• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于邊緣特征的圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索

    2023-01-05 07:04:12鵬,楊軍*,2
    蘭州交通大學(xué)學(xué)報 2022年6期
    關(guān)鍵詞:分類特征

    周 鵬,楊 軍*,2

    (1.蘭州交通大學(xué) 電子與信息工程學(xué)院,蘭州 730070;2.蘭州交通大學(xué) 測繪與地理信息學(xué)院,蘭州 730070)

    以AlexNet[1],GoogleNet[2]和RCNN[3]為代表的 人工設(shè)計神經(jīng)網(wǎng)絡(luò)在圖像分類、分割和目標(biāo)檢測等計算機(jī)視覺領(lǐng)域取得了很大成功.人工設(shè)計網(wǎng)絡(luò)架構(gòu)需要進(jìn)行不斷重復(fù)實(shí)驗(yàn),消耗了大量的人力和計算資源,且依賴專家經(jīng)驗(yàn),專家需要重新設(shè)計算法適應(yīng)新任務(wù).因此,通過算法自動搜索出優(yōu)秀的網(wǎng)絡(luò)架構(gòu)逐漸成為該領(lǐng)域的研究熱點(diǎn).神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(neural architecture search,NAS)旨在預(yù)定義的搜索空間中由搜索策略找到針對特定數(shù)據(jù)集的候選網(wǎng)絡(luò)架構(gòu),通過性能評估策略對候選架構(gòu)進(jìn)行評估,將評估結(jié)果反饋到搜索策略,再由搜索算法調(diào)整搜索策略,通過不斷重復(fù)搜索過程,直到發(fā)現(xiàn)最優(yōu)的神經(jīng)網(wǎng)絡(luò)架構(gòu).NAS在計算機(jī)視覺領(lǐng)域的表現(xiàn)已經(jīng)達(dá)到,甚至超過人工設(shè)計的深度神經(jīng)網(wǎng)絡(luò),但仍需要耗費(fèi)巨大的計算資源評估網(wǎng)絡(luò)架構(gòu).可微分架構(gòu)搜索(differentiable architecture search,DARTS)[4]通過連續(xù)松弛化原有離散搜索策略,利用梯度下降法優(yōu)化網(wǎng)絡(luò)架構(gòu),但離散化得到的子網(wǎng)與超網(wǎng)之間存在性能差距,子網(wǎng)需要重新訓(xùn)練,導(dǎo)致搜索結(jié)果不穩(wěn)定.文獻(xiàn)[5]對DARTS算法進(jìn)行了改進(jìn),所提出的sharpDARTS引入余弦冪次退火算法對學(xué)習(xí)率進(jìn)行更新,借助正則化方法糾正DARTS算法中的性能差距,降低了基于梯度算法消耗內(nèi)存過大的問題;文獻(xiàn)[6]提出漸進(jìn)式可微分結(jié)構(gòu)搜索(progressive differentiable architecture search,P-DARTS)算法,使用搜索空間正則化來提高搜索的穩(wěn)定性,并逐步增加網(wǎng)絡(luò)層數(shù)以減少內(nèi)存消耗;文獻(xiàn)[7]提出連續(xù)貪婪策略搜索算法(sequential greedy architecture search,SGAS),優(yōu)化了搜索過程和驗(yàn)證過程準(zhǔn)確率差異的問題.

    近年來,研究者將NAS應(yīng)用于圖機(jī)器學(xué)習(xí)領(lǐng)域,稱為圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(graph neural architecture search,GNAS).文獻(xiàn)[8]首次用NAS算法來解決圖神經(jīng)網(wǎng)絡(luò)(graph neural network,GNN)中的架構(gòu)搜索,實(shí)現(xiàn)了基于強(qiáng)化學(xué)習(xí)的圖神經(jīng)架構(gòu)自動設(shè)計;文獻(xiàn)[9]提出邊緣特征圖注意力網(wǎng)絡(luò),將圖神經(jīng)網(wǎng)絡(luò)的使用擴(kuò)展到具有節(jié)點(diǎn)和邊緣特征的任務(wù),但該方法缺乏不同的更新函數(shù)來計算邊緣特征;NENN由節(jié)點(diǎn)級注意力層和邊緣級注意力層構(gòu)建網(wǎng)絡(luò)模型,交替地將2種注意力層堆疊,并在相應(yīng)的級別上學(xué)習(xí)節(jié)點(diǎn)和邊緣的特征[10];文獻(xiàn)[11]提出索引邊緣幾何卷積神經(jīng)網(wǎng)絡(luò)模型,將不同層的輸出特征映射并進(jìn)行索引跳躍連接,使局部特征信息損失進(jìn)一步降低.圖神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用,使得基于復(fù)雜圖結(jié)構(gòu)數(shù)據(jù)的任務(wù),如點(diǎn)云分類、社會關(guān)系網(wǎng)絡(luò)分析、專家推薦系統(tǒng)及化學(xué)分子性質(zhì)預(yù)測等問題得以高效解決,然而,GNN的可擴(kuò)展性會導(dǎo)致計算成本增加,并隨著層級的深入呈指數(shù)增長,在對點(diǎn)云分類等大規(guī)模計算時挑戰(zhàn)巨大.

    綜上所述,目前圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索注重研究實(shí)體的特征信息,忽略了邊緣上的潛在高階信息與多層次關(guān)系特征之間的依賴,設(shè)計高效提取邊緣特征的圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索空間與搜索算法,依然是一個需要研究的問題.本文提出邊緣特征圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(edge feature graph neural architecture search,EFGNAS)的方法,首先,在搜索空間中設(shè)計用于提取邊緣特征的候選操作,將邊緣與實(shí)體視為等價體,利用雙層優(yōu)化方法同步更新實(shí)體和邊緣的高階信息,采用邊緣卷積同步提取局部和全局邊緣特征,以提高圖神經(jīng)網(wǎng)絡(luò)架構(gòu)的搜索性能;其次,設(shè)計基于邊緣特征的圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索空間,用于實(shí)體和邊緣的更新;最后,提出基于邊緣特征提取的圖神經(jīng)網(wǎng)絡(luò)搜索算法,采用雙層優(yōu)化方法實(shí)現(xiàn)三維點(diǎn)云模型的分類.

    1 搜索空間與搜索算法設(shè)計

    本文采用邊緣卷積的方法提取三維點(diǎn)云特征,通過邊緣特征提取的方法對NAS的搜索空間進(jìn)行優(yōu)化設(shè)計,使用分組卷積提升搜索效率,并設(shè)計基于雙層優(yōu)化的圖神經(jīng)架構(gòu)搜索算法.

    1.1 點(diǎn)云特征提取

    首先,計算全局點(diǎn)云特征.在三維點(diǎn)云中任選一點(diǎn),計算以該點(diǎn)為中心的球形鄰域,通過迭代提取全局點(diǎn)云特征.其次,計算局部點(diǎn)云特征.采用邊緣卷積構(gòu)造局部鄰域圖,在逐層卷積相鄰邊緣的過程中,輸出每一層在新特征空間的點(diǎn)云結(jié)構(gòu)圖,得到一個新的局部區(qū)域;以中心點(diǎn)、中心點(diǎn)與鄰域點(diǎn)間距離為參數(shù),計算點(diǎn)云局部特征.最后,由非對稱邊緣函數(shù)根據(jù)全局信息與局部信息計算三維點(diǎn)云邊緣特征.

