• <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 ?

    雙向信息交互的道路場景全景分割網(wǎng)絡(luò)

    2023-02-23 08:29:20劉博林黃勁松
    導(dǎo)航定位學(xué)報 2023年6期
    關(guān)鍵詞:全景分支實例

    劉博林,黃勁松

    雙向信息交互的道路場景全景分割網(wǎng)絡(luò)

    劉博林,黃勁松

    (武漢大學(xué) 測繪學(xué)院,武漢 430079)

    為了進一步研究道路場景的全景分割功能,為自動駕駛車輛全面感知環(huán)境提供支持,提出一種雙向信息交互的全景分割網(wǎng)絡(luò):通過主干網(wǎng)絡(luò)進行特征提取,并將特征分別輸入到語義分割分支和實例分割分支;然后在分支間增加實例增強信息模塊、語義增強信息模塊以增強信息交互;最后采用改進的融合算法將語義結(jié)果和實例結(jié)果融合,得到全景分割的預(yù)測結(jié)果。實驗結(jié)果表明,設(shè)計的雙向信息交互模塊能夠提高全景分割網(wǎng)絡(luò)的性能,在Cityscapes數(shù)據(jù)集上采用512×1 024個像素分辨率的圖像情況下得到了46.8的全景質(zhì)量(PQ)分?jǐn)?shù)。

    全景分割;自動駕駛;多任務(wù)學(xué)習(xí);信息交互;語義分割;實例分割

    0 引言

    全景分割[1]旨在識別圖像中的所有事物,賦予其類別標(biāo)簽和實例標(biāo)識(identification,ID)。在全景分割任務(wù)中,圖像類別標(biāo)簽可分為2類,即things和stuff。things是可計數(shù)的物體,例如車輛、行人等。而stuff是由剩余類別組成,一般不可計數(shù),例如天空、道路和水。全景分割可以看作實例分割和語義分割結(jié)果的融合。語義分割與實例分割是計算機視覺中的經(jīng)典任務(wù),語義分割任務(wù)是將圖像中的每個像素分類,賦予每個像素類別標(biāo)簽,既包含things類,也包括stuff類;實例分割更關(guān)注圖像中物體級別的檢測,其目標(biāo)是檢測每個物體并用分割掩碼來表示,實例分割任務(wù)只關(guān)注圖像中存在的things類,而不考慮stuff類。

    隨著圖像處理技術(shù)的發(fā)展,數(shù)字圖像已經(jīng)成為日常生活中不可缺少的媒介,每時每刻都在產(chǎn)生圖像數(shù)據(jù)。對圖像中的物體進行快速準(zhǔn)確的分割變得愈發(fā)重要[2]。在自動駕駛場景中,全景分割的結(jié)果可以為導(dǎo)航定位系統(tǒng)提供豐富的語義信息。通過將場景分割成不同的語義區(qū)域,可以識別出道路、建筑物、行人、車輛等重要的道路場景信息。這些信息可以幫助自動駕駛車輛全面地感知環(huán)境,從而幫助其進行場景理解和語義推理,為進行更高級別的決策和規(guī)劃提供支持。

    2018年,文獻[1]首次提出了全景分割概念,使用了一種融合方法,將當(dāng)時最好的實例分割網(wǎng)絡(luò)掩碼區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(mask region-convolutional neural network,Mask R-CNN)[3]和語義分割網(wǎng)絡(luò)金字塔場景解析網(wǎng)絡(luò)(pyramid scene parsing network,PSPNet)[4]的結(jié)果合并為全景分割結(jié)果,為后續(xù)研究提供基準(zhǔn)。文獻[5]首次提出了統(tǒng)一的全景分割網(wǎng)絡(luò)框架,引入了公共特征提取網(wǎng)絡(luò)以減少計算量,在不降低精度的情況下縮短了推斷時間。全景特征金字塔網(wǎng)絡(luò)(panoptic feature pyramid networks,Panoptic FPN)[6]在實例分割網(wǎng)絡(luò)Mask R-CNN的基礎(chǔ)上增加了語義分支全卷積網(wǎng)絡(luò)[7](fully convolutional networks,F(xiàn)CN),通過融合FCN的語義分割結(jié)果和Mask R-CNN的實例分割結(jié)果得到全景分割結(jié)果。這種利用子網(wǎng)絡(luò)獨立分割,再對結(jié)果進行融合的方法成為一種十分經(jīng)典的方法。但上述方法未考慮子任務(wù)間存在的相關(guān)性。由于語義分割和實例分割任務(wù)間存在一定的互補性,一些研究提出利用任務(wù)間的信息交互來改善全景分割結(jié)果。文獻[8]提出了2個實例增強信息模塊,利用實例分支的物體結(jié)構(gòu)信息補充語義分支,有效利用了實例分支的背景信息,提升了全景分割質(zhì)量。文獻[9]針對道路場景提出了一種使用語義信息增強實例分支的網(wǎng)絡(luò),利用語義分支的像素信息增強實例分支的識別能力。文獻[10]提出了一種信息聚合的網(wǎng)絡(luò),利用語義分割和實例分割間進行的特征交流,提升了全景分割效果。文獻[11]設(shè)計了一個分支間加入了結(jié)果一致性(things and stuff consistency,TASC)模塊的方法,用實例分割結(jié)果和語義分割結(jié)果融合來監(jiān)督任務(wù)的一致性,一定程度上解決了子分支間的沖突問題。上述網(wǎng)絡(luò)表明多任務(wù)全景分割網(wǎng)絡(luò)分支間必要的信息交互能有效改善全景分割結(jié)果,但這些方法大多是單向的信息交互方法。一些研究方法從其他方面入手改善全景分割網(wǎng)絡(luò)性能。文獻[12]基于圖卷積網(wǎng)絡(luò)提出了一種全景分割網(wǎng)絡(luò),利用邊界信息來增強監(jiān)督信息并幫助區(qū)分相鄰對象。文獻[13]提出一種基于分組卷積進行特征融合的全景分割算法,提升了網(wǎng)絡(luò)的運算速度。文獻[14]將圖卷積網(wǎng)絡(luò)和傳統(tǒng)全景分割網(wǎng)絡(luò)相結(jié)合,研究前景things和背景stuff的關(guān)系,提出了雙向圖形連接模塊(bidirectional graph reasoning module),它可以在前景物體和背景區(qū)域之間進行信息傳遞和交互。文獻[15]提出了一種無參數(shù)的全景分割頭來融合語義和姿態(tài)分割預(yù)測以代替?zhèn)鹘y(tǒng)的啟發(fā)式方法,借助其全景分割頭,產(chǎn)生了一個高性能的分?jǐn)?shù)。文獻[16]基于文獻[15]在殘差網(wǎng)絡(luò)和特征金字塔之間添加一種三重態(tài)注意力機制,提升了網(wǎng)絡(luò)性能。文獻[17]提出了空間排序模塊,以解決分?jǐn)?shù)較高的物體對分?jǐn)?shù)較低物體的覆蓋問題。

