• <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 ?

    基于小目標類別注意力機制與特征融合的AF-ICNet 非結(jié)構(gòu)化場景語義分割方法

    2023-03-06 06:17:22艾青林張俊瑞吳飛青
    光子學(xué)報 2023年1期

    艾青林,張俊瑞,吳飛青

    (1 浙江工業(yè)大學(xué) 特種裝備制造與先進加工技術(shù)教育部/浙江省重點實驗室,杭州 310023)

    (2 浙大寧波理工學(xué)院 信息科學(xué)與工程學(xué)院,寧波 315100)

    0 引言

    非結(jié)構(gòu)化道路可行駛區(qū)域檢測技術(shù)是計算機視覺與自動駕駛研究領(lǐng)域的熱點之一。在實際道路駕駛、大型工程作業(yè)以及機器人野外工作場景中,存在大量非結(jié)構(gòu)化道路場景。非結(jié)構(gòu)化道路相比于結(jié)構(gòu)化道路,具有道路與周邊顏色差異較小,道路目標物種類較多、信息復(fù)雜等特點。使用傳統(tǒng)方法檢測非結(jié)構(gòu)化道路區(qū)域,存在檢測精度低、實時性差、小目標檢測效果差等問題[1]。由于小目標障礙物和行人會對道路可行駛區(qū)域檢測造成嚴重干擾,而小目標在圖像中分辨率低、攜帶的信息較少而導(dǎo)致其特征表征能力較差,大型類別的主導(dǎo)也容易導(dǎo)致小目標類別被忽視[2],因此如何提升非結(jié)構(gòu)化道路小目標檢測能力是目前亟待解決的技術(shù)問題。

    近年來,基于神經(jīng)網(wǎng)絡(luò)的道路圖像分割方法得到了快速發(fā)展,比如FCN[3]、SegNet[4]、U-Net[5]、DeepLab[6]等經(jīng)典網(wǎng)絡(luò)。其中,張凱航等提出基于SegNet 的非結(jié)構(gòu)道路可行駛區(qū)域語義分割[7],龔志力等提出基于改進DeepLabV3+的非結(jié)構(gòu)化道路分割方法[8],這些分割方法雖然可以有效分割非結(jié)構(gòu)化道路區(qū)域,但實時性較差,其中部分網(wǎng)絡(luò)的實際分割速度FPS 小于1 幀/s,無法部署在實時性要求較高的系統(tǒng)中。而輕量型網(wǎng)絡(luò)ENet[9]、ICNet[10]等雖然實時性較好,但對小目標物體的分割效果較差。為了兼顧網(wǎng)絡(luò)的實時性與非結(jié)構(gòu)化道路中小目標物體分割精度,本文提出基于小目標類別注意力機制與特征融合的AF-ICNet(Attention and Feature fusion ICNet)非結(jié)構(gòu)化道路場景語義分割方法,該方法主要內(nèi)容有1)修改網(wǎng)絡(luò)特征融合,使用空洞卷積特征金字塔替代池化以減少池化對網(wǎng)絡(luò)特征提取的影響,并使用不同尺度的特征融合以擴大網(wǎng)絡(luò)感受野,提高整體網(wǎng)絡(luò)對圖像的分割精度。2)基于小目標類別建立CA 注意力機制(Coordinate attention)模塊,形成通道和空間注意力信息的長期依賴關(guān)系,以提高網(wǎng)絡(luò)對不同復(fù)雜道路及小目標物體語義分割精度。3)建立融合權(quán)重的損失函數(shù),針對非結(jié)構(gòu)化道路的樣本類別不均衡問題,對圖像樣本類別賦予不同的權(quán)重,以進一步提升網(wǎng)絡(luò)對圖像中小目標類別的分割精度。

    1 基于AF-ICNet 的非結(jié)構(gòu)化道路語義分割方法

    1.1 基于小目標注意力與特征融合的AF 結(jié)構(gòu)

    1.1.1 擴大感受野的空洞空間卷積特征融合

    在ICNet 中,考慮到此前的基于FCN 的語義分割網(wǎng)絡(luò)無法有效的融合全局特征信息,網(wǎng)絡(luò)中使用了空間金字塔池化(Pyramid Pooling Module,PPM)模塊,用于聚合不同區(qū)域的特征信息進而獲取全局的特征信息。PPM 模塊結(jié)構(gòu)如圖1 所示。PPM 通過融合上下層不同大小的特征信息,實現(xiàn)了多尺度的特征融合。PPM 雖然增強了特征表征能力,但是其中大量使用的GAP 全局池化操作,在增大感受野的同時也降低了圖像分辨率,為保證網(wǎng)絡(luò)可以正常訓(xùn)練,需要統(tǒng)一圖像尺寸,這會導(dǎo)致上采樣恢復(fù)至輸入大小時,池化造成的細節(jié)信息的丟失無法恢復(fù)。

    圖1 金字塔池化PPM 結(jié)構(gòu)Fig.1 Pyramid pooling module structure

    針對此問題,本文參考DeeplabV2[11]模型,修改原網(wǎng)絡(luò)中的特征融合模塊,為減少大量池化的影響,替換網(wǎng)絡(luò)中的PPM,使用空洞空間卷積池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)。改進后特征融合如圖2(a)所示,網(wǎng)絡(luò)使用空洞卷積替代了大多數(shù)的池化。采樣率的不同會對網(wǎng)絡(luò)分割產(chǎn)生影響,經(jīng)過實驗分析,本文使用了效果最好的四種不同采樣率的卷積,分別為一個1×1 卷積和三個3×3 的采樣率為6、12、18 的空洞卷積,以有效的獲取多尺度信息。三個帶padding 的空洞卷積,使得卷積的感受野分別擴大到了23×23、47×47、71×71,如圖2(b)所示,不同的感受野卷積結(jié)果進行Concat 操作,小感受野便于網(wǎng)絡(luò)獲取精細的特征信息,大感受野便于獲取目標在圖像中的整體空間信息,通過大小不同感知野的特征融合,提升了網(wǎng)絡(luò)對非結(jié)構(gòu)化道路的整體分割效果。