    設(shè)G=(v,ε)為點(diǎn)云結(jié)構(gòu)圖,其中:v={v1,v2,…,vn}表示點(diǎn);ε表示邊.G中包含每個點(diǎn)的自循環(huán),即每個點(diǎn)存在指向自身的邊.給定?vi,構(gòu)造以vi為中心的球形鄰域N(vi),

    其中:r表示鄰域半徑.當(dāng)?shù)玫饺舾舌徲蚝?,計算中心點(diǎn)vi的邊緣特征的輸出v′i,

    其中:hθ(vi,vj)表示邊緣特征;hθ為包含可學(xué)習(xí)參數(shù)θ的非線性邊緣函數(shù);Φ表示對邊緣特征進(jìn)行通道對稱聚合.邊緣函數(shù)hθ與聚合操作Φ決定邊緣特征的輸出.針對三維點(diǎn)云特征提取,分為以下3種情況:

    1)當(dāng)hθ(vi,vj)=hθ(vi)時,表示對全局點(diǎn)云進(jìn)行特征提取,不考慮局部鄰域結(jié)構(gòu).這種類型的特征提取方式在PointNet[12]中被使用,因此,可以看作是邊緣特征提取的一種特殊形式.

    2)當(dāng)hθ(vi,vj)=hθ(vj-vi)時,表示僅對局部點(diǎn)云進(jìn)行特征提取,而不考慮全局結(jié)構(gòu).

    3)當(dāng)hθ(vi,vj)=hθ(vi,vj-vi)時,表示既考慮全局點(diǎn)云特征提取,又考慮局部鄰域信息,是本文采取的特征提取方式.

    邊緣特征融合點(diǎn)間局部關(guān)系和全局信息,在得到若干個邊緣特征后,進(jìn)行最大池化操作,得到該局部區(qū)域的單一特征,以這種方式進(jìn)行多層卷積疊加,逐層提取并整合局部特征信息.

    1.2 搜索空間設(shè)計

    GNN可表示為使用消息傳遞機(jī)制工作的網(wǎng)絡(luò),其每一層有一個聚合函數(shù)g和一個基于神經(jīng)網(wǎng)絡(luò)的更新函數(shù)u.在圖G中,給定?vs表示序號為s的節(jié)點(diǎn),χt-1s表示節(jié)點(diǎn)vs在時間步長t-1的特征,消息向量mts是由節(jié)點(diǎn)vs的鄰域點(diǎn)集Ns通過聚合函數(shù)計算得到,節(jié)點(diǎn)的特征χts由更新函數(shù)u和消息向量mts計算得到,如式(3)所示.

    通過這種消息傳遞方式,在T層的GNN網(wǎng)絡(luò)中,消息以T個時間步長進(jìn)行傳遞.該方法在處理結(jié)構(gòu)化的二維圖像和序列化的信息等固定格式數(shù)據(jù)時非常有效,而對于數(shù)據(jù)量大、鄰域數(shù)據(jù)集多的大型圖結(jié)構(gòu),處理的效率和穩(wěn)定性較低.為提高GNN在三維點(diǎn)云分類中的性能,本文采用網(wǎng)絡(luò)架構(gòu)搜索的方式構(gòu)建分類網(wǎng)絡(luò).網(wǎng)絡(luò)架構(gòu)搜索是一個逐步求精的過程,通過丟棄特征提取不佳的候選操作得到最優(yōu)的網(wǎng)絡(luò)架構(gòu).

    采用圖神經(jīng)網(wǎng)絡(luò)的目的是尋找一種單元作為最終架構(gòu)的構(gòu)建模塊,每個單元是由M個節(jié)點(diǎn)的有序序列組成的有向無環(huán)圖(directed acyclic graph,DAG),每個節(jié)點(diǎn)之間的信息通過節(jié)點(diǎn)間的邊傳遞,每條邊包含若干候選操作和相應(yīng)的網(wǎng)絡(luò)架構(gòu)參數(shù)α,搜索空間中候選操作選擇流程如圖1所示.通常采用梯度下降的方法同時優(yōu)化網(wǎng)絡(luò)架構(gòu)參數(shù)α和權(quán)重參數(shù)ω,對α的優(yōu)化可提高最終訓(xùn)練的準(zhǔn)確率,對ω的優(yōu)化可以加快訓(xùn)練準(zhǔn)確率的提升,圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的最小單位稱為搜索單元(cell).圖1(a)表示搜索算法需從搜索空間中選擇候選操作;圖1(b)中,搜索空間中有預(yù)先設(shè)計的諸多候選操作,由搜索策略組合不同的候選操作,再由評估策略對組合后的網(wǎng)絡(luò)架構(gòu)進(jìn)行性能評估,保留對性能提升貢獻(xiàn)大的候選操作,最終得到目標(biāo)架構(gòu),如圖1(c)所示.

    圖1 基于有向無環(huán)圖的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索決策過程Fig.1 Decision process of neural architecture search based on directed acyclic graph

    在搜索空間中,采用的候選操作有rel_sage[7],edge_conv[13],mr_conv[14],gat[15],semi_gcn[16],gin[17],sage[18],conv-1×1,skip-connect,EdgeConvDiff,EdgeGroupConv,EdgeGroupConvDiff,其中:conv-1×1是一個基本卷積操作;skip-connect表示跳躍連接操作;EdgeConvDiff,EdgeGroupConv與EdgeGroupConvDiff為本文新設(shè)計的候選操作,EdgeConvDiff為采用邊緣卷積提取三維點(diǎn)云全局特征,EdgeGroupConv為采用邊緣卷積提取三維點(diǎn)云局部特征,EdgeGroupConvDiff為采用邊緣卷積提取三維點(diǎn)云全局與局部特征,EdgeGroupConv與EdgeGroupConvDiff候選操作中引入了分組卷積和通道洗牌操作.

    DAG圖中的每一個節(jié)點(diǎn)代表一個特征圖,用Vi表示,i為節(jié)點(diǎn)的序號,特征圖之間的連線表示候選操作,每一條連線都存在與相連節(jié)點(diǎn)相關(guān)的混合操作O(i,j),這些操作通過節(jié)點(diǎn)之間的關(guān)系特征E(i,j)將信息從Vi傳遞到Vj,如圖1中,V0為輸入,V3為輸出,V1,V2為中間節(jié)點(diǎn),中間節(jié)點(diǎn)既是輸入節(jié)點(diǎn),又是輸出節(jié)點(diǎn),并攜帶上一步的狀態(tài)信息z,由前驅(qū)節(jié)點(diǎn)計算得到

    其中:1≤j≤M.初始節(jié)點(diǎn)V0表示輸入一個實(shí)體信息,中間節(jié)點(diǎn)由輸入節(jié)點(diǎn)Vi、關(guān)系特征E(i,j)及狀態(tài)z經(jīng)過混合操作O進(jìn)行加權(quán)計算.