    本文針對多任務(wù)全景分割網(wǎng)絡(luò)中語義分割和實例分割子網(wǎng)絡(luò)間的信息交互問題,設(shè)計一種雙向信息交互的全景分割網(wǎng)絡(luò),網(wǎng)絡(luò)通過引入語義增強信息和實例增強信息模塊實現(xiàn)分支間的信息交互。該網(wǎng)絡(luò)并行進行語義分割、實例分割,最終通過改進的融合算法將二者結(jié)果合并為全景分割結(jié)果。

    1 網(wǎng)絡(luò)結(jié)構(gòu)

    對于一幅輸入圖像,首先提取特征;然后將提取的特征輸入語義分割與實例分割的子任務(wù)分支進行處理,產(chǎn)生語義分割與實例分割輸出;最后是子任務(wù)融合,將語義與實例分支產(chǎn)生的結(jié)果通過適當(dāng)?shù)牟呗赃M行融合,產(chǎn)生最終的全景預(yù)測。

    本文提出的全景分割網(wǎng)絡(luò)包括特征提取部分、實例分割分支、語義分割分支和融合模塊4部分,為了增強實例和語義信息之間的交互,在語義分支和實例分支間引入了實例增強信息模塊和語義增強信息模塊,實現(xiàn)了雙向信息傳遞和融合。整體框架結(jié)構(gòu)如圖1所示,圖中RPN為區(qū)域提議網(wǎng)絡(luò)(region proposal networks),ROI為感興趣區(qū)域(region of interest)。

    圖1 本文全景分割網(wǎng)絡(luò)框架

    輸入圖像首先通過帶有特征金字塔網(wǎng)絡(luò)(feature pyramid networks,F(xiàn)PN)[18]的主干網(wǎng)絡(luò)殘差網(wǎng)絡(luò)(residual network,ResNet)進行特征提取;其次每層的特征圖分別輸入于語義分割分支和實例分割分支;接下來先將提取的多尺度特征輸入至RPN輸出ROIs,同時利用RPN豐富的前景背景信息采用實例增強信息模塊提取上下文信息,并與語義分支的特征融合,進行語義預(yù)測,語義分支采用普通的FCN以實現(xiàn);然后將語義結(jié)果通過語義增強信息模塊增強實例特征表示,實例分支則遵循經(jīng)典的Mask R-CNN方法進行實例預(yù)測;最后將得到的語義掩碼和實例掩碼經(jīng)過改進的融合算法得到最終的全景分割結(jié)果。

    1.1 實例增強信息模塊

    在Mask R-CNN中,RPN能夠為檢測任務(wù)提供預(yù)測的二值標(biāo)簽(things和stuff標(biāo)簽)和包圍框(bounding box)坐標(biāo)。這表示在RPN中蘊含著豐富的前景和背景信息,這些上下文信息能夠提供額外的語義分割類別信息,減少語義分支的分類錯誤。因此設(shè)計了實例增強信息模塊來增強語義分支。

    實例增強信息模塊使用RPN分支的上下文信息和語義分支進行信息交互。首先提取RPN的上下文信息,計算公式為

    式中:R為R×"×"維度第層的RPN輸入特征圖,其中R為RPN層通道(channel,C),"、"分別為第層RPN特征圖的寬(width,W)、高(height,H);θ,1θ,2為卷積層的參數(shù);(?)為卷積(convolution,Conv)操作;1為修正線性單元(rectified linear unit,ReLU)激活函數(shù);2為S型(Sigmoid)激活函數(shù);M為RPN的上下文信息權(quán)重。

    為了突出第層RPN的上下文信息M對語義分支的影響,將M與來自第層的語義特征圖S進行計算。計算公式為

    為了減少無用的背景層對語義分割結(jié)果的影響,受文獻[19]啟發(fā),設(shè)計了一個重加權(quán)模塊以降低上下文信息M中無用權(quán)重的影響。重加權(quán)模塊計算公式為

    式中:(?)為全局平均池化(global average pooling,GAP);θ,3、θ,4為卷積層的參數(shù);3為ReLU激活函數(shù);4為Sigmoid激活函數(shù);N為重新加權(quán)的結(jié)果。

    最終將重加權(quán)結(jié)果N和實例增強后的語義特征圖相乘得到語義結(jié)果,計算公式為

    實例增強信息模塊的整體流程如圖2所示。圖中s為語義分支通道。

    圖2 實例增強信息模塊

    1.2 語義增強信息模塊

    在針對某些things的預(yù)測中,語義分割的預(yù)測結(jié)果會優(yōu)于實例分割對該things的預(yù)測結(jié)果;而在本文所示的網(wǎng)絡(luò)結(jié)構(gòu)中,如圖1所示,為避免2個分支對things預(yù)測的沖突,只選擇實例分割分支的結(jié)果作為things類別的預(yù)測。因此這種算法會導(dǎo)致語義分割分支的某些潛在的有價值信息的損失,從而導(dǎo)致模型性能降低。所以在這些原因的啟發(fā)下,本文添加了一個額外的模塊,其采用語義分支豐富的上下文信息以提高實例分支對things類別預(yù)測的精度。

    提出一個語義增強實例模塊來實現(xiàn)上述想法。首先在語義分支結(jié)果部分和ROI階段增加了一個額外的信息交互通道,該通道首先提取語義結(jié)果信息,計算公式為

    然后將第層得到的語義分支權(quán)重W和來自實例分支的第層的特征圖P進行計算,計算公式為

    同樣地,考慮到實例分支只關(guān)注things類別的檢測和分支,為了減少無用的背景信息對實例分支精度的削弱,設(shè)計了一個與1.1節(jié)相同的重加權(quán)模塊以降低W無用權(quán)重的影響,計算公式為