    圖2 空洞空間卷積池化金字塔ASPP 結(jié)構(gòu)Fig.2 Atrous spatial pyramid pooling structure

    1.1.2 增強小目標分割的CA 注意力機制

    在非結(jié)構(gòu)化道路環(huán)境中,注意到非結(jié)構(gòu)化道路中的小目標類別數(shù)量較多,為進一步提升網(wǎng)絡(luò)對小目標物體信息的獲取能力,在網(wǎng)絡(luò)中引入注意力機制。通道注意力經(jīng)典網(wǎng)絡(luò)SENet[12]僅僅考慮通道之間的關(guān)系來衡量每個通道的重要性,往往會忽略目標的位置信息。增加了空間注意力機制的CBAM[13]中通道注意力信息和空間注意力信息是相互獨立的,相較于SENet 提升有限。為此,本文研究一種融合空間與通道信息的新型注意力方法——CA 注意力機制(Coordinate Attention)。將其與ICNet 網(wǎng)絡(luò)語義分割結(jié)合,在保證實時性的基礎(chǔ)上,進一步實現(xiàn)小目標類別分割精度的提升[14]。

    將全局池化進行兩個維度的分解,即使用(H,1)或(1,W)的池化核,使其分別沿著水平坐標與垂直坐標方向,對每個通道進行編碼操作,即可將上述全局池化編碼公式分解為

    基于以上生成的兩個特征,進一步將兩個特征圖進行結(jié)合操作,然后使用1×1 的卷積,對其進行變換操作

    式中,F(xiàn)1為1×1 的卷積變換函數(shù),方括號表示沿空間維度的結(jié)合操作,δ為非線性激活函數(shù)h-Swish。將中間特征映射f分解成兩個單獨的張量f h∈RC/r×H和f w∈RC/r×W,r為模塊大小縮減率。分別將f h與f w變換為具有相同通道數(shù)的張量,并經(jīng)過sigmoid 激活,得到的gh與gw為

    最后得到的注意力模塊輸出為

    在本文網(wǎng)絡(luò)中,CA 注意力機制模塊如圖3 所示。將輸入分別沿X和Y方向進行平均池化,經(jīng)過維度轉(zhuǎn)換后,將輸入的C×H×W的向量轉(zhuǎn)換為了C×H×1 和C×W×1 兩個向量。池化后將兩個方向的信息沿同一維度進行合并操作。使用r減少通道數(shù)以降低模型復(fù)雜度。經(jīng)過批歸一化(Batch normalization)和激活函數(shù)h-Swish 后,將網(wǎng)絡(luò)再次沿先前維度分離、卷積以恢復(fù)到最初的大小。經(jīng)sigmoid 激活后,與原輸出合并進行reweight 操作。兩個方向的單獨分離處理可以使網(wǎng)絡(luò)得到沿著兩個空間方向的長期依賴關(guān)系,同時保留了精確的位置信息,有利于網(wǎng)絡(luò)更加精確地定位到所需位置,提升網(wǎng)絡(luò)對于非結(jié)構(gòu)化道路環(huán)境中小目標物體類別分界處邊緣的分割效果。

    圖3 坐標注意力機制結(jié)構(gòu)Fig.3 Coordinate attention structure

    1.1.3 注意力機制與特征融合組合模塊(AF)

    為了提升非結(jié)構(gòu)化道路小目標類別的分割精度,本文基于ASPP 特征融合與CA 注意力機制,提出改進的AF(Attention and Feature fusion)模塊結(jié)構(gòu),如圖4 所示。模塊以ASPP 為基礎(chǔ)骨干,在每個支路嵌入CA注意力機制,使網(wǎng)絡(luò)同時關(guān)注到不同感知野的注意力信息。ASPP 有效獲取了不同采樣率獲取的圖像特征,可以有效提升網(wǎng)絡(luò)整體的分割精度,但針對小目標類別提升有限。因此通過在不同尺度特征信息后增添CA 注意力,彌補了ASPP 的不足。修改嵌入CA 注意力相比網(wǎng)絡(luò)整體,參數(shù)不在一個量級,因此即使在每條支路均添加了CA 注意力,網(wǎng)絡(luò)仍然處于輕量級,可以保證分割的實時性。

    圖4 AF 模塊結(jié)構(gòu)Fig.4 Attention and feature fusion structure

    1.2 緩解類別不均衡的雙權(quán)重交叉熵損失函數(shù)

    道路類別像素數(shù)量統(tǒng)計如圖5 所示。道路圖像部分類別,如車輛、綠化帶、道路等樣本出現(xiàn)頻次較高,而部分小目標類別出現(xiàn)頻次則遠低于平均值,數(shù)據(jù)集存在嚴重的類別分布不均衡的問題。出現(xiàn)頻率較小的類別在交叉熵損失函數(shù)計算中權(quán)重占比較小,訓(xùn)練過程中占比較大的類別會很快達到較高的精度,而較小的類別精度很難再提升。ICNet 選用的是標準交叉熵損失函數(shù)。分別在三條支路上進行損失函數(shù)計算,總損失函數(shù)值由三條支路函數(shù)值疊加求得,標準的交叉熵損失函數(shù)并不能緩解類別平衡問題。

    圖5 Cityscapes 數(shù)據(jù)集與IDD 數(shù)據(jù)集的樣本分布Fig.5 Sample distribution of Cityscapes dataset and IDD dataset

    為此本文修改損失函數(shù),設(shè)計帶權(quán)重的交叉熵損失函數(shù),以提升網(wǎng)絡(luò)對占比較小類別的關(guān)注。帶類別權(quán)重的交叉熵損失函數(shù)表達式為

    式中,參數(shù)ωi用于平衡樣本權(quán)重,針對像素較少類別,參數(shù)ωi應(yīng)較大,以提升對其的關(guān)注。本文參考ENet 類別平衡方法[15],定義權(quán)重ωi為

    式中,pi表示為相應(yīng)類別i在圖像中的像素占比。c為一設(shè)定超參數(shù),用于限制權(quán)重間的間隔,c值越大,樣本權(quán)重間的差值就越小。類別在圖像中的像素占比越小,權(quán)重參數(shù)ωi就越大,也越有利于網(wǎng)絡(luò)對這些類別的信息提取能力。

    基于以上權(quán)重損失函數(shù),改進后的網(wǎng)絡(luò)總損失函數(shù)表達式為

    式中,T表示支路數(shù),在本文中T取3,λt表示支路權(quán)重,根據(jù)支路的不同分辨率圖像,給定不同的數(shù)值,取值范圍[0,1]。ωi表示類別權(quán)重,根據(jù)不同的道路復(fù)雜程度,c的值有所不同。