    綜上所述,本文針對三維點(diǎn)云分類設(shè)計搜索空間.如圖2(a)所示,在搜索空間中,點(diǎn)云特征的提取基于圖卷積網(wǎng)絡(luò),vi為中心點(diǎn),vik表示vi的鄰域,eik為vi和vik構(gòu)成的邊(k=1,2,…,n);圖2(b)表示采用邊緣卷積的方法提取點(diǎn)云全局和局部特征,hθ為非線性邊緣函數(shù).由于點(diǎn)云模型具有無序性、稀疏性、數(shù)據(jù)有限性等特點(diǎn),使采用圖卷積網(wǎng)絡(luò)的處理效率不高.因此,為了提高點(diǎn)云的分類效率,本文采用組卷積方式對輸入的特征圖進(jìn)行分組,如圖2(c)所示,共分為2組,每組分別卷積,再由通道洗牌操作促使特征信息跨特征通道傳遞;組卷積從不同組中獲取輸入數(shù)據(jù),輸入和輸出通道完全相關(guān);對于由前一組生成的特征映射,將每一組內(nèi)的通道劃分為不同的子組,然后把不同的子組提供給下一層,這一過程由通道洗牌操作完成.通道洗牌是可微的,可以嵌入到網(wǎng)絡(luò)架構(gòu)進(jìn)行端到端訓(xùn)練,這使得構(gòu)建具有多組卷積層的網(wǎng)絡(luò)架構(gòu)成為可能.

    1.3 基于雙層優(yōu)化的搜索算法

    搜索空間A由不同的候選操作構(gòu)成,旨在處理復(fù)雜的圖結(jié)構(gòu)數(shù)據(jù),傳遞不同類型的神經(jīng)網(wǎng)絡(luò)消息.為提高GNN處理三維點(diǎn)云的效率和穩(wěn)定性,本文采用基于雙層優(yōu)化的自動架構(gòu)搜索算法.GNAS可定義為一個雙層優(yōu)化過程,在給定的圖搜索空間A中找到一個最優(yōu)的神經(jīng)網(wǎng)絡(luò)架構(gòu)α*∈A,同時使驗(yàn)證損失函數(shù)Lval(·)的值最小.通過使訓(xùn)練損失函數(shù)Ltrain(·)最小化,得到與網(wǎng)絡(luò)架構(gòu)相關(guān)的可訓(xùn)練權(quán)重ω*,表示如下:

    在DAG中,搜索算法根據(jù)預(yù)定義的選擇策略,在每一次迭代決策過程中,選擇一條邊,然后更新權(quán)重參數(shù)ω,當(dāng)架構(gòu)參數(shù)α值最大時,選擇對應(yīng)的邊,同時裁剪掉局部α值最小時對應(yīng)的邊;隨著裁剪的執(zhí)行,剩余的參數(shù)將形成一個新的子問題,并進(jìn)行迭代求解;在最后的搜索過程中,可以獲得一個獨(dú)立的無需共享權(quán)重架構(gòu).算法步驟如下:首先,定義GNAS的架構(gòu)參數(shù)為α,網(wǎng)絡(luò)權(quán)重為ω,迭代次數(shù)為L,為抑制網(wǎng)絡(luò)過擬合,提高網(wǎng)絡(luò)的魯棒性和泛化能力,本文引入正則化方法規(guī)范架構(gòu)參數(shù)的優(yōu)化過程,定義正則化系數(shù)λl和正則化項(xiàng)rl,l∈{1,2,…,L},正則化項(xiàng)rl通過計算架構(gòu)參數(shù)指數(shù)和的對數(shù)后,再計算其平均值得出,用pytorch語言表示為rl=torch.mean(torch.logsumexp(self.model._arch_parameters,dim=-1));其次,計算▽ALval(ω,α)+λlrl,以逐步更新網(wǎng)絡(luò)架構(gòu)參數(shù)α,并且計算▽ωLtrain(ω,α),以逐步更新網(wǎng)絡(luò)權(quán)重ω,如果當(dāng)前的迭代過程是決策過程,則選擇網(wǎng)絡(luò)架構(gòu)參數(shù)α值最大時對應(yīng)的邊,并在新選擇的邊上更新相關(guān)候選操作,再裁剪未被選中的網(wǎng)絡(luò)架構(gòu)參數(shù)α和權(quán)重參數(shù)ω;最后,根據(jù)選擇到的候選操作組成目標(biāo)架構(gòu).

    2 仿真實(shí)驗(yàn)與結(jié)果分析

    2.1 在ModelNet10數(shù)據(jù)集上的搜索實(shí)驗(yàn)

    ModelNet[19]常用于三維模型分類,它包含ModelNet40和ModelNet10 2個數(shù)據(jù)集.ModelNet40含有40類12 311個CAD數(shù)據(jù)模型,其中:9 843個數(shù)據(jù)模型用于訓(xùn)練;2 468個數(shù)據(jù)模型用于測試.Model-Net10是ModelNet40的子集,包含10類,共4 899個CAD數(shù)據(jù)模型,其中:3 991個模型用于訓(xùn)練;908個模型用于測試.本文采用GNAS的網(wǎng)絡(luò)架構(gòu)搜索方法,在ModelNet10數(shù)據(jù)集上進(jìn)行搜索,在Model-Net40數(shù)據(jù)集上進(jìn)行測試.

    2.1.1 搜索空間參數(shù)設(shè)置

    搜索空間的主干網(wǎng)絡(luò)由6個normal cell和2個reduction cell構(gòu)成,其中:reduction cell位于網(wǎng)絡(luò)1/3和2/3處,其余為normal cell.設(shè)置normal cell的卷積層步長為1,reduction cell的卷積層步長為2.共有12個候選操作,如1.2節(jié)所述.

    2.1.2 訓(xùn)練參數(shù)設(shè)置

    本文在ModelNet10數(shù)據(jù)集訓(xùn)練和驗(yàn)證,初始通道數(shù)設(shè)置為32個,采樣點(diǎn)為1 024個,初始cell數(shù)設(shè)置為2個,迭代次數(shù)設(shè)置為50次,輸入批量大小設(shè)置為32個,初始學(xué)習(xí)率的值為0.005,動量值為0.9,權(quán)重衰減值為3×10-4.采用隨機(jī)梯度下降(stochastic gradient descent,SGD)優(yōu)化模型權(quán)重.設(shè)置初始迭代9次之后開始做決策選擇,每迭代7次做出一次搜索決策.由于硬件資源的局限性,批量值設(shè)置過大,會耗費(fèi)更多的計算資源,達(dá)到相同準(zhǔn)確率所需的迭代數(shù)量增多,同時梯度震蕩嚴(yán)重,不利于收斂;批量值設(shè)置過小,不同批量計算時梯度方向變化過小,容易陷入局部極小值.本文采用批量值動態(tài)調(diào)整策略,當(dāng)出現(xiàn)搜索決策時,將批量值設(shè)置為“批量值+當(dāng)前迭代次數(shù)”,從仿真實(shí)驗(yàn)可以看出,該策略平均測試GPU時長為0.284 3 d,而消融實(shí)驗(yàn)中平均測試GPU時長為1.027 2 d,采用該策略的訓(xùn)練耗時大幅降低.