    語義增強信息模塊的整體流程如圖3所示。

    圖3 語義增強信息模塊

    1.3 融合模塊

    由于本文的網(wǎng)絡(luò)是并行獨立地輸出語義分割結(jié)果和實例分割結(jié)果,因此需要進行后處理操作以將2種預(yù)測結(jié)果合并為全景分割結(jié)果。全景分割結(jié)果分為2部分,即類別標(biāo)簽和實例ID。在進行融合時,需要處理2個問題,即重疊問題和沖突問題。本文在傳統(tǒng)啟發(fā)式方法的基礎(chǔ)上做出改進。

    重疊問題:實例分割會出現(xiàn)同一個像素點可能被多個實例或者類別同時覆蓋的結(jié)果。對于目標(biāo)檢測、實例分割任務(wù)來說,像素點的重疊問題不會影響預(yù)測結(jié)果,而對于全景分割任務(wù),需要對于單一像素輸出單一類別及唯一實例ID,因此掩碼重疊問題是全景分割任務(wù)必須解決的問題。本文采用文獻[1]提出的基準(zhǔn)方法,該方法流程與非極大值抑制(non-maximum suppression,NMS)方法類似,即按分類置信度分?jǐn)?shù)對實例分割結(jié)果進行降序排序,選擇分?jǐn)?shù)最高的預(yù)測結(jié)果,計算與其他預(yù)測框的交并比(intersection over union,IOU),當(dāng)IOU大于設(shè)定閾值時,去除該預(yù)測結(jié)果,直到?jīng)]有剩下的預(yù)測結(jié)果為止。一般地,閾值設(shè)置為0.5。

    沖突問題:對于stuff的類別預(yù)測,僅需要語義分支結(jié)果;對于things類別的預(yù)測,實例分支、語義分支都進行了不同的預(yù)測,因此2種預(yù)測結(jié)果不可避免地存在預(yù)測沖突。而考慮到語義分支的預(yù)測結(jié)果不能有效區(qū)分同一類別的不同實例,不能直接對2種預(yù)測結(jié)果進行比較。本文在文獻[1]的方法上做出改進,對于things類別預(yù)測,優(yōu)先選擇實例分割預(yù)測而不是語義分割預(yù)測結(jié)果,同時為了避免不必要的信息損失,將語義分割預(yù)測分?jǐn)?shù)最高的things類別替換為預(yù)測分?jǐn)?shù)最高的stuff類別。

    融合策略如圖4所示。對于實例分支預(yù)測,首先采用類似NMS的方法去除實例預(yù)測重疊,得到實例掩碼;對于語義分支預(yù)測,先將所有的things預(yù)測替換為stuff預(yù)測,最終將二者獲得的預(yù)測結(jié)果合并,得到全景分割結(jié)果。

    圖4 融合策略

    1 實驗與結(jié)果分析

    1.1 數(shù)據(jù)集、評價指標(biāo)及實驗環(huán)境

    1.1.1 數(shù)據(jù)集

    本文使用自動駕駛數(shù)據(jù)集城市景觀數(shù)據(jù)集Cityscapes[20]作為實驗數(shù)據(jù)集。Cityscapes是道路場景的常用數(shù)據(jù)集,包含了50個歐洲城市,春夏秋3季數(shù)個月的街道場景,人工選擇出視頻中含有的大量動態(tài)物體、不同的場景布局、不同背景的幀,不包含黑夜、惡劣天氣環(huán)境等場景。

    數(shù)據(jù)集包括5000張精細(xì)標(biāo)注的全局語義分割圖片(訓(xùn)練集2975張、驗證集500張、測試集1525張)和20000張粗略標(biāo)注的圖片。在本文的實驗中,選擇5000張精細(xì)標(biāo)注的圖片,包括8個things類別、11個stuff類別。所有圖像的分辨率均為1024×2048個像素,實驗中將輸入圖像調(diào)整為512×1024個像素。本節(jié)的實驗結(jié)果是訓(xùn)練后的網(wǎng)絡(luò)在驗證集上的測試結(jié)果。

    1.1.2 評價指標(biāo)

    實驗使用全景質(zhì)量(panoptic quality,PQ)作為主要評價指標(biāo)。PQ可以衡量全景分割結(jié)果的分割準(zhǔn)確度,定義為

    在二分類或多分類任務(wù)中,常常需要計算模型預(yù)測結(jié)果和真實標(biāo)簽的差異,可以分為TP、FP、FN、真陰性(true negative,TN)4種,其中TP、FP、FN分別表示預(yù)測標(biāo)簽和真實標(biāo)簽中的已匹配部分、不匹配的預(yù)測部分和不匹配的真值部分。IOU計算只包含已匹配的部分(即為TP的部分);當(dāng)IOU大于0.5時,一般定義為匹配。如圖5所示為區(qū)分TP、FP、FN的原理。

    圖5 TP、FP、FN概念

    PQ同時可以分解為分割質(zhì)量(segmentation quality,SQ)和識別質(zhì)量(recognition quality,RQ)的乘積,計算公式為

    式中:SQ能體現(xiàn)模型對正確預(yù)測的匹配物體實例分割的準(zhǔn)確度,RQ用來衡量所有類別物體的檢測準(zhǔn)確度。

    1.1.3 損失函數(shù)

    為了實現(xiàn)單一網(wǎng)絡(luò)的聯(lián)合訓(xùn)練,在訓(xùn)練階段,使用一個聯(lián)合損失函數(shù)對網(wǎng)絡(luò)進行優(yōu)化。聯(lián)合損失函數(shù)分為6個部分,計算公式為

    式中:total為聯(lián)合損失函數(shù);rpn為RPN損失;rpn,obj為RPN類別的交叉熵(crossentropy loss)損失函數(shù);rpn,box為RPN平滑的最小絕對值偏差損失函數(shù)(smooth1 loss);det為檢測損失;det,cls為目標(biāo)檢測任務(wù)的分類損失,使用交叉熵?fù)p失函數(shù);det,box為目標(biāo)檢測任務(wù)的包圍框回歸損失,使用smooth1 loss;mask為實例掩碼的二分類交叉熵(binary crossentropy loss)損失函數(shù);seg為語義分割任務(wù)損失,使用交叉熵?fù)p失函數(shù);1、2、3、4、5、6分別表示對應(yīng)損失函數(shù)權(quán)重。

    1.1.4 實驗環(huán)境及設(shè)備

    本文基于深度學(xué)習(xí)框架Pytorch1.10實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)。實驗以8個批量大小訓(xùn)練模型,損失權(quán)重根據(jù)式(11)1~6分別設(shè)置為1、1、1、1、1、0.75,優(yōu)化器選擇隨機梯度下降(stochastic gradient descent,SGD),動量(momentum)設(shè)置為0.9,權(quán)重衰減1×10-4,初始學(xué)習(xí)率0.01,迭代100個歷元,學(xué)習(xí)率在第66、88個歷元時衰減10倍。

