洲国产色片| 999精品在线视频| 国产av一区二区精品久久| 久久国产精品大桥未久av| 亚洲天堂av无毛| av片东京热男人的天堂| 美女xxoo啪啪120秒动态图| 欧美日韩精品网址| 午夜免费观看性视频| 天天躁夜夜躁狠狠久久av| 色吧在线观看| 王馨瑶露胸无遮挡在线观看| 另类精品久久| 亚洲国产看品久久| 人体艺术视频欧美日本| 久久这里只有精品19| 亚洲欧美一区二区三区国产| 精品国产乱码久久久久久男人| 亚洲精品国产色婷婷电影| www.自偷自拍.com| 亚洲色图 男人天堂 中文字幕| 性色avwww在线观看| 黄片小视频在线播放| 18禁裸乳无遮挡动漫免费视频| 三级国产精品片| 国产av精品麻豆| 黑人欧美特级aaaaaa片| 考比视频在线观看| 精品久久蜜臀av无| 久久久久久人妻| 亚洲精品自拍成人| 嫩草影院入口| 蜜桃在线观看..| 视频区图区小说| 亚洲综合精品二区| 午夜精品国产一区二区电影| 色吧在线观看| 最近2019中文字幕mv第一页| 十八禁网站网址无遮挡| 七月丁香在线播放| 中文乱码字字幕精品一区二区三区| 精品一品国产午夜福利视频| 欧美精品人与动牲交sv欧美| 免费久久久久久久精品成人欧美视频| 亚洲精品在线美女| 久久久久国产网址| 爱豆传媒免费全集在线观看| 麻豆精品久久久久久蜜桃| 久久女婷五月综合色啪小说| 久久精品久久久久久噜噜老黄| 国精品久久久久久国模美| 国产乱人偷精品视频| 中文字幕另类日韩欧美亚洲嫩草| 午夜激情久久久久久久| 久久久久精品性色| 日本91视频免费播放| 永久网站在线| 有码 亚洲区| 九色亚洲精品在线播放| 国产又色又爽无遮挡免| 在线观看免费日韩欧美大片| 观看美女的网站| 国产在线一区二区三区精| 十八禁网站网址无遮挡| freevideosex欧美| 久久久久久久久免费视频了| 女的被弄到高潮叫床怎么办| 亚洲人成77777在线视频| 亚洲综合色网址| 韩国精品一区二区三区| 免费在线观看黄色视频的| 欧美成人午夜精品| 亚洲国产精品一区二区三区在线| 午夜91福利影院| 亚洲精品美女久久av网站| 国产亚洲午夜精品一区二区久久| 巨乳人妻的诱惑在线观看| 一区二区av电影网| 男人舔女人的私密视频| 看非洲黑人一级黄片| 国产乱来视频区| 制服丝袜香蕉在线| 国产免费视频播放在线视频| 岛国毛片在线播放| 亚洲 欧美一区二区三区| 亚洲视频免费观看视频| 欧美另类一区| 美女中出高潮动态图| 99热网站在线观看| 18禁动态无遮挡网站| 2022亚洲国产成人精品| 美女国产高潮福利片在线看| av.在线天堂| 丝袜美足系列| 五月开心婷婷网| 国产人伦9x9x在线观看 | 亚洲欧洲国产日韩| 寂寞人妻少妇视频99o| 毛片一级片免费看久久久久| 伦理电影大哥的女人| 天堂8中文在线网| 久久婷婷青草| 大码成人一级视频| 日本欧美视频一区| 亚洲国产欧美在线一区| 丝袜喷水一区| 少妇的丰满在线观看| 亚洲av在线观看美女高潮| 观看av在线不卡| 韩国高清视频一区二区三区| 满18在线观看网站| 国产精品久久久久成人av| 午夜福利在线免费观看网站| 在线观看免费高清a一片| 亚洲国产精品999| 久久久精品94久久精品| 国产午夜精品一二区理论片| 91久久精品国产一区二区三区| 国产淫语在线视频| 日韩大片免费观看网站| 国产亚洲精品第一综合不卡| 日本vs欧美在线观看视频| 久久久久久人妻| 美女主播在线视频| 久热久热在线精品观看| 婷婷色综合大香蕉| 午夜精品国产一区二区电影| 成人国产麻豆网| 婷婷成人精品国产| 99香蕉大伊视频| 天堂俺去俺来也www色官网| 电影成人av| 亚洲av免费高清在线观看| 精品国产露脸久久av麻豆| 丝袜美足系列| 99精国产麻豆久久婷婷| 婷婷色综合www| 午夜福利在线免费观看网站| 亚洲国产最新在线播放| 久久国产精品大桥未久av| 91精品伊人久久大香线蕉| 久久鲁丝午夜福利片| 久久久久人妻精品一区果冻| 亚洲男人天堂网一区| 国产日韩一区二区三区精品不卡| 伦精品一区二区三区| 美女xxoo啪啪120秒动态图| 蜜桃在线观看..