    通過計算分析,c取值在[1,1.1]區(qū)間內(nèi),可以保證類別權(quán)重差值在合理范圍內(nèi)。c較小時,類別權(quán)重差異過大,網(wǎng)絡(luò)對占比較大類別的關(guān)注度過低,會影響整體的分割精度。c較大時類別權(quán)重差異較小,會退化到標準交叉熵損失函數(shù)。本文在取值范圍內(nèi)對c與λ進行了參數(shù)敏感性分析,如圖6 所示。

    圖6 λ 與c 的參數(shù)敏感性分布Fig.6 Parameter sensitivity distribution of λ and c

    從圖6 可知,對于參數(shù)λ,當(dāng)λ在0.4~0.6 區(qū)間取值時,不同數(shù)據(jù)集的分割精度MIoU 均取得了較高值。對于參數(shù)c,Cityscapes 數(shù)據(jù)集在c=1.1 時MIoU 取得最大值,IDD 數(shù)據(jù)集則是在c=1.02 時MIoU 取得最大值。分析認為,對于復(fù)雜程度較高的非結(jié)構(gòu)化道路,c的取值影響類別權(quán)重差值,而較大的權(quán)重差值會提升網(wǎng)絡(luò)的分割能力,因此c的取值非常重要。改進的損失函數(shù)通過對不同類別賦予不同的權(quán)重,增強了網(wǎng)絡(luò)對像素占比較少樣本的特征提取能力,有效地提升了網(wǎng)絡(luò)對小目標類別的分割精度。

    1.3 AF-ICNet 網(wǎng)絡(luò)整體結(jié)構(gòu)

    本文提出的AF-ICNet 網(wǎng)絡(luò)整體結(jié)構(gòu)如圖7 所示,網(wǎng)絡(luò)經(jīng)由三個支路,分別對不同分辨率的圖像進行特征提取。輸入圖像的分辨率基于Base size,分別壓縮與擴張為0.5×Base size 與2×Base size,分辨率從小到大分別輸入到三個支路中,記為Sub1、Sub2、Sub4。Sub1 采用較復(fù)雜的PSPNet 網(wǎng)絡(luò)骨干,大量的道路語義信息均在此支路中獲取,但是由于圖像分辨率較低,網(wǎng)絡(luò)對小目標的語義信息獲取能力較差。Sub2 分支與Sub1 分支在骨干網(wǎng)絡(luò)第一步的三層間共享部分卷積參數(shù),通過低分辨率與中分辨率卷積參數(shù)的共享,加快了網(wǎng)絡(luò)的分割速度。本文刪除了Sub1 中的PPM 模塊,修改Sub2 分支,將ASPP 與CA 注意力機制相結(jié)合,建立AF 模塊。改進的Sub2 支路兼顧網(wǎng)絡(luò)實時性同時,進一步提升網(wǎng)絡(luò)對圖中的小目標類別的特征提取能力。Sub4 輸入分辨率較大,因此采用更少的網(wǎng)絡(luò)層數(shù)。每個卷積后均連接批歸一化(Batch normalization)及ReLU 激活函數(shù)。為融合不同支路間的特征信息,在層級間使用級聯(lián)特征融合(Cascade Feature Fusion,CCF),輸入雙通道信息F1、F2,F(xiàn)1先進行雙線性插值并使用大小為3×3,空洞率為2 的卷積核來精修上采樣特征。F2使用1×1 的卷積使其特征數(shù)量與F1保持一致。F1、F2均進行批歸一化操作,然后直接特征圖相加并經(jīng)過激活函數(shù)ReLU。經(jīng)由三條支路以不同分辨率獲取特征信息,網(wǎng)絡(luò)有效地獲取了不同分辨率的非結(jié)構(gòu)化道路的語義信息。

    圖7 AF-ICNet 網(wǎng)絡(luò)整體結(jié)構(gòu)Fig.7 The structure of AF-ICNet

    2 數(shù)據(jù)集測試與分析

    2.1 不同道路環(huán)境數(shù)據(jù)集選取

    為滿足多路況復(fù)雜道路環(huán)境檢測的需求,本文使用了標準化道路數(shù)據(jù)集Cityscapes 及非結(jié)構(gòu)化道路數(shù)據(jù)集IDD(Indian Driving Dataset)進行訓(xùn)練與測試。

    Cityscapes 是一個關(guān)于城市街道場景的語義理解圖像數(shù)據(jù)集,包括2 975 張訓(xùn)練集圖像,500 張驗證集圖像和1 525 張測試集圖像。原數(shù)據(jù)集包含19 個密集像素標注。由圖8 可知,結(jié)構(gòu)化道路圖像中道路邊緣較為明確,道路比較平坦,紋理基本一致。車輛、道路標志信號等較為明確。AF-ICNet 網(wǎng)絡(luò)可以進一步提升對樣本中小目標物體特征提取能力。

    圖8 Cityscapes 數(shù)據(jù)集訓(xùn)練樣本圖片F(xiàn)ig.8 Cityscapes dataset training sample image

    IDD 數(shù)據(jù)集由VARMA G 等于2019 年提出,這是一個專用于非結(jié)構(gòu)化環(huán)境中道路場景感知的數(shù)據(jù)集。它由一位于車上的前置攝像頭在印度的海得拉巴、班加羅爾及其郊區(qū)道路上進行拍攝獲得[16]。

    本文根據(jù)實際道路與數(shù)據(jù)集標注情況,選取其中的9 947 張精細標注圖像,將數(shù)據(jù)集分割為6 993 張訓(xùn)練集圖像,925 張驗證集圖像和2 029 張測試集圖像。數(shù)據(jù)集包含多級標簽標注??紤]非結(jié)構(gòu)化道路實際分割需求,選取3 級標簽數(shù)據(jù),將圖像分割為26 個類別。圖9 為IDD 數(shù)據(jù)集的樣本圖與標簽圖。由圖可知,非結(jié)構(gòu)化道路圖像中道路邊緣較不明顯,道路紋理大都不一致,且車輛、行人等小目標物體較多,無明顯的道路標志,因此提取非結(jié)構(gòu)化道路特征信息難度較大。