    1.2 消融實驗

    為了檢驗本文提出的信息交互模塊的效果,在確保相同的實驗環(huán)境和配置的條件下,針對1.1、1.2節(jié)提出的2個信息交互模塊設(shè)計消融實驗以驗證其有效性:1)不包含2個模塊的基準(zhǔn)網(wǎng)絡(luò);2)僅加入語義增強信息模塊;3)僅加入實例增強信息模塊;4)包含2個模塊的雙向信息交互網(wǎng)絡(luò)。分別在Cityscapes數(shù)據(jù)集進行訓(xùn)練,并在Cityscapes驗證集評估結(jié)果,結(jié)果如表1所示。為了驗證各個模塊對對應(yīng)任務(wù)的促進作用,另統(tǒng)計PQth、PQst指標(biāo),其中PQth、PQst分別為PQ在things、stuff類別上的結(jié)果。

    如圖6所示為雙向信息交互網(wǎng)絡(luò)的損失函數(shù)和學(xué)習(xí)率隨歷元變化的情況,圖中紅色的曲線表示訓(xùn)練損失變化,左邊的縱坐標(biāo)為損失函數(shù)值,藍(lán)色的線條表示訓(xùn)練學(xué)習(xí)率的變化,右邊縱坐標(biāo)為學(xué)習(xí)率值,橫坐標(biāo)表示訓(xùn)練的歷元個數(shù)。

    圖6 Cityscapes數(shù)據(jù)集上損失函數(shù)收斂曲線

    如表1所示為不同模型在Cityscapes驗證集中的實驗結(jié)果。對比基準(zhǔn)網(wǎng)絡(luò),提出的網(wǎng)絡(luò)在PQ分?jǐn)?shù)上得到了3.1%的提高??梢钥吹秸Z義增強信息模塊、實例增強信息模塊均有效地提升了網(wǎng)絡(luò)全景分割質(zhì)量。語義增強信息模塊使用了語義分支的結(jié)果信息為實例分支的目標(biāo)檢測器提供了更多的細(xì)節(jié)信息,提升了檢測器對things類別的分類能力,在things分支的PQ提高了2.2%。實例增強信息模塊相較于基準(zhǔn)網(wǎng)絡(luò)提升了1.8%,表明該模塊通過RPN中的二值標(biāo)簽為語義分割任務(wù)提供了更多的上下文信息識別things和stuff。同時注意到2個模塊均使得PQth、PQst獲得了提升,這表明聯(lián)合訓(xùn)練中的信息交互能夠為網(wǎng)絡(luò)訓(xùn)練提供更多的細(xì)節(jié)信息,有效地減少了things和stuff的錯誤分類。實驗表明,提出的網(wǎng)絡(luò)有效地利用了多任務(wù)全景分割網(wǎng)絡(luò)的信息間交互,通過設(shè)計語義增強信息、實例增強信息模塊提高了網(wǎng)絡(luò)各分支對things和stuff的識別能力。

    表1 不同模型在Cityscapes驗證集的實驗結(jié)果 %

    1.3 結(jié)果分析

    如圖7~圖9所示為在Cityscapes驗證集上節(jié)選的全景分割可視化結(jié)果對照??紤]到呈現(xiàn)的全圖結(jié)果圖由于圖片壓縮某些目標(biāo)較小不容易對比,本節(jié)在展示出全圖可視化結(jié)果的同時,將圖像的部分裁剪出來以便更直觀地進行對比。可以看到:相比基準(zhǔn)網(wǎng)絡(luò),圖像1裁剪部分中,信息交互網(wǎng)絡(luò)對交通標(biāo)志、交通燈信息的分割更加細(xì)節(jié)、規(guī)則,同時檢測出較小目標(biāo)的自行車,表明提出的網(wǎng)絡(luò)在things和stuff類別的信息交互上均取得了一定的效果;圖像2中對欄桿的分割更好,同時行人和路面、欄桿等stuff類別的邊界問題處理得更自然;圖像3對汽車的邊界分割更加精細(xì),還能利用信息交互模塊提供的額外信息檢測出道路中的行人,這表明網(wǎng)絡(luò)對于細(xì)節(jié)信息和相鄰物體的邊界問題處理得更好,噪聲更小,證明提出的信息交互模塊提供的額外信息能夠有效地提升全景分割效果。

    圖7 示例圖1

    圖8 示例圖2

    圖9 示例圖3

    2 結(jié)束語

    本文針對自動駕駛車輛全面感知環(huán)境的需求提出了一種基于信息交互的全景分割網(wǎng)絡(luò),網(wǎng)絡(luò)由實例分割和語義分割2個任務(wù)組成??紤]到2個任務(wù)間進行信息交互的互補性,提出了語義增強信息、實例增強信息模塊,通過RPN、語義分割結(jié)果分別為對應(yīng)任務(wù)提供了物體級別和像素級別的隱式信息,能夠更好地捕捉圖像中的實例和語義信息。通過實驗驗證了提出的雙向信息交互網(wǎng)絡(luò)能夠有效提高全景分割的性能,獲得更精確的全景分割結(jié)果。對于多任務(wù)的全景分割網(wǎng)絡(luò),傳遞互補的信息對于各個模塊通常是有益的,額外信息能幫助各任務(wù)更好地理解場景。提出的全景分割網(wǎng)絡(luò)更加高效、魯棒和精確,在道路場景中能夠有效識別出各類信息,這些信息能夠為自動駕駛提供更精確的定位、導(dǎo)航等功能,還可應(yīng)用于事后建圖、圖像標(biāo)注等自動駕駛相關(guān)領(lǐng)域。

    [1] KIRILLOV A, HE K, GIRSHICK R, et al. Panoptic segmentation[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 9404-9413.

    [2] 徐鵬斌, 瞿安國, 王坤峰, 等. 全景分割研究綜述[J]. 自動化學(xué)報, 2021, 47(3): 549-568. DOI:10.16383/j.aas.c200657.

    [3] HE K, GKIOXARI G, DOLLáR P, et al. Mask r-cnn[C]// Proceedings of the IEEE International Conference on Computer Vision. 2017: 2961-2969.

    [4] ZHAO H, SHI J, QI X, et al. Pyramid scene parsing network[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 2881-2890.