| av一本久久久久| 成年动漫av网址| 午夜激情久久久久久久| 国产精品香港三级国产av潘金莲 | 五月开心婷婷网| 久久久久久久精品精品| 宅男免费午夜| 最新中文字幕久久久久| 婷婷成人精品国产| 免费在线观看黄色视频的| 久久久久久人人人人人| 亚洲美女视频黄频| 国产日韩欧美亚洲二区| 中国三级夫妇交换| 午夜影院在线不卡| 在线观看三级黄色| 精品人妻在线不人妻| 大片电影免费在线观看免费| 80岁老熟妇乱子伦牲交| 国产日韩一区二区三区精品不卡| 中文字幕人妻丝袜一区二区 | 久久久久久免费高清国产稀缺| 91国产中文字幕| 在线观看www视频免费| 国产精品国产三级专区第一集| 午夜激情av网站| 国产成人精品无人区| 亚洲国产色片| 这个男人来自地球电影免费观看 | 深夜精品福利| 看免费av毛片| 欧美最新免费一区二区三区| 高清欧美精品videossex| 国产男女超爽视频在线观看| 99久久精品国产国产毛片| 永久网站在线| 亚洲欧美一区二区三区国产| 欧美亚洲 丝袜 人妻 在线| 国产精品一二三区在线看| 黄片无遮挡物在线观看| 狠狠精品人妻久久久久久综合| 成人国产麻豆网| 亚洲国产精品国产精品| 国产精品人妻久久久影院| 美女午夜性视频免费| 日本猛色少妇xxxxx猛交久久| 精品人妻在线不人妻| 国产片内射在线| 亚洲第一青青草原| 国精品久久久久久国模美| 看十八女毛片水多多多| 日韩免费高清中文字幕av| 免费观看av网站的网址| 97人妻天天添夜夜摸| 这个男人来自地球电影免费观看 | 老汉色av国产亚洲站长工具| 精品少妇内射三级| 国产精品av久久久久免费| av电影中文网址| 亚洲av日韩在线播放| 97人妻天天添夜夜摸| 午夜日本视频在线| 国产成人欧美| 性少妇av在线| 天天影视国产精品| 日韩av免费高清视频| 日韩精品免费视频一区二区三区| 青春草亚洲视频在线观看| 18+在线观看网站| 久久久久久久久免费视频了| 看十八女毛片水多多多| 国产精品久久久久成人av| 纵有疾风起免费观看全集完整版| 亚洲三区欧美一区| 精品国产乱码久久久久久小说| 乱人伦中国视频| 各种免费的搞黄视频| h视频一区二区三区| 久久午夜综合久久蜜桃| 国产成人精品福利久久| 国产在视频线精品| 边亲边吃奶的免费视频| 在线观看www视频免费| 日韩伦理黄色片| 国产野战对白在线观看| 男女边吃奶边做爰视频| 99国产精品免费福利视频| 免费观看性生交大片5| 久久精品人人爽人人爽视色| 老司机亚洲免费影院| 日韩av在线免费看完整版不卡| 在线观看www视频免费| 久久精品久久久久久噜噜老黄| 新久久久久国产一级毛片| av网站在线播放免费| kizo精华| 国产成人a∨麻豆精品| 在线天堂最新版资源| 国产 精品1| 亚洲人成电影观看| 自线自在国产av| 少妇的丰满在线观看| 国产av一区二区精品久久| 我的亚洲天堂| 叶爱在线成人免费视频播放| 狂野欧美激情性bbbbbb| 中文字幕人妻熟女乱码| 亚洲国产毛片av蜜桃av| 国产高清国产精品国产三级| 性高湖久久久久久久久免费观看| 五月天丁香电影| 欧美日韩成人在线一区二区| 国产深夜福利视频在线观看| 亚洲精品国产一区二区精华液| 黄片小视频在线播放| 国产免费视频播放在线视频| 国产免费福利视频在线观看| 丰满饥渴人妻一区二区三| 人人妻人人澡人人看| 国产精品久久久av美女十八| 久久精品久久久久久久性| 欧美亚洲 丝袜 人妻 在线| 三上悠亚av全集在线观看| 成人国产av品久久久| 日韩熟女老妇一区二区性免费视频| 高清欧美精品videossex| 一级,二级,三级黄色视频| 国产成人欧美| 亚洲成国产人片在线观看| 亚洲人成网站在线观看播放| 久久 成人 亚洲| 免费观看av网站的网址| 三级国产精品片| 少妇人妻 视频| 精品国产一区二区久久| 日韩视频在线欧美| 成人漫画全彩无遮挡| av有码第一页| 曰老女人黄片| 制服诱惑二区| 亚洲国产精品国产精品| 欧美另类一区| 久久久久久久久久久免费av| 久久久久精品性色| 日韩中字成人| 精品一区二区三卡| 日本爱情动作片www.