    圖9 IDD 數(shù)據(jù)集訓(xùn)練樣本圖片F(xiàn)ig.9 IDD dataset training sample image

    2.2 數(shù)據(jù)集訓(xùn)練環(huán)境配置

    實驗在一臺CPU 為Intel i5-9400F、GPU 為GTX2070、內(nèi)存16 GB 的計算機上運行。實驗環(huán)境操作系統(tǒng)Ubuntu 18.04,語言環(huán)境為Python 3.6,編譯環(huán)境為Pytorch 1.10.1,CUDA 版本11.3。

    為了使網(wǎng)絡(luò)可以正常訓(xùn)練數(shù)據(jù)集,在訓(xùn)練時設(shè)置Cityscapes 與IDD 數(shù)據(jù)集的Base size 為1 024,網(wǎng)絡(luò)中Sub1 與Sub4 尺寸大小將被分別resize 為0.5×Base size 與2×Base size。Crop size 設(shè)置為960。兩個數(shù)據(jù)集的Batch size 均設(shè)置為4。優(yōu)化器采用隨機梯度下降(Stochastic gradient descent,SGD)算法更新參數(shù)。為加速優(yōu)化,采用動量梯度下降(Momentum SGD),在SGD 基礎(chǔ)上引入一階動量,減少震蕩過程,在加速收斂的同時保證梯度下降的平穩(wěn)性,其優(yōu)化公式為

    相比起傳統(tǒng)的SGD,Momentum SGD 引入動量超參數(shù)γ,取值滿足0≤γ<1,本文中選取γ=0.9。使用學(xué)習(xí)率衰減調(diào)度器,在提供更快的收斂速度的同時保證算法收斂。學(xué)習(xí)率η初始選取0.01,衰減率選取0.000 1。訓(xùn)練輪數(shù)選取200 輪,每一輪訓(xùn)練后均進行驗證集驗證。

    2.3 數(shù)據(jù)集實驗評價指標

    網(wǎng)絡(luò)分割精度評估指標為平均交并比(Mean Intersection over Union,MIoU)與像素精確率(Pixel Accuracy,PixAcc),實時性評估指標為實驗測試速度FPS(幀/s)。

    2.3.1 平均交并比MIoU

    采用混淆矩陣統(tǒng)計模型分類的結(jié)果,分類結(jié)果混淆矩陣如表1 所示。

    表1 TP、FP、FN、FP 含義Table 1 The meaning of TP,F(xiàn)P,F(xiàn)N,F(xiàn)P

    交并比IoU 在語義分割中表示真實值和預(yù)測值兩個集合的交集與并集之比。根據(jù)混淆矩陣,IoU 可以改寫成式(12),MIoU 為對所有類別的IoU 求平均值。

    2.3.2 像素精確率PixAcc

    像素精確度PixAcc 表示圖像中正確分類的像素所占百分比。根據(jù)混淆矩陣,PixAcc 可以改寫為

    2.3.3 每秒傳輸幀數(shù)FPS

    FPS 表示畫面每秒傳輸幀數(shù),用于判斷分割圖像的速度,計算公式為

    為測試圖像分割幀數(shù),在每次預(yù)測前后分別對當(dāng)前時間進行記錄,以獲得時間差Δt,B表示Batch size。FPS 越高,網(wǎng)絡(luò)的實時性越好。

    2.4 數(shù)據(jù)集訓(xùn)練測試與結(jié)果分析

    2.4.1 Cityscapes 數(shù)據(jù)集訓(xùn)練與測試

    基于AF-ICNet 進行訓(xùn)練和驗證實驗,在訓(xùn)練過程中,模型每完成一個epoch,進行驗證集驗證,記錄驗證集的損失函數(shù)值、MIoU 以及PixAcc。通過以上操作,可以及時掌握模型的訓(xùn)練情況。

    由圖10 可知,改進損失函數(shù)的函數(shù)值在Cityscapes 數(shù)據(jù)集上隨著迭代輪數(shù)的增加而降低,MIoU 整體呈現(xiàn)隨輪數(shù)增加而上升的趨勢,并最后達到了較高數(shù)值,證明改進的損失函數(shù)與訓(xùn)練策略在Cityscapes 數(shù)據(jù)集上的有效性。

    圖10 Cityscapes 數(shù)據(jù)集訓(xùn)練過程曲線Fig.10 Cityscapes dataset training process curve

    經(jīng)過200 輪訓(xùn)練后,模型在驗證集上的結(jié)果與現(xiàn)有模型結(jié)果對比如表2 所示。從表2 中信息可以看出,本文網(wǎng)絡(luò)算法(AF-ICNet)在Cityscapes 數(shù)據(jù)集上有良好的表現(xiàn)。AF-ICNet 在驗證集上的MIoU 達到了71.5%,高于SegNet 與ENet 網(wǎng)絡(luò),略低于DeepLabV3 Plus-MobileNet。本文網(wǎng)絡(luò)的PixAcc 達到了81.3%。

    表2 AF-ICNet 在Cityscapes 數(shù)據(jù)集上的測試結(jié)果Table 2 Test results of AF-ICNet on Cityscapes dataset

    針對小目標類別,AF-ICNet 同樣取得了更高的結(jié)果。Cityscapes 中占比較小的行人、交通燈、交通標志類別的IoU 分別從73.4%、55.5%、67.3%提升到了76.3%、61.2%、72.2%,證明了AF-ICNet 有效的提升了小目標類別的分割精度。FPS 達到了43.5 幀/s,雖低于ENet 與ICNet 網(wǎng)絡(luò),但遠高于SegNet 與DeepLabV3Plus-MobileNet,滿足實時性要求。本文網(wǎng)絡(luò)的MIoU 達到了與高精度網(wǎng)絡(luò)DeepLabV3Plus-MobileNet 相近的精度,但是參數(shù)量卻遠低于該網(wǎng)絡(luò),F(xiàn)PS 也遠高于該網(wǎng)絡(luò)。證明了改進AF-ICNet 能在保證實時性的情況下,實現(xiàn)高精度的道路語義分割。

    圖11 為ICNet 與AF-ICNet 對驗證集的分割測試結(jié)果,圖中虛線框為邊界混淆區(qū)域,實線框為小目標類別區(qū)域。對于整體分割準確率,AF-ICNet 略優(yōu)于ICNet,如圖11 虛線框所示。AF-ICNet 分割邊緣更貼近標簽圖像,對于相似類別的區(qū)分能力較強,例如道路與步行道類別。