    [5] DE GEUS D, MELETIS P, DUBBELMAN G. Panoptic segmentation with a joint semantic and instance segmentation network[J]. arXiv Preprint arXiv:1809.02110, 2018.

    [6] KIRILLOV A, GIRSHICK R, HE K, et al. Panoptic feature pyramid networks[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 6399-6408.

    [7] LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015: 3431-3440.

    [8] LI Y, CHEN X, ZHU Z, et al. Attention-guided unified network for panoptic segmentation[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 7026-7035.

    [9] DE GEUS D, MELETIS P, DUBBELMAN G. Single network panoptic segmentation for street scene understanding[C]// 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019: 709-715.

    [10] CHEN Y, LIN G, LI S, et al. Banet:Bidirectional aggregation network with occlusion handling for panoptic segmentation[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 3793-3802.

    [11] LI J, RAVENTOS A, BHARGAVA A, et al. Learning to fuse things and stuff[J]. arXiv Preprint arXiv:1812.01192, 2018.

    [12] ZHANG Xiaoliang, LI Hongliang, WANG Lanxiao, et al. Real-time panoptic segmentation with relationship between adjacent pixels and boundary prediction[J]. Neurocomputing, 2022, 506: 290-299.

    [13] 馮興杰, 張?zhí)鞚? 基于分組卷積進行特征融合的全景分割算法[J]. 計算機應(yīng)用, 2021, 41(7): 2054-2061.

    [14] WU Y, ZHANG G, GAO Y, et al. Bidirectional graph reasoning network for panoptic segmentation[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 9080-9089.

    [15] XIONG Y, LIAO R, ZHAO H, et al. Upsnet:A unified panoptic segmentation network[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 8818-8826.

    [16] 雷海衛(wèi), 何方圓, 賈博慧, 等. 基于注意力機制的全景分割網(wǎng)絡(luò)[J]. 微電子學(xué)與計算機, 2022, 39(1): 39-45. DOI:10.19304/J.ISSN1000-7180.2021.0263.

    [17] LIU H, PENG C, YU C, et al. An end-to-end network for panoptic segmentation[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 6172-6181.

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

    [19] HU J, SHEN L, SUN G. Squeeze-and-Excitation networks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 7132-7141.

    [20] CORDTS M, OMRAN M, RAMOS S, et al. The cityscapes dataset for semantic urban scene understanding[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 3213-3223.

    Road scene panoptic segmentation network with two-way information interaction

    LIU Bolin, HUANG Jingsong

    (School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China)

    In order to further study the panoptic segmentation function of road scenes, supporting for autonomous driving vehicles to fully perceive the environment, the paper proposed a panoptic segmentation network with two-way information interaction: the features were extracted through the backbone network, and input into the semantic segmentation branch and the instance segmentation branch, respectively; then, an instance enhancement information module and a semantic enhancement information module were added between the branches to enhance information interaction; finally, semantic results and instance results were fused by using an improved fusion algorithm, and the prediction results of panoramic segmentation were obtained. Experimental result showed that the proposed bidirectional information interaction module would help improve the performance of the panoptic segmentation network, and a panoptic quality (PQ) score of 46.8 could be gained on the Cityscapes dataset using 512×1024 pixel resolution images.

    panoptic segmentation; autonomous driving; multi-task learning; information interaction; semantic segmentation; instance segmentation

    劉博林, 黃勁松. 雙向信息交互的道路場景全景分割網(wǎng)絡(luò)[J]. 導(dǎo)航定位學(xué)報, 2023, 11(6): 49-56.(LIU Bolin, HUANG Jingsong. Road scene panoptic segmentation network with two-way information interaction[J]. Journal of Navigation and Positioning, 2023, 11(6):49-56.)DOI:10.16547/j.cnki.10-1096.20230607.