    2.2 在ModelNet40數(shù)據(jù)集上的測試實(shí)驗(yàn)

    本文在ModelNet10數(shù)據(jù)集上,通過6個不同子實(shí)驗(yàn)得到6個網(wǎng)絡(luò)架構(gòu),分別命名為EFGNAS_1,EFGNAS_2,EFGNAS_3,EFGNAS_4,EFGNAS_5和EFGNAS_6.在ModelNet40數(shù)據(jù)集上測試,搜索出6個網(wǎng)絡(luò)架構(gòu),得到三維點(diǎn)云分類的結(jié)果.將搜索的單元堆疊3次,采樣點(diǎn)為1 024個,通道數(shù)設(shè)置為128個,評估過程迭代次數(shù)設(shè)置為250次,批量大小設(shè)置為32個.使用Adam優(yōu)化模型權(quán)重,權(quán)重衰減值為1×10-4,學(xué)習(xí)率的值為0.001.測試結(jié)果見表1.

    從表1可以看出:在ModelNet10數(shù)據(jù)集上訓(xùn)練時,網(wǎng)絡(luò)收斂快,隨著損失的穩(wěn)步降低,訓(xùn)練準(zhǔn)確率逐步上升,最高達(dá)到97.24%,而驗(yàn)證分類準(zhǔn)確率最高為90.23%,測試分類準(zhǔn)確率最高為93.42%.研究分類準(zhǔn)確率與GPU時長、參數(shù)量的關(guān)系得知:在同樣的迭代次數(shù)下,最優(yōu)網(wǎng)絡(luò)架構(gòu)所對應(yīng)的測試分類準(zhǔn)確率與訓(xùn)練和測試所耗費(fèi)的GPU時長、參數(shù)量沒有直接的對應(yīng)關(guān)系.

    表1 EFGNAS在ModelNet數(shù)據(jù)集上的分類效果Tab.1 Classification accuracy of EFGNASon ModelNet

    為了進(jìn)一步說明本文算法的性能,圖3給出了EFGNAS的分類準(zhǔn)確率與迭代次數(shù)的關(guān)系曲線圖.在圖3(a)中,模型的分類準(zhǔn)確穩(wěn)步提升,從訓(xùn)練開始到第25次迭代,性能提升較快,在35~50次迭代中,前期表現(xiàn)較差的訓(xùn)練過程分類準(zhǔn)確率提升較快,逐步接近最佳分類準(zhǔn)確率;由圖3(b)和圖3(c)可知,在驗(yàn)證和測試過程中,前10次迭代的性能提升比較快,在11~15次迭代過程中,性能出現(xiàn)大幅下降,之后又出現(xiàn)逐步提升.可見,在數(shù)據(jù)量較小的ModelNet10數(shù)據(jù)集上,容易出現(xiàn)過擬合的情況,通過引入的正則化項(xiàng)后,在一定程度上抑制了過擬合的產(chǎn)生,保證了在小數(shù)據(jù)量模型時訓(xùn)練的正常進(jìn)行.

    圖3 EFGNAS在訓(xùn)練、驗(yàn)證與測試中的分類準(zhǔn)確率與迭代次數(shù)關(guān)系曲線圖Fig.3 Plot of classification accuracy with iterations in training,validation and testing by EFGNAS

    圖4為搜索出來的6個網(wǎng)絡(luò)架構(gòu)的圖形化表示,其中:c_{k}為所有中間節(jié)點(diǎn)的深度連接,表示當(dāng)前網(wǎng)絡(luò)架構(gòu)的輸出;c_{k-1}和c_{k-2}分別表示第k-1,k-2個網(wǎng)絡(luò)架構(gòu)的輸出.從圖4可以看出:搜索結(jié)果中均出現(xiàn)本文所設(shè)計的EdgeConvDiff,EdgeGroupConv與EdgeGroupConvDiff等候選操作;測試分類準(zhǔn)確率前3位分別為圖4(a)、圖4(c)和圖4(f)的網(wǎng)絡(luò)結(jié)構(gòu),新設(shè)計的候選操均出現(xiàn)2次,在圖4(d)中出現(xiàn)3次,但圖4(d)所對應(yīng)的網(wǎng)絡(luò)架構(gòu)測試分類準(zhǔn)確率并不是最高,可見架構(gòu)性能的優(yōu)劣和整體架構(gòu)中所有候選操作及其構(gòu)成方式有很大關(guān)系.

    圖4 EFGNAS生成架構(gòu)的圖形化表示Fig.4 Gaphing of the searched architecture by EFGNAS

    EFGNAS與人工設(shè)計的網(wǎng)絡(luò)架構(gòu)、自動搜索的架構(gòu)在三維點(diǎn)云模型上的分類準(zhǔn)確率、參數(shù)量和所需GPU時長對比結(jié)果見表2,其中:manual表示人工設(shè)計的網(wǎng)絡(luò)架構(gòu).

    由表2可知:本文方法EFGNAS(最佳值)與SGAS相比,參數(shù)量增加0.044 3 MB,所占用的GPU時長比SGAS減少0.031 2 d,分類準(zhǔn)確率提升了1.42%,由于SGAS算法搜索空間中的候選操作沒有考慮到分組卷積和邊緣特征的提取,影響了分類準(zhǔn)確率的提升;與RBNAS相比,本文方法EFGNAS(最佳值)的分類準(zhǔn)確率提高了0.32%,參數(shù)量減少了0.204 3 MB,GPU時長增加了0.108 8 d,原因是RBNAS算法資源平衡型漸進(jìn)式剪枝的思路存在對漸進(jìn)系數(shù)的過分依賴;與NoisyDARTS相比,本文方法EFGNAS(最佳值)的分類準(zhǔn)確率提高了0.52%,參數(shù)量減少了4.574 3 MB,GPU時長增加了0.118 8 d,原因是NoisyDARTS在候選操作中添加了噪聲,使候選操作之間公平競爭,特別是對跳躍連接的過快增長起到了一定的抑制作用,但是與選擇的噪聲及特定的數(shù)據(jù)集密切相關(guān),且泛化能力較弱;本文在SGAS的基礎(chǔ)上,采用邊緣卷積的方法提取了點(diǎn)云的全局特征與局部特征,同時,為降低引入圖卷積導(dǎo)致計算成本的增加,采用分組卷積的方法提升了搜索效率,本算法的平均分類準(zhǔn)確率EFGNAS(平均值)為92.56%,最佳分類準(zhǔn)確率EFGNAS(最佳值)為93.42%,搜索到的最佳網(wǎng)絡(luò)架構(gòu)取得了較低的GPU運(yùn)行時長和參數(shù)量,且分類準(zhǔn)確率高于目前常見的人工設(shè)計和自動搜索的網(wǎng)絡(luò)架構(gòu),說明采用邊緣卷積的方法能提取更豐富的點(diǎn)云特征.