    圖11 Cityscapes 數(shù)據(jù)集分割測試結(jié)果Fig.11 Test result of Cityscapes dataset

    AF-ICNet 對小目標類別分割精度明顯優(yōu)于ICNet,如圖11 實線框所示。ICNet 對于遠景的小目標提取能力較差,往往會將這類小目標類別歸于遠景中的大目標類別。AF-ICNet 則能夠有效地將遠景小目標類別提取出來,并且當(dāng)圖像中存在多種小目標類別混雜情況時,AF-ICNet 能夠?qū)⑿∧繕藚^(qū)分開來。

    2.4.2 IDD 數(shù)據(jù)集訓(xùn)練與測試

    基于AF-ICNet 進行訓(xùn)練和驗證實驗,模型每完成一個epoch,進行驗證集驗證,記錄驗證集的損失函數(shù)值、MIoU 以及PixAcc。

    由圖12 可知,改進損失函數(shù)的函數(shù)值在IDD 數(shù)據(jù)集上走勢與Cityscapes 數(shù)據(jù)集類似,MIoU 最后同樣達到了較高數(shù)值,證明改進的損失函數(shù)與訓(xùn)練策略在IDD 數(shù)據(jù)集上的有效性。經(jīng)過200 輪訓(xùn)練后,模型在驗證集上的結(jié)果與現(xiàn)有模型結(jié)果對比如表3 所示。

    圖12 IDD 數(shù)據(jù)集訓(xùn)練過程曲線Fig.12 IDD dataset training process curve

    表3 AF-ICNet 在IDD 數(shù)據(jù)集上的測試結(jié)果Table 3 Test results of AF-ICNet on IDD dataset

    從表3 中信息可以看出,本文網(wǎng)絡(luò)算法(AF-ICNet)在IDD 數(shù)據(jù)集上同樣有良好的表現(xiàn)。AF-ICNet 在驗證集上的MIoU 達到了62.5%,高于其他網(wǎng)絡(luò)。PixAcc 達到了89.8%。針對小目標類別,AF-ICNet 同樣取得了更高的結(jié)果。非結(jié)構(gòu)化道路中占比較小較難分割的的的行人、騎者、交通信號類別的IoU 分別從58.8%、70.0%、26.3%提升到了60.4%、72.0%、34.3%,證明了AF-ICNet 有效的提升了小目標類別的分割精度。FPS 達到了41.7 幀/s,雖低于ENet 與ICNet 網(wǎng)絡(luò),但仍遠高于SegNet 與DeepLabV3Plus-MobileNet,滿足實時性要求。AF-ICNet 在IDD 數(shù)據(jù)集上的MIoU 超出DeepLabV3Plus-MobileNet 1.3%,證明了本文改進AF-ICNet 對非結(jié)構(gòu)化道路的分割精度提升很大。

    由于非結(jié)構(gòu)化道路復(fù)雜程度更大,ICNet 與AF-ICNet 對驗證集分割精度差距進一步加大,如圖13 所示,圖中虛線框為邊界混淆區(qū)域,實線框為小目標類別區(qū)域。對于整體分割準確率,ICNet 分割圖像中出現(xiàn)了更多的相似類別的混淆情況,與標簽圖像相比錯誤率顯著增大,AF-ICNet 的整體分割精度則高于ICNet,如圖13 中的虛線框所示。

    AF-ICNet 對遠景圖像中的小目標分割能力比ICNet 更強,如圖13 中的實線框所示。即使在圖像中占比極小的遠景小目標物體,AF-ICNet 仍然有很強的能力將其分割出來,而ICNet 的小目標分割效果則明顯劣于AF-ICNet。

    圖13 IDD 數(shù)據(jù)集非結(jié)構(gòu)化道路分割測試結(jié)果Fig.13 Test result of unstructured road segmentation of IDD dataset

    2.5 消融實驗

    消融實驗類似于控制變量的思想,在機器學(xué)習(xí)領(lǐng)域常使用消融實驗來分析不同的因素對神經(jīng)網(wǎng)絡(luò)實驗產(chǎn)生的影響[19-20]。為進一步分析各改進模塊對原始模型ICNet 的影響,將本文的方法分別裁剪成4 組進行訓(xùn)練。其中,第1 組為原始的ICNet 模型,第2 組增加使用權(quán)重交叉熵損失函數(shù),第3 組在第2 組基礎(chǔ)上增加改進ASPP,第4 組在第3 組基礎(chǔ)上增加CA 注意力機制,即為本文的AF-ICNet 方法。消融實驗結(jié)果如表5 所示,其中“√”表示實驗中包括該結(jié)構(gòu),“×”表示實驗中未包括該結(jié)構(gòu)。

    表4 消融實驗Table 4 Ablation experiment

    分析消融實驗,各改進模塊對于網(wǎng)絡(luò)分割精度均有明顯提升。對于Cityscapes 數(shù)據(jù)集,使用權(quán)重交叉熵損失函數(shù),MIoU 提升了1.1%。增加ASPP 特征融合,MIoU 進一步提升了0.2%。在ASPP 基礎(chǔ)上增加CA模塊,形成AF-ICNet 網(wǎng)絡(luò),MIoU 再次提升0.5%,達到71.5%,而PixAcc 為81.3%。對于IDD 數(shù)據(jù)集,使用權(quán)重交叉熵損失函數(shù),MIoU 提升了0.6%。增加ASPP 特征融合,MIoU 進一步提升0.6%,證明了ASPP 有效提升了非結(jié)構(gòu)化道路分割精度。在ASPP 基礎(chǔ)上增加CA 模塊,形成AF-ICNet 網(wǎng)絡(luò),MIoU 再次提升0.4%,達到62.5%,而PixAcc 為89.8%。AF-ICNet 網(wǎng)絡(luò)的FPS 雖略低于原網(wǎng)絡(luò),但是仍滿足實時性要求。綜上,AF-ICNet 與原ICNet 相比,能在保證實時性要求的同時,大幅提升網(wǎng)絡(luò)的分割精度。

    3 實景測試實驗

    3.1 實驗測試系統(tǒng)