    P228

    A

    2095-4999(2023)06-0049-08

    2023-03-13

    劉博林(1998—),男,河北唐山人,碩士研究生,研究方向為深度學(xué)習(xí)。

    黃勁松(1969—),男,湖南長沙人,博士,副教授,研究方向為自主移動機器人技術(shù)。

    猜你喜歡
    全景分支實例
    戴上耳機,享受全景聲 JVC EXOFIELD XP-EXT1
    巧分支與枝
    全景敞視主義與偵探小說中的“看”
    一類擬齊次多項式中心的極限環(huán)分支
    從5.1到全景聲就這么簡單 FOCAL SIB EVO DOLBY ATMOS
    全景搜索
    特別文摘(2016年21期)2016-12-05 17:53:36
    完形填空Ⅱ
    完形填空Ⅰ
    生成分支q-矩陣的零流出性
    碩果累累
    一级毛片高清免费大全| 在线观看66精品国产| 乱人伦中国视频| 精品视频人人做人人爽| 欧美日韩乱码在线| 操美女的视频在线观看| 免费观看精品视频网站| 精品国产超薄肉色丝袜足j| 国产又爽黄色视频| 亚洲aⅴ乱码一区二区在线播放 | 国产精品久久久久成人av| 亚洲精品在线美女| 天堂√8在线中文| 一边摸一边抽搐一进一小说 | 一本一本久久a久久精品综合妖精| 色精品久久人妻99蜜桃| 国产精品免费大片| 麻豆成人av在线观看| 精品国产一区二区三区四区第35| 啪啪无遮挡十八禁网站| 久久久久国产一级毛片高清牌| 日日爽夜夜爽网站| 91字幕亚洲| 亚洲精品美女久久av网站| 国产成人精品无人区| 亚洲第一欧美日韩一区二区三区| 美女国产高潮福利片在线看| 亚洲精品久久成人aⅴ小说| 久久精品国产亚洲av高清一级| 最新在线观看一区二区三区| 欧美性长视频在线观看| 日韩精品免费视频一区二区三区| 久久精品91无色码中文字幕| 亚洲情色 制服丝袜| 精品少妇一区二区三区视频日本电影| 国产91精品成人一区二区三区| av网站免费在线观看视频| 99久久综合精品五月天人人| 欧美日韩精品网址| 日韩欧美一区视频在线观看| 最新的欧美精品一区二区| 国产精品 欧美亚洲| 亚洲一区中文字幕在线| 少妇被粗大的猛进出69影院| 黄片大片在线免费观看| 国产激情欧美一区二区| ponron亚洲| 99在线人妻在线中文字幕 | 十八禁高潮呻吟视频| 国产免费现黄频在线看| 国产成人欧美在线观看 | 成人三级做爰电影| 亚洲国产精品合色在线| 亚洲国产看品久久| 久久天躁狠狠躁夜夜2o2o| 日韩欧美在线二视频 | 青草久久国产| 日日夜夜操网爽| 少妇粗大呻吟视频| 91成年电影在线观看| 国产成人一区二区三区免费视频网站| 无限看片的www在线观看| 亚洲美女黄片视频| 久久亚洲真实| 精品第一国产精品| 国产亚洲精品久久久久久毛片 | 国产1区2区3区精品| 女人被躁到高潮嗷嗷叫费观| 精品久久久久久久毛片微露脸| 热99re8久久精品国产| 色播在线永久视频| 午夜福利视频在线观看免费| 老鸭窝网址在线观看| 久久久国产一区二区| 无限看片的www在线观看| 日韩制服丝袜自拍偷拍| 1024香蕉在线观看| 美女高潮喷水抽搐中文字幕| 久久久久精品国产欧美久久久| 老司机深夜福利视频在线观看| 身体一侧抽搐| 久久婷婷成人综合色麻豆| 欧美精品高潮呻吟av久久| 欧美激情 高清一区二区三区| 黄色视频,在线免费观看| 黑丝袜美女国产一区| 一a级毛片在线观看| 亚洲精品久久成人aⅴ小说| 日韩精品免费视频一区二区三区| 香蕉丝袜av| 最新在线观看一区二区三区| 日日夜夜操网爽| 中文字幕高清在线视频| 免费无遮挡裸体视频| 激情在线观看视频在线高清| 午夜福利在线在线| 精品国产美女av久久久久小说| 欧美日韩中文字幕国产精品一区二区三区| 夜夜爽天天搞| 精品一区二区三区视频在线 | 日韩中文字幕欧美一区二区| 五月伊人婷婷丁香| 亚洲自拍偷在线| 久久精品国产清高在天天线| 哪里可以看免费的av片| 精品乱码久久久久久99久播| 少妇的逼好多水| 舔av片在线| 黄片小视频在线播放| 露出奶头的视频| 男女之事视频高清在线观看| av视频在线观看入口| 最近最新免费中文字幕在线| 成年女人永久免费观看视频| 嫩草影院精品99| 国产黄色小视频在线观看| 性色avwww在线观看| 两个人视频免费观看高清| 舔av片在线| 亚洲熟妇熟女久久| 19禁男女啪啪无遮挡网站| 国内精品久久久久精免费| 男女视频在线观看网站免费| 人妻丰满熟妇av一区二区三区| 丰满人妻一区二区三区视频av | 成人性生交大片免费视频hd| 91av网一区二区| 欧美激情久久久久久爽电影| 亚洲avbb在线观看| 国产单亲对白刺激| 在线看三级毛片| 女警被强在线播放| 久9热在线精品视频| 日韩高清综合在线| 国产高清有码在线观看视频| 欧美大码av| 欧美黑人巨大hd| 十八禁人妻一区二区| 91在线精品国自产拍蜜月 | 91麻豆av在线| 成熟少妇高潮喷水视频| 在线播放国产精品三级| 国产成人av激情在线播放| 欧美+日韩+精品| 熟妇人妻久久中文字幕3abv| 三级男女做爰猛烈吃奶摸视频| 在线天堂最新版资源| 女人高潮潮喷娇喘18禁视频| 亚洲片人在线观看| 九色成人免费人妻av| 99国产综合亚洲精品| 丝袜美腿在线中文| 亚洲成人久久爱视频| 亚洲av电影不卡..在线观看| 日韩欧美国产在线观看| 日韩大尺度精品在线看网址| 中文资源天堂在线| 黄色日韩在线| 一区二区三区高清视频在线| 精品一区二区三区人妻视频| 亚洲 国产 在线| 国产高清激情床上av| 国产一区二区亚洲精品在线观看| 成人特级av手机在线观看| 国产伦人伦偷精品视频| 十八禁人妻一区二区| 99精品久久久久人妻精品| 国产v大片淫在线免费观看| 免费看日本二区| 观看免费一级毛片| 欧美+日韩+精品| 悠悠久久av| 一级a爱片免费观看的视频| 国产私拍福利视频在线观看| 免费高清视频大片| 香蕉丝袜av| 欧美成人一区二区免费高清观看| 青草久久国产| 亚洲人与动物交配视频| 成人亚洲精品av一区二区| 成人18禁在线播放| svipshipincom国产片| 中文在线观看免费www的网站| 成人一区二区视频在线观看| 日韩欧美在线乱码| 亚洲色图av天堂| 精品一区二区三区人妻视频| 日本免费一区二区三区高清不卡| 