    表2 本文方法與其他方法在三維模型分類上的比較Tab.2 Comparison with the proposed method with other methods in three-dimensional classification

    2.3 消融實(shí)驗(yàn)

    為進(jìn)一步驗(yàn)證采用邊緣特征提取的方法對分類準(zhǔn)確率的影響,本文完成了未進(jìn)行邊緣特征提取的實(shí)驗(yàn),實(shí)驗(yàn)名稱為EFGNAS*.實(shí)驗(yàn)所得到的分類準(zhǔn)確率、訓(xùn)練GPU時長、測試GPU時長和參數(shù)量見表3.從表1和表3可看出:EFGNAS(最佳值)測試分類準(zhǔn)確率較EFGNAS*(最佳值)提高了1.12%,尤其在測試GPU時長方面,較EFGNAS*降低了74%,因此,本文算法有效提升了搜索效率,且在測試分類準(zhǔn)確率有一定提升的前提下,網(wǎng)絡(luò)參數(shù)量和GPU運(yùn)行時長降低顯著.

    表3 EFGNAS*在ModelNet數(shù)據(jù)集上的分類效果Tab.3 Classification accuracy of EFGNAS*on ModelNet

    圖5為EFGNAS*在訓(xùn)練、驗(yàn)證與測試中的分類準(zhǔn)確率與迭代次數(shù)關(guān)系曲線圖.如圖5(a)所示,EFGNAS*在訓(xùn)練過程中,分類準(zhǔn)確率上升比較平穩(wěn),6次訓(xùn)練中,最高分類準(zhǔn)確率為97.02%,比EFGNAS低0.22%,從開始訓(xùn)練到迭代10次,性能提升較快.其中:3次訓(xùn)練過程分類準(zhǔn)確率較低,在迭代的中后期,雖然性能有一定提升,但仍與最高分類準(zhǔn)確率存在差距,而EFGNAS前期性能提升較慢的訓(xùn)練過程在迭代的中后期提升較快,接近最高分類準(zhǔn)確率.由圖5(b)和圖5(c)可知:EFGNAS*的驗(yàn)證分類準(zhǔn)確率和測試分類準(zhǔn)確率在剛開始到第10次迭代過程中準(zhǔn)確率提升較快,之后出現(xiàn)大幅下降,且后期提升緩慢.對比圖3(b)和圖3(c)可知:本算法魯棒性較強(qiáng),能有效抑制過擬合,分類準(zhǔn)確率上升平穩(wěn).

    圖5 EFGNAS*在訓(xùn)練、驗(yàn)證與測試中的分類準(zhǔn)確率與迭代次數(shù)關(guān)系曲線圖Fig.5 Plot of classification accuracy with iterations in training,validation and testing by EFGNAS*

    表4對比了EFGNAS和EFGNAS*分類準(zhǔn)確率的排序.

    表4 2種不同網(wǎng)絡(luò)模型在訓(xùn)練、驗(yàn)證和測試中分類準(zhǔn)確率的排序Tab.4 Classification accuracy rank of two different network models in training,validation,and testing

    將排序表示為肯德爾相關(guān)性系數(shù)時可以分析出不同排序的相關(guān)性.肯德爾相關(guān)系數(shù)又稱和諧系數(shù),是一個用來測量2個隨機(jī)變量排序相關(guān)性的統(tǒng)計值,表示為

    其中:c為所對比的2個序列中擁有一致性的元素對數(shù);d表示序列中擁有不一致性的元素對數(shù);n表示樣本量表示所有樣本兩兩組合的數(shù)量.一個肯德爾檢驗(yàn)是一個無參數(shù)假設(shè)檢驗(yàn),它使用計算所得的相關(guān)系數(shù)去檢驗(yàn)2個隨機(jī)變量的統(tǒng)計依賴性.τ的取值范圍為[-1,1],當(dāng)τ為1時,表示2個隨機(jī)變量擁有一致的等級相關(guān)性;當(dāng)τ為-1時,表示2個隨機(jī)變量擁有完全相反的等級.理想的NAS算法應(yīng)該具有較高的搜索-測試肯德爾相關(guān)性系數(shù)τ.

    本實(shí)驗(yàn)對比EFGNAS和EFGNAS*的訓(xùn)練階段、驗(yàn)證階段和測試階段的肯德爾相關(guān)系數(shù).表5為EFGNAS和EFGNAS*分類準(zhǔn)確率排序的肯德爾相關(guān)系數(shù)值,由訓(xùn)練階段、驗(yàn)證階段和測試階段的分類準(zhǔn)確率排名計算所得.從表5和式(6)可知:EFGNAS訓(xùn)練階段與驗(yàn)證階段分類準(zhǔn)確率的τ值為0.333 3,EFGNAS*訓(xùn)練階段與驗(yàn)證階段分類準(zhǔn)確率的τ值為0.200 0;EFGNAS訓(xùn)練階段與測試階段分類準(zhǔn)確率的τ值為0.600 0,而EFGNAS*訓(xùn)練階段與測試階段分類準(zhǔn)確率的τ值為-0.066 7.以上數(shù)據(jù)說明EFGNAS在訓(xùn)練階段和驗(yàn)證階段、訓(xùn)練階段和測試階段均具有較高的相關(guān)性,同時也證明了EFGNAS模型的魯棒性較強(qiáng).

    表5 EFGNAS和EFGNAS*分類準(zhǔn)確率肯德爾相關(guān)性系數(shù)Tab.5 Comparison of search-evaluation Kendall coefficients and classification accuracy by EFGNAS&EFGNAS*

    3 結(jié)論

    針對目前大多數(shù)圖神經(jīng)網(wǎng)絡(luò)注重研究對象實(shí)體特征信息、忽略與邊相關(guān)的特征信息的問題,本文提出了基于邊緣特征提取的架構(gòu)搜索算法自動設(shè)計網(wǎng)絡(luò)架構(gòu).首先,提出了邊緣特征圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的方法,設(shè)計了基于邊緣特征的搜索空間和搜索算法;其次,將邊緣與實(shí)體視為等價體,利用雙層優(yōu)化方法對實(shí)體信息和邊信息進(jìn)行了更新,采用邊緣卷積和通道洗牌操作,在有限的計算資源下,獲得了最佳的模型分類精度,并在速度和精度之間取得良好的平衡;最后,通過三維點(diǎn)云分類的實(shí)驗(yàn),對所提出的方法進(jìn)行了驗(yàn)證.仿真實(shí)驗(yàn)結(jié)果表明:本文所提出的方法能提升網(wǎng)絡(luò)架構(gòu)搜索算法的效率,防止網(wǎng)絡(luò)過擬合,提高三維點(diǎn)云分類準(zhǔn)確率,具有較強(qiáng)的魯棒性.總的來說,目前圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索取得了一定的效果,但在處理深層網(wǎng)絡(luò)結(jié)構(gòu)、大規(guī)模數(shù)據(jù)時,其適應(yīng)性、可擴(kuò)展性和效率方面仍有很大的改進(jìn)空間.