    為驗證AF-ICNet 網(wǎng)絡(luò)模型在實際環(huán)境中的測試效果,本文進行了非結(jié)構(gòu)化道路的實景測試實驗。搭建了實驗測試系統(tǒng),如圖14 所示。實驗測試系統(tǒng)由TurtleBot 機器人底盤、筆記本電腦、Microsoft KinectV1相機等組成。使用筆記本電腦控制TurtleBot 機器人的移動,并采集相機圖像。筆記本電腦配置如下:CPU為Intel i7-9750H、GPU 為GTX1660Ti、內(nèi)存16 GB。電腦操作系統(tǒng)為Windows11,語言環(huán)境為Python 3.8,編譯環(huán)境為Pytorch 1.10.1,CUDA 版本11.3。使用實驗測試系統(tǒng)對非結(jié)構(gòu)化道路進行實景測試,如圖15 所示。實驗中相機拍攝RGB 圖像分辨率為1 280×960,拍攝速度FPS 為12 幀/s,滿足實時性需求。實驗選取非結(jié)構(gòu)化程度較高的場景,其具有道路邊線不明確,紋理不一致等問題。同時為驗證本文方法對小目標的分割效果,人為增加小目標障礙物。

    圖14 實驗測試系統(tǒng)Fig.14 The experimental testing system

    圖15 非結(jié)構(gòu)化道路現(xiàn)場測試圖Fig.15 The image of field work on unstructured roads

    3.2 現(xiàn)場測試實驗分析

    利用搭建的實驗測試系統(tǒng)在現(xiàn)場拍攝圖像,選取了非結(jié)構(gòu)化程度較高的道路,并按照非結(jié)構(gòu)化數(shù)據(jù)集訓(xùn)練的模型結(jié)果,使用AF-ICNet 網(wǎng)絡(luò)進行語義分割,結(jié)果如下圖16 所示。

    圖16 現(xiàn)場測試非結(jié)構(gòu)化道路分割結(jié)果Fig.16 Segmentation results of unstructured roads tested in the field

    從圖16 中可知,AF-ICNet 網(wǎng)絡(luò)能有效分割出非結(jié)構(gòu)化道路類別,其中關(guān)于小目標類別與邊界混淆區(qū)域的分割效果比ICNet 網(wǎng)絡(luò)更好。圖16 實線框為小目標障礙物區(qū)域。對比分割圖像可以看出,AF-ICNet 在小目標分割中取得了更好的效果,小目標障礙物的邊緣更加平滑,與原圖像的匹配度更高。圖16 虛線框為邊界混淆區(qū)域,從圖中可知,AF-ICNet 能將道路中的邊界混淆區(qū)域準確地分割出來,從而可以有效地獲取非結(jié)構(gòu)化道路的語義信息。在移動測試平臺上,AF-ICNet 網(wǎng)絡(luò)單幀1 280×960 高分辨率圖像的分割速度為17 幀/s,這證明本文網(wǎng)絡(luò)在性能配置一般的計算機上對高分辨率圖像的處理速度同樣較快。當(dāng)分辨率為1 280×720 時,分割速度達到了31 幀/s,完全滿足道路實時性檢測要求。實景測試實驗表明,AF-ICNet 在測試場景應(yīng)用中取得良好的檢測效果,具有很強的實際應(yīng)用價值。

    4 結(jié)論

    本文針對非結(jié)構(gòu)化道路環(huán)境語義分割存在誤檢率較高、邊界容易混淆、小目標檢測能力較差等問題,提出基于小目標注意力機制與特征融合的AF-ICNet 復(fù)雜道路語義分割方法。采用空洞空間卷積池化金字塔融合不同尺度特征感受野以增強網(wǎng)絡(luò)的全局感知能力。利用CA 注意力機制模塊提升了網(wǎng)絡(luò)對圖像中占比較小類別的信息提取能力。修改交叉熵損失函數(shù)提升了網(wǎng)絡(luò)對出現(xiàn)頻次較少類別的關(guān)注。數(shù)據(jù)集測試實驗表明,AF-ICNet 對Cityscapes 數(shù)據(jù)集分割精度MIoU 與PixAcc 分別達到了71.5%與81.3%,對IDD 數(shù)據(jù)集分割精度MIoU 與PixAcc 分別達到了62.5%與89.8%。搭建實驗系統(tǒng)進行了實景測試。實景測試證明,AF-ICNet 網(wǎng)絡(luò)對小目標類別與非結(jié)構(gòu)化道路整體分割能力提升顯著,與ICNet 網(wǎng)絡(luò)相比,在保證測試實時性的情況下,實現(xiàn)了更高精度的語義分割。未來研究工作中將增加道路環(huán)境的復(fù)雜度,如增加雨、雪、霧等復(fù)雜天氣條件,在進一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上,實現(xiàn)更加復(fù)雜非結(jié)構(gòu)化場景的語義信息提取和分割。