人人妻,人人澡人人爽秒播| 亚洲专区中文字幕在线| 此物有八面人人有两片| 欧美又色又爽又黄视频| 欧美三级亚洲精品| av中文乱码字幕在线| 欧美又色又爽又黄视频| 日本 av在线| 久久久久久大精品| 色综合站精品国产| 免费观看人在逋| 18美女黄网站色大片免费观看| 男插女下体视频免费在线播放| 久久天躁狠狠躁夜夜2o2o| 欧美性猛交╳xxx乱大交人| 久久久久久大精品| 男女视频在线观看网站免费| 老司机午夜十八禁免费视频| 国产精品久久久久久久久免 | 哪里可以看免费的av片| 18禁美女被吸乳视频| 国模一区二区三区四区视频| 九色成人免费人妻av| 国产高清有码在线观看视频| 嫁个100分男人电影在线观看| 国产淫片久久久久久久久 | 国产伦人伦偷精品视频| 国模一区二区三区四区视频| 亚洲国产精品成人综合色| 亚洲国产精品成人综合色| 精品欧美国产一区二区三| 国产美女午夜福利| 日韩人妻高清精品专区| 精品人妻偷拍中文字幕| h日本视频在线播放| 亚洲第一欧美日韩一区二区三区| 狂野欧美激情性xxxx| 亚洲不卡免费看| 又黄又粗又硬又大视频| 999久久久精品免费观看国产| 国产不卡一卡二| 在线免费观看的www视频| 国产黄色小视频在线观看| 国产v大片淫在线免费观看| 欧美激情久久久久久爽电影| 18禁黄网站禁片免费观看直播| 51午夜福利影视在线观看| e午夜精品久久久久久久| 岛国在线观看网站| 午夜a级毛片| 精品欧美国产一区二区三| 欧美+日韩+精品| 色吧在线观看| 国产精品美女特级片免费视频播放器| 欧美绝顶高潮抽搐喷水| 搡老岳熟女国产| 天美传媒精品一区二区| 婷婷丁香在线五月| 性欧美人与动物交配| 久99久视频精品免费| 欧美一级a爱片免费观看看| 波野结衣二区三区在线 | 亚洲精品456在线播放app | 国产黄a三级三级三级人| 亚洲内射少妇av| 亚洲欧美日韩无卡精品| 国产男靠女视频免费网站| 亚洲,欧美精品.| 18禁国产床啪视频网站| 久久人人精品亚洲av| 日韩成人在线观看一区二区三区| 中亚洲国语对白在线视频| 国产精品 欧美亚洲| 免费av不卡在线播放| 国产真实伦视频高清在线观看 | 久久精品91无色码中文字幕| 丰满乱子伦码专区| 日本撒尿小便嘘嘘汇集6| 国产色婷婷99| 国产老妇女一区| avwww免费| 天天躁日日操中文字幕| 日韩欧美国产在线观看| 国产精品国产高清国产av| av中文乱码字幕在线| 中文字幕人妻丝袜一区二区| 国产美女午夜福利| 高潮久久久久久久久久久不卡| 国产极品精品免费视频能看的| or卡值多少钱| 99久久成人亚洲精品观看| 精品国产亚洲在线| 国产亚洲欧美在线一区二区| 少妇的丰满在线观看| 免费看光身美女| 日韩 欧美 亚洲 中文字幕| av视频在线观看入口| 国产精品久久电影中文字幕| 麻豆成人av在线观看| 免费电影在线观看免费观看| 一区二区三区免费毛片| 国产精品亚洲av一区麻豆| 国产精品1区2区在线观看.| 国产蜜桃级精品一区二区三区| 欧美成人a在线观看| 日本三级黄在线观看| 亚洲av五月六月丁香网| 草草在线视频免费看| 午夜精品在线福利| 韩国av一区二区三区四区| 国产av一区在线观看免费| 在线观看免费视频日本深夜| 国产91精品成人一区二区三区| 99在线视频只有这里精品首页| 在线观看舔阴道视频| 久久精品国产自在天天线| 青草久久国产| 久久精品国产综合久久久| 一区福利在线观看| 欧美色视频一区免费| 国产欧美日韩精品一区二区| 国产av在哪里看| 国产一区二区三区在线臀色熟女| 熟女人妻精品中文字幕| 精品久久久久久久久久免费视频| 麻豆久久精品国产亚洲av| 99国产综合亚洲精品| 亚洲不卡免费看| 99久久久亚洲精品蜜臀av| 日本免费a在线| 亚洲avbb在线观看| 欧美日本亚洲视频在线播放| xxxwww97欧美| 2021天堂中文幕一二区在线观| 好男人在线观看高清免费视频| 小说图片视频综合网站| 欧美成人一区二区免费高清观看| 麻豆成人av在线观看| 啪啪无遮挡十八禁网站| 少妇高潮的动态图| 欧美黑人巨大hd| 国产精品乱码一区二三区的特点| 超碰av人人做人人爽久久 | 男人舔奶头视频| av女优亚洲男人天堂| 999久久久精品免费观看国产| 性色avwww在线观看| 免费av不卡在线播放| 免费人成视频x8x8入口观看| 久久精品亚洲精品国产色婷小说| 99国产综合亚洲精品| 18+在线观看网站| 亚洲精品国产精品久久久不卡| 国产成人av激情在线播放| 午夜免费观看网址| 日本一本二区三区精品| 97超视频在线观看视频| 天堂影院成人在线观看| 精品乱码久久久久久99久播| 欧美一级a爱片免费观看看| 岛国视频午夜一区免费看| www.熟女人妻精品国产| 香蕉av资源在线| 高清在线国产一区| 免费av毛片视频| 色尼玛亚洲综合影院| 在线观看一区二区三区| 高清在线国产一区| 丰满人妻一区二区三区视频av | 中文字幕人成人乱码亚洲影| 一卡2卡三卡四卡精品乱码亚洲| 亚洲欧美日韩无卡精品| 人妻久久中文字幕网| 国产成人系列免费观看| 欧美日韩亚洲国产一区二区在线观看| 久久亚洲精品不卡| 黄色丝袜av网址大全| 国产免费av片在线观看野外av| 99热这里只有精品一区| 国产精品av视频在线免费观看| 亚洲国产中文字幕在线视频| 九九久久精品国产亚洲av麻豆| 精品久久久久久成人av| 日韩欧美一区二区三区在线观看| av黄色大香蕉| 99精品欧美一区二区三区四区| 国产在线精品亚洲第一网站| 中文字幕人妻丝袜一区二区| 国产av麻豆久久久久久久| 麻豆国产97在线/欧美| 国产欧美日韩精品一区二区| 久久久精品欧美日韩精品| 国产亚洲精品av在线| 乱人视频在线观看| 亚洲欧美日韩东京热| 亚洲欧美日韩卡通动漫| 亚洲专区国产一区二区| 国产亚洲精品久久久com| 亚洲国产高清在线一区二区三| 中亚洲国语对白在线视频| 又紧又爽又黄一区二区| 午夜福利视频1000在线观看| 免费在线观看影片大全网站| 国产成人av教育| 99国产极品粉嫩在线观看| 夜夜夜夜夜久久久久| 国产午夜精品久久久久久一区二区三区 | 亚洲国产精品成人综合色| 99久久九九国产精品国产免费| 夜夜爽天天搞| 国产视频一区二区在线看| 性色avwww在线观看| 成年女人看的毛片在线观看| 国产精品美女特级片免费视频播放器| 国产男靠女视频免费网站| 欧美中文日本在线观看视频| 