在线观看| 精品国产露脸久久av麻豆| 一二三四在线观看免费中文在| 欧美日韩精品成人综合77777| 精品亚洲成a人片在线观看| 久久久精品94久久精品| 久久久久久久久久久免费av| 欧美日韩精品网址| 26uuu在线亚洲综合色| 日韩视频在线欧美| 校园人妻丝袜中文字幕| 熟女电影av网| 亚洲精品成人av观看孕妇| 日韩伦理黄色片| 久久久国产欧美日韩av| 国产片内射在线| 成人亚洲精品一区在线观看| 国产精品久久久久久精品电影小说| 国产 一区精品| 欧美av亚洲av综合av国产av | 亚洲精品中文字幕在线视频| av免费在线看不卡| 国产又色又爽无遮挡免| 久久精品国产综合久久久| 亚洲精品自拍成人| 国产在线一区二区三区精| 丰满乱子伦码专区| 国产成人精品在线电影| 欧美 亚洲 国产 日韩一| 这个男人来自地球电影免费观看 | 国产熟女欧美一区二区| 丰满饥渴人妻一区二区三| 女人精品久久久久毛片| 免费在线观看完整版高清| 人妻人人澡人人爽人人| 久久精品亚洲av国产电影网| 精品人妻一区二区三区麻豆| 亚洲国产精品一区三区| 中文字幕另类日韩欧美亚洲嫩草| 另类精品久久| 中文精品一卡2卡3卡4更新| 久久久久精品人妻al黑| 美女国产高潮福利片在线看| 精品国产乱码久久久久久小说| 日韩电影二区| 午夜福利视频精品| 亚洲激情五月婷婷啪啪| 日韩制服丝袜自拍偷拍| 伦理电影免费视频| 精品国产一区二区三区久久久樱花| 韩国av在线不卡| 国产成人免费观看mmmm| 深夜精品福利| 五月天丁香电影| 少妇被粗大猛烈的视频| 午夜免费观看性视频| 国产精品久久久久久av不卡| freevideosex欧美| 在线观看人妻少妇| 日韩成人av中文字幕在线观看| 国产免费福利视频在线观看| 欧美成人精品欧美一级黄| 日韩av免费高清视频| 女性生殖器流出的白浆| 免费黄色在线免费观看| 日日撸夜夜添| 亚洲久久久国产精品| 2021少妇久久久久久久久久久| 国产熟女午夜一区二区三区| 日韩一区二区视频免费看| 国产免费视频播放在线视频| 视频在线观看一区二区三区| 伊人久久国产一区二区| 久久久久久久久免费视频了| 亚洲一码二码三码区别大吗| 熟妇人妻不卡中文字幕| 成人影院久久| 欧美xxⅹ黑人| 国产精品久久久久久久久免| 一级片'在线观看视频| 国产欧美亚洲国产| 最近的中文字幕免费完整| 日日撸夜夜添| 十八禁网站网址无遮挡| 水蜜桃什么品种好| 国产成人免费观看mmmm| 99国产精品免费福利视频| 亚洲欧美中文字幕日韩二区| 视频区图区小说| 亚洲欧美成人精品一区二区| 亚洲av免费高清在线观看| 又大又黄又爽视频免费| 久久狼人影院| 我的亚洲天堂| 大陆偷拍与自拍| 日韩 亚洲 欧美在线| 亚洲欧美色中文字幕在线| av免费在线看不卡| 成年女人在线观看亚洲视频| 久久热在线av| 国产有黄有色有爽视频| 色播在线永久视频| 边亲边吃奶的免费视频| 国产精品久久久久久久久免| 日日撸夜夜添| 18+在线观看网站| 亚洲,一卡二卡三卡| av.在线天堂| 亚洲五月色婷婷综合| 婷婷色综合大香蕉| 丝袜在线中文字幕| 精品久久蜜臀av无| 人人妻人人爽人人添夜夜欢视频| 美国免费a级毛片| 久久99精品国语久久久| 在线观看人妻少妇| 搡老乐熟女国产| 国产免费现黄频在线看| 国产老妇伦熟女老妇高清| 日本色播在线视频| 精品亚洲成国产av| 男女国产视频网站|