    日本黄色片子视频| 免费在线观看亚洲国产| 色av中文字幕| 婷婷亚洲欧美| 日本 av在线| 欧美日韩乱码在线| bbb黄色大片| 亚洲欧美日韩高清在线视频| 亚洲人成网站在线播放欧美日韩| 国产91精品成人一区二区三区| 色播亚洲综合网| 女人被狂操c到高潮| 亚洲av中文字字幕乱码综合| 欧美又色又爽又黄视频| 亚洲狠狠婷婷综合久久图片| 热99re8久久精品国产| 啦啦啦韩国在线观看视频| 国语自产精品视频在线第100页| 精品久久久久久,| 90打野战视频偷拍视频| 国产日本99.免费观看| 成人精品一区二区免费| 99国产极品粉嫩在线观看| 少妇的逼好多水| 亚洲最大成人手机在线| 脱女人内裤的视频| 97碰自拍视频| 中文字幕熟女人妻在线| 国产单亲对白刺激| 色老头精品视频在线观看| 亚洲国产精品sss在线观看| 中文字幕熟女人妻在线| 亚洲第一欧美日韩一区二区三区| 欧美绝顶高潮抽搐喷水| 欧美高清成人免费视频www| ponron亚洲| 一二三四社区在线视频社区8| 给我免费播放毛片高清在线观看| 国产探花在线观看一区二区| 不卡一级毛片| 国产亚洲欧美在线一区二区| 亚洲欧美激情综合另类| 757午夜福利合集在线观看| 精品人妻1区二区| 久久精品综合一区二区三区| 国产69精品久久久久777片| 亚洲国产欧美网| 久久精品人妻少妇| 欧美黄色片欧美黄色片| 久99久视频精品免费| 脱女人内裤的视频| 日本五十路高清| 九九热线精品视视频播放| 51国产日韩欧美| 麻豆一二三区av精品| 久久久久久人人人人人| 嫩草影院精品99| 国内精品久久久久久久电影| 午夜免费男女啪啪视频观看 | 午夜精品久久久久久毛片777| 久久久久久久亚洲中文字幕 | 丰满人妻一区二区三区视频av | 少妇熟女aⅴ在线视频| 成人三级黄色视频| 亚洲五月天丁香| 亚洲不卡免费看| av福利片在线观看| 美女高潮喷水抽搐中文字幕| 亚洲人与动物交配视频| 一个人看视频在线观看www免费 | 日日夜夜操网爽| 日韩欧美 国产精品| 亚洲熟妇熟女久久| 在线免费观看不下载黄p国产 | 国内精品久久久久精免费| 国产精品98久久久久久宅男小说| 最新中文字幕久久久久| 最近最新免费中文字幕在线| 欧美大码av| 国产午夜福利久久久久久| 天堂动漫精品| aaaaa片日本免费| 好看av亚洲va欧美ⅴa在| 亚洲欧美日韩无卡精品| 精品久久久久久久末码| 丁香六月欧美| 五月伊人婷婷丁香| 嫁个100分男人电影在线观看| 日本一本二区三区精品| 亚洲真实伦在线观看| 国内毛片毛片毛片毛片毛片| 成人18禁在线播放| 精品国产亚洲在线| 18禁在线播放成人免费| www.熟女人妻精品国产| 天天一区二区日本电影三级| 午夜福利在线观看免费完整高清在 | 国产成人a区在线观看| 免费一级毛片在线播放高清视频| h日本视频在线播放| 日本免费一区二区三区高清不卡| 一区福利在线观看| 成年女人永久免费观看视频| 国产精品久久久久久人妻精品电影| 成人性生交大片免费视频hd| 老司机午夜福利在线观看视频| 国产色婷婷99| 国产伦一二天堂av在线观看| 成人特级黄色片久久久久久久| 久久精品国产清高在天天线| 中文字幕精品亚洲无线码一区| 亚洲无线观看免费| 一a级毛片在线观看| 一区二区三区免费毛片| 精品久久久久久久人妻蜜臀av| 国产精品影院久久| 午夜福利在线观看吧| 黑人欧美特级aaaaaa片| 亚洲自拍偷在线| 一个人免费在线观看电影| 欧美成人免费av一区二区三区| 日韩精品中文字幕看吧| 老汉色av国产亚洲站长工具| 最新在线观看一区二区三区| 国产精品99久久99久久久不卡| 精品乱码久久久久久99久播| 首页视频小说图片口味搜索| 亚洲成人免费电影在线观看| 亚洲av日韩精品久久久久久密| 夜夜夜夜夜久久久久| 欧美激情久久久久久爽电影| 国产国拍精品亚洲av在线观看 | 精品国产亚洲在线| 俄罗斯特黄特色一大片| 高清在线国产一区| 久久久久亚洲av毛片大全| 午夜亚洲福利在线播放| 久久人妻av系列| 成人av一区二区三区在线看| 91在线精品国自产拍蜜月 | 成年女人永久免费观看视频| 亚洲国产中文字幕在线视频| 在线观看av片永久免费下载| 国产精品久久久久久人妻精品电影| 久久国产精品人妻蜜桃| 精品人妻偷拍中文字幕| 免费看美女性在线毛片视频| 99热这里只有是精品50| 亚洲自拍偷在线| 中亚洲国语对白在线视频| 国产高清三级在线| 久久人人精品亚洲av| 日韩av在线大香蕉| 亚洲av中文字字幕乱码综合| 亚洲美女视频黄频| 中文字幕精品亚洲无线码一区| 在线十欧美十亚洲十日本专区| 国产欧美日韩一区二区三| 真人一进一出gif抽搐免费| 欧美日本视频| 国产精品香港三级国产av潘金莲| 国产高清激情床上av| 久久6这里有精品| 一本精品99久久精品77| 日韩人妻高清精品专区| 欧美黑人巨大hd| 人妻丰满熟妇av一区二区三区| av天堂在线播放| 99国产精品一区二区蜜桃av| 成人18禁在线播放| 人人妻人人澡欧美一区二区| 99riav亚洲国产免费| 真人做人爱边吃奶动态| 欧美午夜高清在线| 国产97色在线日韩免费| 1000部很黄的大片| 啪啪无遮挡十八禁网站| 真人做人爱边吃奶动态| 91麻豆精品激情在线观看国产| 成人性生交大片免费视频hd| 国产亚洲精品一区二区www| avwww免费| 久久午夜亚洲精品久久| 国产精品一区二区三区四区免费观看 | aaaaa片日本免费| 老司机在亚洲福利影院| 亚洲狠狠婷婷综合久久图片| 亚洲在线自拍视频| 欧美日本亚洲视频在线播放| 久久久国产成人免费| 欧美绝顶高潮抽搐喷水| 琪琪午夜伦伦电影理论片6080| 婷婷丁香在线五月| 日韩精品青青久久久久久| 99国产精品一区二区蜜桃av| 久久精品国产综合久久久| 亚洲片人在线观看| av片东京热男人的天堂| 国产极品精品免费视频能看的| 99国产综合亚洲精品| 亚洲人成网站在线播| 两个人的视频大全免费| 一区二区三区免费毛片| 熟妇人妻久久中文字幕3abv| 