    猜你喜歡
    分類特征
    抓住特征巧觀察
    分類算一算
    垃圾分類的困惑你有嗎
    大眾健康(2021年6期)2021-06-08 19:30:06
    新型冠狀病毒及其流行病學(xué)特征認(rèn)識
    如何表達(dá)“特征”
    不忠誠的四個特征
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    抓住特征巧觀察
    午夜福利在线观看吧| 久久人人爽人人爽人人片va| 亚洲真实伦在线观看| 亚洲,欧美,日韩| 精品久久久久久久久久久久久| 1024手机看黄色片| 国产精品精品国产色婷婷| 亚洲av.av天堂| 欧美日韩在线观看h| 亚洲欧美精品自产自拍| 欧美人与善性xxx| 日本三级黄在线观看| 亚洲精品久久久久久婷婷小说 | 免费搜索国产男女视频| 97超视频在线观看视频| 日本五十路高清| 人体艺术视频欧美日本| 精品少妇黑人巨大在线播放 | 国产淫片久久久久久久久| 亚洲aⅴ乱码一区二区在线播放| 国产黄a三级三级三级人| 久久精品国产自在天天线| 大型黄色视频在线免费观看| 中文亚洲av片在线观看爽| 久久久久免费精品人妻一区二区| 国产又黄又爽又无遮挡在线| 国产片特级美女逼逼视频| 免费看美女性在线毛片视频| 亚洲精品色激情综合| 国产三级中文精品| 免费无遮挡裸体视频| 国产 一区 欧美 日韩| 精品久久久久久久久久久久久| 亚洲av电影不卡..在线观看| 99热精品在线国产| 在线观看免费视频日本深夜| 久久99精品国语久久久| 美女黄网站色视频| 舔av片在线| 爱豆传媒免费全集在线观看| 国产亚洲91精品色在线| 欧美日韩乱码在线| 少妇的逼好多水| 亚洲精品成人久久久久久| 熟女电影av网| 国产精品1区2区在线观看.| 亚洲av中文字字幕乱码综合| 99久久人妻综合| 99热全是精品| 毛片女人毛片| 一个人免费在线观看电影| 免费不卡的大黄色大毛片视频在线观看 | 久久久久久久久久久丰满| 99热这里只有是精品在线观看| 亚洲四区av| 女人十人毛片免费观看3o分钟| 亚洲欧洲日产国产| 99热只有精品国产| 免费电影在线观看免费观看| 日产精品乱码卡一卡2卡三| 国产女主播在线喷水免费视频网站 | 国产乱人视频| 欧美日韩一区二区视频在线观看视频在线 | 最近视频中文字幕2019在线8| 欧美性感艳星| 亚洲av一区综合| 激情 狠狠 欧美| 亚洲熟妇中文字幕五十中出| 日韩三级伦理在线观看| 男女做爰动态图高潮gif福利片| 人人妻人人澡欧美一区二区| АⅤ资源中文在线天堂| 有码 亚洲区| 99国产精品一区二区蜜桃av| 可以在线观看的亚洲视频| 亚洲第一电影网av| 日韩在线高清观看一区二区三区| 精品久久久噜噜| 国产精品福利在线免费观看| 成人毛片60女人毛片免费| 中文亚洲av片在线观看爽| 国产精品1区2区在线观看.| 少妇高潮的动态图| 国产成人一区二区在线| 97超碰精品成人国产| 国产色婷婷99| 精品国内亚洲2022精品成人| 久久久欧美国产精品| 成人特级黄色片久久久久久久| 亚洲精品日韩av片在线观看| a级毛片a级免费在线| 69人妻影院| 日本欧美国产在线视频| 最近的中文字幕免费完整| 亚洲av不卡在线观看| 精品久久久久久久人妻蜜臀av| 麻豆成人av视频| 久久久久久久久久成人| 九草在线视频观看| 看免费成人av毛片| 一个人看的www免费观看视频| 国产亚洲av片在线观看秒播厂 | 国产久久久一区二区三区| 国产单亲对白刺激| 成年免费大片在线观看| 麻豆乱淫一区二区| 成人av在线播放网站| 国产美女午夜福利| 国产老妇伦熟女老妇高清| 久久国内精品自在自线图片| 18禁在线无遮挡免费观看视频| 免费人成视频x8x8入口观看| 嫩草影院新地址| 搡老妇女老女人老熟妇| or卡值多少钱| 乱人视频在线观看| 乱人视频在线观看| 黄色视频,在线免费观看| 丰满乱子伦码专区| 男女边吃奶边做爰视频| 亚洲自偷自拍三级| 亚洲一级一片aⅴ在线观看| 日韩制服骚丝袜av| 色吧在线观看| 高清日韩中文字幕在线| 国产蜜桃级精品一区二区三区| 色噜噜av男人的天堂激情| 少妇人妻一区二区三区视频| 神马国产精品三级电影在线观看| 日韩一本色道免费dvd| 日韩av不卡免费在线播放| 国内少妇人妻偷人精品xxx网站| 寂寞人妻少妇视频99o| 身体一侧抽搐| 人妻夜夜爽99麻豆av| 日本黄大片高清| 两个人的视频大全免费| 国产精品一区二区性色av| 成人毛片60女人毛片免费| 国产成人精品久久久久久| 天堂中文最新版在线下载 | 亚洲国产精品国产精品| 欧美极品一区二区三区四区| 成人鲁丝片一二三区免费| 色视频www国产| 婷婷色av中文字幕| 女的被弄到高潮叫床怎么办| 人妻久久中文字幕网| 人妻久久中文字幕网| 精品久久久久久成人av| 精品久久久久久久久久久久久| 国产又黄又爽又无遮挡在线| 亚洲欧美日韩高清在线视频| 精品久久久噜噜| 国产探花在线观看一区二区| 亚洲三级黄色毛片| 国产精品野战在线观看| 全区人妻精品视频| 99久久精品热视频| or卡值多少钱| 麻豆成人午夜福利视频| 亚洲欧美精品综合久久99| 特大巨黑吊av在线直播| 别揉我奶头 嗯啊视频| 99热这里只有是精品50| 国产精品电影一区二区三区| 久久久精品大字幕| av专区在线播放| 亚洲在久久综合| 在线观看66精品国产| 在线观看av片永久免费下载| 亚洲欧美日韩无卡精品| 国内揄拍国产精品人妻在线| 日韩欧美三级三区| 亚洲欧洲日产国产| 听说在线观看完整版免费高清| 久久综合国产亚洲精品| 久久人人爽人人爽人人片va| 亚洲欧洲日产国产| 午夜亚洲福利在线播放| 18禁在线无遮挡免费观看视频| 给我免费播放毛片高清在线观看| 国产精品久久久久久精品电影小说 | 国产中年淑女户外野战色| 青春草国产在线视频 | 国产精品人妻久久久久久| 亚洲无线观看免费| 日本熟妇午夜| 婷婷亚洲欧美| 日本-黄色视频高清免费观看| 日韩一本色道免费dvd| 亚洲精品久久久久久婷婷小说 | 免费观看精品视频网站| 日韩欧美在线乱码| 久久久久久久久久久免费av| 日本黄大片高清| 国产 一区精品| 99久久精品热视频| 天堂√8在线中文| 一级二级三级毛片免费看| 精品久久久久久久末码| 熟女人妻精品中文字幕| 成人二区视频| 国产色爽女视频免费观看| 在线播放无遮挡| 国产精品久久久久久亚洲av鲁大| 日韩欧美三级三区| 日日干狠狠操夜夜爽| 男插女下体视频免费在线播放| 午夜福利成人在线免费观看| 人人妻人人看人人澡| 少妇熟女aⅴ在线视频| 欧美日韩一区二区视频在线观看视频在线 | 日韩欧美精品免费久久| 美女 人体艺术 gogo| 男女那种视频在线观看| 少妇高潮的动态图| 村上凉子中文字幕在线| 亚洲av成人av| 超碰av人人做人人爽久久| 亚洲精品国产av成人精品| 特大巨黑吊av在线直播| 亚洲无线观看免费| 18禁黄网站禁片免费观看直播| 亚洲av免费在线观看| 男女边吃奶边做爰视频| 久久6这里有精品| 一本一本综合久久| 免费看av在线观看网站| 丝袜喷水一区| 日韩在线高清观看一区二区三区| 波野结衣二区三区在线| 大型黄色视频在线免费观看| 午夜a级毛片| 色综合站精品国产| 免费人成视频x8x8入口观看| 国产片特级美女逼逼视频| 精品久久久久久久久久免费视频| 国产精品乱码一区二三区的特点| 国产爱豆传媒在线观看| 中文欧美无线码| 丰满人妻一区二区三区视频av| 欧美性猛交╳xxx乱大交人| 一本久久精品| 国产精品伦人一区二区| 午夜精品一区二区三区免费看| 熟妇人妻久久中文字幕3abv| 午夜福利在线观看免费完整高清在 | 日产精品乱码卡一卡2卡三| 日韩欧美一区二区三区在线观看| 亚洲欧洲日产国产| 卡戴珊不雅视频在线播放| 久99久视频精品免费| 校园春色视频在线观看| 国产精品电影一区二区三区| 婷婷亚洲欧美| 国产三级中文精品| 99久久中文字幕三级久久日本| 听说在线观看完整版免费高清| 能在线免费看毛片的网站| 日本撒尿小便嘘嘘汇集6| 中文在线观看免费www的网站| 亚洲成av人片在线播放无| 亚洲中文字幕日韩| 97人妻精品一区二区三区麻豆| 天堂√8在线中文| 一个人观看的视频www高清免费观看| 乱系列少妇在线播放| 别揉我奶头 嗯啊视频| 在线播放无遮挡| 国产精品久久久久久久电影| 精品人妻视频免费看| 深夜精品福利| 少妇猛男粗大的猛烈进出视频 | 亚洲不卡免费看| 国产毛片a区久久久久| 免费av毛片视频| 亚洲成人久久爱视频| 成人永久免费在线观看视频| 在线观看一区二区三区| 亚洲精品国产av成人精品| 啦啦啦韩国在线观看视频| 久久精品人妻少妇| 我要搜黄色片| 国产乱人偷精品视频| 日本黄大片高清| or卡值多少钱| 一级av片app| 黄色日韩在线| 国产高清激情床上av| 久久久精品欧美日韩精品| 婷婷色av中文字幕| 天堂网av新在线| 在线天堂最新版资源| 久久久久久国产a免费观看| 干丝袜人妻中文字幕| 欧美日韩综合久久久久久| 成年女人永久免费观看视频| 女的被弄到高潮叫床怎么办| 国产成人精品久久久久久| av卡一久久| 欧美激情国产日韩精品一区| 欧美性感艳星| 国产精品不卡视频一区二区| 最近视频中文字幕2019在线8| 欧美最黄视频在线播放免费| 国产精品一区二区三区四区久久| 日本一本二区三区精品| 亚洲av免费在线观看| 亚洲第一电影网av| 国产蜜桃级精品一区二区三区| 特大巨黑吊av在线直播| 婷婷色综合大香蕉| 成人亚洲精品av一区二区| 91aial.com中文字幕在线观看| 最近的中文字幕免费完整| 两个人的视频大全免费| 99久久精品国产国产毛片| 国产精品一区二区在线观看99 | 欧美日韩在线观看h| 中文字幕精品亚洲无线码一区| 99久久久亚洲精品蜜臀av| 男人的好看免费观看在线视频| 免费av不卡在线播放| 99国产精品一区二区蜜桃av| 一个人看视频在线观看www免费| 最近视频中文字幕2019在线8| a级一级毛片免费在线观看| 黑人高潮一二区| 国产综合懂色| 免费不卡的大黄色大毛片视频在线观看 | 免费大片18禁| 熟妇人妻久久中文字幕3abv| 最近中文字幕高清免费大全6| 久久久久免费精品人妻一区二区| 久久综合国产亚洲精品| 久久精品国产亚洲av涩爱 | 亚洲经典国产精华液单| 美女内射精品一级片tv| 国产老妇女一区| 国产精品久久视频播放| 成年版毛片免费区| 欧美成人一区二区免费高清观看| 在线观看66精品国产| 亚洲高清免费不卡视频| 中文亚洲av片在线观看爽| 97热精品久久久久久| 欧美最新免费一区二区三区| 高清毛片免费观看视频网站| 国产一级毛片七仙女欲春2| 99riav亚洲国产免费| 日本成人三级电影网站| 99久久精品国产国产毛片| 夜夜看夜夜爽夜夜摸| 日韩高清综合在线| 亚洲欧美精品自产自拍| 简卡轻食公司| 日韩精品青青久久久久久| 国产麻豆成人av免费视频| 国内少妇人妻偷人精品xxx网站| 好男人在线观看高清免费视频| 寂寞人妻少妇视频99o| 99久久精品国产国产毛片| 亚洲国产高清在线一区二区三| 高清毛片免费观看视频网站| 亚洲一区二区三区色噜噜| 一本一本综合久久| 精品人妻偷拍中文字幕| 午夜激情欧美在线| 国产三级在线视频| 又爽又黄无遮挡网站| 村上凉子中文字幕在线| 女的被弄到高潮叫床怎么办| 男女做爰动态图高潮gif福利片| 免费黄网站久久成人精品| 日本免费一区二区三区高清不卡| 性色avwww在线观看| 国产熟女欧美一区二区| 97热精品久久久久久| 久久亚洲国产成人精品v| 一边亲一边摸免费视频| 亚洲精华国产精华液的使用体验 | h日本视频在线播放| 国产成人a∨麻豆精品| 看免费成人av毛片| 嫩草影院精品99| kizo精华| 91在线精品国自产拍蜜月| 久久鲁丝午夜福利片| 亚洲国产精品成人综合色| 久久久久久久久久久免费av| 男人的好看免费观看在线视频| 国产午夜福利久久久久久| 久久午夜亚洲精品久久| 国产乱人视频| 免费看av在线观看网站| 亚洲欧洲国产日韩| 久久久a久久爽久久v久久| 亚洲国产欧洲综合997久久,| 免费一级毛片在线播放高清视频| 日韩强制内射视频| 日韩国内少妇激情av| 亚洲av第一区精品v没综合| 岛国毛片在线播放| 一本久久精品| 国产爱豆传媒在线观看| 成年免费大片在线观看| 午夜a级毛片| av黄色大香蕉| 久久精品影院6| 午夜视频国产福利| 校园人妻丝袜中文字幕| av福利片在线观看| 日本一二三区视频观看| 午夜福利高清视频| 又爽又黄无遮挡网站| 在线观看一区二区三区| 久久人妻av系列| 欧美精品国产亚洲| 久久亚洲国产成人精品v| 日本爱情动作片www.