在线观看一区二区三区| 69av精品久久久久久| 无限看片的www在线观看| 51午夜福利影视在线观看| 国产精品一区二区三区四区免费观看 | 天堂网av新在线| 长腿黑丝高跟| 一区二区三区国产精品乱码| 午夜亚洲福利在线播放| 婷婷精品国产亚洲av| 18禁裸乳无遮挡免费网站照片| 夜夜看夜夜爽夜夜摸| 亚洲欧美日韩高清专用| 男人舔奶头视频| 成人鲁丝片一二三区免费| 国产真人三级小视频在线观看| 成人亚洲精品av一区二区| 久久99热这里只有精品18| 级片在线观看| 床上黄色一级片| 9191精品国产免费久久| 岛国在线免费视频观看| 九九在线视频观看精品| 欧美日韩一级在线毛片| 2021天堂中文幕一二区在线观| 婷婷丁香在线五月| 色吧在线观看| 真人做人爱边吃奶动态| 欧美性感艳星| 手机成人av网站| 久久久久九九精品影院| 91字幕亚洲| 色视频www国产| 国产精品香港三级国产av潘金莲| 国产 一区 欧美 日韩| 波多野结衣高清作品| 中文字幕高清在线视频| 亚洲欧美日韩卡通动漫| 亚洲 欧美 日韩 在线 免费| 国产麻豆成人av免费视频| 国产午夜精品久久久久久一区二区三区 | 亚洲va日本ⅴa欧美va伊人久久| 久久久久久久精品吃奶| 免费av观看视频| 亚洲内射少妇av| 久久精品国产综合久久久| 两个人视频免费观看高清| 黄色日韩在线| 国产精品嫩草影院av在线观看 | www国产在线视频色| 国产精品爽爽va在线观看网站| 中文字幕av在线有码专区| 久久久精品欧美日韩精品| 欧美精品啪啪一区二区三区| 深爱激情五月婷婷| 国产激情欧美一区二区| 国产精品一区二区三区四区久久| 亚洲一区高清亚洲精品| 国产极品精品免费视频能看的| 夜夜爽天天搞| 精品福利观看| 69人妻影院| 国产免费男女视频| 久久久国产精品麻豆| 日本一本二区三区精品| 久久久成人免费电影| 精品午夜福利视频在线观看一区| av中文乱码字幕在线| 亚洲成人久久爱视频| 国产一区二区三区视频了| 性色avwww在线观看| 亚洲av二区三区四区| 性色av乱码一区二区三区2| 国产成人a区在线观看| 老汉色av国产亚洲站长工具| 脱女人内裤的视频| 琪琪午夜伦伦电影理论片6080| 国产亚洲精品综合一区在线观看| 亚洲精品粉嫩美女一区| 亚洲av成人精品一区久久| 香蕉av资源在线| 法律面前人人平等表现在哪些方面| 在线视频色国产色| 免费在线观看成人毛片| 亚洲电影在线观看av| a在线观看视频网站| 无限看片的www在线观看| 听说在线观看完整版免费高清| 国产激情欧美一区二区| 宅男免费午夜| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | www.色视频.com| 99热精品在线国产| 18禁美女被吸乳视频| 国产视频一区二区在线看| 热99re8久久精品国产| 中文字幕人成人乱码亚洲影| 啦啦啦观看免费观看视频高清| 欧美一区二区亚洲| 国产老妇女一区| 国产中年淑女户外野战色| 国产一区二区在线观看日韩 | 久久久成人免费电影| 看片在线看免费视频| 精品免费久久久久久久清纯| 动漫黄色视频在线观看| 首页视频小说图片口味搜索| 亚洲av美国av| 老司机深夜福利视频在线观看| 日韩高清综合在线| 人人妻人人澡欧美一区二区| 国产又黄又爽又无遮挡在线| 国产一区二区三区在线臀色熟女| 性色avwww在线观看| 免费看光身美女| 欧美成人一区二区免费高清观看| 老汉色∧v一级毛片| 别揉我奶头~嗯~啊~动态视频| 悠悠久久av| 国产美女午夜福利| 午夜免费成人在线视频| 久久精品国产99精品国产亚洲性色| 97人妻精品一区二区三区麻豆| 精品午夜福利视频在线观看一区| 久久这里只有精品中国| 国产高清videossex| 精品国产美女av久久久久小说| 精品日产1卡2卡| 熟女电影av网| 黄片大片在线免费观看| 国产高潮美女av| 一进一出抽搐动态| 午夜免费成人在线视频| 99久国产av精品| 男女下面进入的视频免费午夜| 亚洲精品乱码久久久v下载方式 | 日本在线视频免费播放| 高清日韩中文字幕在线| 免费在线观看日本一区| 欧美一区二区国产精品久久精品| 中文资源天堂在线| 51午夜福利影视在线观看| 激情在线观看视频在线高清| 一边摸一边抽搐一进一小说| 熟女电影av网| 成人av在线播放网站| 久久久久亚洲av毛片大全| 又爽又黄无遮挡网站| 最新中文字幕久久久久| 最近最新中文字幕大全电影3| 中文字幕人妻丝袜一区二区| 看片在线看免费视频| 俄罗斯特黄特色一大片| 国产精品乱码一区二三区的特点| 亚洲精华国产精华精| 亚洲国产高清在线一区二区三| av女优亚洲男人天堂| 神马国产精品三级电影在线观看| 欧美黄色淫秽网站| 丰满的人妻完整版| 久久久久久久久中文| 日本 欧美在线| 波多野结衣高清无吗| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 一夜夜www| 国产免费一级a男人的天堂| 老司机福利观看| 亚洲内射少妇av| 国产精品98久久久久久宅男小说| 在线看三级毛片| 美女高潮喷水抽搐中文字幕| 成人高潮视频无遮挡免费网站| 欧美日韩福利视频一区二区| 日韩欧美一区二区三区在线观看| 国产亚洲精品一区二区www| 亚洲最大成人手机在线| 一级a爱片免费观看的视频| 可以在线观看毛片的网站| 欧美黑人巨大hd| 亚洲精品一区av在线观看| 淫妇啪啪啪对白视频| 色播亚洲综合网| 大型黄色视频在线免费观看| 亚洲天堂国产精品一区在线| 免费观看人在逋| 91久久精品电影网| 精品久久久久久久久久久久久| 在线观看美女被高潮喷水网站 | 亚洲精品日韩av片在线观看 | 丰满人妻一区二区三区视频av | 天天添夜夜摸| 亚洲电影在线观看av| 人妻久久中文字幕网| 久久久久久大精品| 成年女人看的毛片在线观看| 成人亚洲精品av一区二区| 免费在线观看日本一区| 国产aⅴ精品一区二区三区波| 国产主播在线观看一区二区| 中文字幕人妻熟人妻熟丝袜美 | 桃红色精品国产亚洲av| 麻豆成人av在线观看| 在线免费观看不下载黄p国产 | 国产又黄又爽又无遮挡在线| 国产亚洲欧美在线一区二区| 国产精品乱码一区二三区的特点| 国产亚洲av嫩草精品影院| 日韩精品青青久久久久久| 又爽又黄无遮挡网站| 搡女人真爽免费视频火全软件 | 国内少妇人妻偷人精品xxx网站|