在线观看| 国产精品.久久久| 一级毛片我不卡| 久久精品91蜜桃| 久99久视频精品免费| 2022亚洲国产成人精品| 一卡2卡三卡四卡精品乱码亚洲| 色综合亚洲欧美另类图片| 久久人妻av系列| 精品久久久久久久久av| 欧美+日韩+精品| 少妇猛男粗大的猛烈进出视频 | 久久人人爽人人片av| 国产 一区精品| 亚洲国产精品久久男人天堂| 波多野结衣高清作品| 国产伦精品一区二区三区四那| 中国国产av一级| 日韩国内少妇激情av| 亚洲五月天丁香| 亚洲中文字幕一区二区三区有码在线看| 久99久视频精品免费| 国产精品福利在线免费观看| 99久久人妻综合| 国产精品一区二区三区四区久久| 亚洲成av人片在线播放无| 岛国在线免费视频观看| 久久精品91蜜桃| 国产麻豆成人av免费视频| 国产精品无大码| 久久精品国产亚洲av天美| av免费在线看不卡| 中文字幕av在线有码专区| 一级毛片久久久久久久久女| av天堂中文字幕网| 成人av在线播放网站| 亚洲欧美精品专区久久| 99久久成人亚洲精品观看| 国产av不卡久久| 国产伦理片在线播放av一区 | 麻豆精品久久久久久蜜桃| 日韩强制内射视频| 日韩视频在线欧美| 一级二级三级毛片免费看| 国产白丝娇喘喷水9色精品| 禁无遮挡网站| 午夜福利在线在线| 国产久久久一区二区三区| 国产精品一区二区三区四区久久| 尾随美女入室| 精品久久久久久久末码| 国内少妇人妻偷人精品xxx网站| 干丝袜人妻中文字幕| 久久久成人免费电影| 成人一区二区视频在线观看| 欧美日韩乱码在线| 亚洲中文字幕日韩| 麻豆乱淫一区二区| 精品国产三级普通话版| 啦啦啦韩国在线观看视频| 免费观看人在逋| 一级黄色大片毛片| 可以在线观看的亚洲视频| 91av网一区二区| 国产亚洲av片在线观看秒播厂 | 2022亚洲国产成人精品| 国产久久久一区二区三区| 哪里可以看免费的av片| 国产成人freesex在线| 99riav亚洲国产免费| 欧美+亚洲+日韩+国产| 成熟少妇高潮喷水视频| 波多野结衣高清作品| av在线亚洲专区| 欧美xxxx黑人xx丫x性爽| 久久久久久九九精品二区国产| 91精品国产九色| 国产精品免费一区二区三区在线| 在线国产一区二区在线| 精品久久久久久久末码| 亚洲精品亚洲一区二区| 国产久久久一区二区三区| 有码 亚洲区| 人妻制服诱惑在线中文字幕| 亚洲欧美日韩高清专用| 成人三级黄色视频| 久久久精品大字幕| 日本av手机在线免费观看| 欧美三级亚洲精品| 国产69精品久久久久777片| 久久精品国产清高在天天线| 在线国产一区二区在线| 欧美xxxx黑人xx丫x性爽| 久久精品人妻少妇| 国产精品永久免费网站| 色综合站精品国产| .国产精品久久| 热99re8久久精品国产| 在线观看一区二区三区| 免费一级毛片在线播放高清视频| 亚洲国产精品成人综合色| 一区二区三区高清视频在线| 夜夜夜夜夜久久久久| 色吧在线观看| 麻豆成人av视频| 亚洲欧美清纯卡通| 村上凉子中文字幕在线| 最近最新中文字幕大全电影3| 变态另类丝袜制服| 看免费成人av毛片| 久99久视频精品免费| 最新中文字幕久久久久| 亚洲丝袜综合中文字幕| а√天堂www在线а√下载| 国产精品一区二区在线观看99 | 九九热线精品视视频播放| 亚洲色图av天堂| 国产黄色视频一区二区在线观看 | 午夜福利在线观看吧| 日韩精品青青久久久久久| 色尼玛亚洲综合影院| 成人特级av手机在线观看| 欧美最新免费一区二区三区| 99热全是精品| 亚洲一级一片aⅴ在线观看| 91狼人影院| 国产亚洲av嫩草精品影院| 国产精品久久久久久亚洲av鲁大| 国产在视频线在精品| 国产精品三级大全| 亚洲av二区三区四区| 非洲黑人性xxxx精品又粗又长| 免费av毛片视频| 色5月婷婷丁香| 久久九九热精品免费| av免费观看日本| 精品久久久久久久久久久久久| 国产一区亚洲一区在线观看| 99久久精品一区二区三区| 亚洲精品影视一区二区三区av| 22中文网久久字幕| 性欧美人与动物交配| 26uuu在线亚洲综合色| 国产成人精品一,二区 | 国产一级毛片七仙女欲春2| 如何舔出高潮| 国产精品日韩av在线免费观看| 亚洲av二区三区四区| 国产日本99.免费观看| 99久久中文字幕三级久久日本| 欧美人与善性xxx| 国产片特级美女逼逼视频| 一区福利在线观看| 在线播放无遮挡| 亚洲最大成人手机在线| 少妇丰满av| 欧美高清成人免费视频www| 一本久久精品| 亚洲成人中文字幕在线播放| 亚洲丝袜综合中文字幕| 欧美成人一区二区免费高清观看| 黄片无遮挡物在线观看| 99热精品在线国产| 午夜福利在线观看吧| 亚洲自拍偷在线| 一级毛片aaaaaa免费看小| videossex国产| 国产真实伦视频高清在线观看| 欧美潮喷喷水| 中国美女看黄片| 日韩欧美精品v在线| 美女被艹到高潮喷水动态| 97热精品久久久久久| 美女大奶头视频| a级一级毛片免费在线观看| 18禁裸乳无遮挡免费网站照片| av免费观看日本| 看黄色毛片网站| 一本久久中文字幕| 五月伊人婷婷丁香| 日韩欧美在线乱码| 国产精品嫩草影院av在线观看| 亚洲欧美成人综合另类久久久 | 精品人妻视频免费看| 国产精品野战在线观看| 一本久久精品| 色噜噜av男人的天堂激情| 国产精品不卡视频一区二区| 精品欧美国产一区二区三| 最新中文字幕久久久久| 尾随美女入室| 人妻少妇偷人精品九色| 亚洲av男天堂| 岛国毛片在线播放| 99热这里只有是精品在线观看|