国产亚洲欧美在线一区二区| 国产色爽女视频免费观看| 欧美日本亚洲视频在线播放| 午夜精品久久久久久毛片777| 日韩国内少妇激情av| 99精品欧美一区二区三区四区| 国产97色在线日韩免费| 日韩免费av在线播放| 日韩av在线大香蕉| 搡老熟女国产l中国老女人| 高清日韩中文字幕在线| 色av中文字幕| 2021天堂中文幕一二区在线观| 免费看十八禁软件| 成人高潮视频无遮挡免费网站| 亚洲18禁久久av| 老司机午夜福利在线观看视频| 国内精品美女久久久久久| 免费观看人在逋| 国产成人a区在线观看| 亚洲成人中文字幕在线播放| 麻豆国产av国片精品| 日本熟妇午夜| 亚洲内射少妇av| 亚洲国产中文字幕在线视频| 精品久久久久久,| 真人一进一出gif抽搐免费| 国产精品乱码一区二三区的特点| 亚洲精品粉嫩美女一区| 欧美大码av| 日韩成人在线观看一区二区三区| 午夜激情福利司机影院| 女同久久另类99精品国产91| 欧美在线一区亚洲| 又黄又粗又硬又大视频| 国产精品爽爽va在线观看网站| 最新在线观看一区二区三区| 日本熟妇午夜| 九九在线视频观看精品| 一进一出好大好爽视频| 两个人视频免费观看高清| 美女高潮的动态| 久久精品亚洲精品国产色婷小说| 午夜福利18| 中文字幕熟女人妻在线| 成年免费大片在线观看| 无限看片的www在线观看| 国产野战对白在线观看| 欧美成人性av电影在线观看| 色综合欧美亚洲国产小说| 成人国产综合亚洲| 男女做爰动态图高潮gif福利片| 国模一区二区三区四区视频| 天堂影院成人在线观看| 老熟妇仑乱视频hdxx| 天天添夜夜摸| 免费人成在线观看视频色| 99久久精品热视频| 精品久久久久久成人av| 亚洲成人精品中文字幕电影| 黄色片一级片一级黄色片| 全区人妻精品视频| 国产精品 国内视频| 9191精品国产免费久久| 丰满乱子伦码专区| 啦啦啦韩国在线观看视频| 欧美午夜高清在线| 日本在线视频免费播放| 男女下面进入的视频免费午夜| 精品无人区乱码1区二区| 久久精品91蜜桃| 免费搜索国产男女视频| 国产亚洲精品一区二区www| 哪里可以看免费的av片| 亚洲人成网站高清观看| 久久中文看片网| 成熟少妇高潮喷水视频| 五月伊人婷婷丁香| 成人鲁丝片一二三区免费| 在线观看av片永久免费下载| 国产淫片久久久久久久久 | 日本免费一区二区三区高清不卡| 一本久久中文字幕| 在线观看免费视频日本深夜| 日本免费a在线| 成人精品一区二区免费| 国产亚洲欧美在线一区二区| 国产av麻豆久久久久久久| 黄片小视频在线播放| 亚洲人成网站在线播| 男女午夜视频在线观看| 亚洲成人久久爱视频| 在线天堂最新版资源| 日日干狠狠操夜夜爽| 欧美日本视频| 亚洲av电影在线进入| 高潮久久久久久久久久久不卡| 久久亚洲精品不卡| 欧美中文综合在线视频| 97人妻精品一区二区三区麻豆| 三级毛片av免费| 国内精品美女久久久久久| 亚洲精品久久国产高清桃花| 国产老妇女一区| 天美传媒精品一区二区| 在线观看舔阴道视频| 亚洲精品美女久久久久99蜜臀| 久久伊人香网站| 亚洲成人中文字幕在线播放| 91麻豆av在线| www日本黄色视频网| aaaaa片日本免费| 午夜福利高清视频| 欧美日韩福利视频一区二区| 精品一区二区三区视频在线观看免费| 最后的刺客免费高清国语| 成年版毛片免费区| 日韩av在线大香蕉| 欧美乱色亚洲激情| 偷拍熟女少妇极品色| 看片在线看免费视频| 老熟妇乱子伦视频在线观看| 偷拍熟女少妇极品色| 在线国产一区二区在线| 琪琪午夜伦伦电影理论片6080| 亚洲人成网站高清观看| 中文字幕人妻丝袜一区二区| 精品一区二区三区av网在线观看| 亚洲,欧美精品.| 国产av一区在线观看免费| 午夜福利欧美成人| 熟女少妇亚洲综合色aaa.| 嫩草影视91久久| 久99久视频精品免费| 麻豆久久精品国产亚洲av| 中国美女看黄片| 黄色成人免费大全| 国模一区二区三区四区视频| 在线天堂最新版资源| 69av精品久久久久久| 少妇熟女aⅴ在线视频| 在线观看美女被高潮喷水网站 | 亚洲专区国产一区二区| 一边摸一边抽搐一进一小说| 全区人妻精品视频| tocl精华| 日本免费一区二区三区高清不卡| 热99re8久久精品国产| 在线观看av片永久免费下载| x7x7x7水蜜桃| 久久人人精品亚洲av| 亚洲成a人片在线一区二区| 午夜福利在线在线| 女人被狂操c到高潮| 午夜福利18| 欧美丝袜亚洲另类 | av在线蜜桃| 99热这里只有是精品50| www日本黄色视频网| 亚洲国产欧洲综合997久久,| 性色av乱码一区二区三区2| 一个人免费在线观看电影| 免费在线观看成人毛片| 亚洲在线自拍视频| 成人亚洲精品av一区二区| 中文字幕av在线有码专区| 久久久久久人人人人人| 欧美午夜高清在线| 欧美日韩乱码在线| 三级毛片av免费| 日日夜夜操网爽| 国产视频一区二区在线看| 婷婷六月久久综合丁香| 久久久久久久精品吃奶| 国产69精品久久久久777片| 午夜日韩欧美国产| 久久精品人妻少妇| 麻豆国产97在线/欧美| 真人一进一出gif抽搐免费| 最近最新中文字幕大全电影3| 欧美日韩综合久久久久久 | 亚洲一区高清亚洲精品| a级一级毛片免费在线观看| 精品一区二区三区视频在线观看免费| 久久精品国产亚洲av香蕉五月| 免费人成视频x8x8入口观看| 欧美一级a爱片免费观看看| 激情在线观看视频在线高清| 人人妻人人澡欧美一区二区| 国产精品日韩av在线免费观看| 在线观看日韩欧美| 欧美最黄视频在线播放免费| 国产亚洲精品久久久久久毛片| 国产欧美日韩一区二区三| 午夜福利在线观看吧| 国产av一区在线观看免费| 日韩中文字幕欧美一区二区| 国产精品av视频在线免费观看| 一个人免费在线观看电影| 婷婷丁香在线五月| 日韩国内少妇激情av| 成人三级黄色视频| 亚洲国产精品成人综合色| 美女高潮的动态| 欧美日本视频| 神马国产精品三级电影在线观看| 久久久久久大精品| 51国产日韩欧美| 在线播放无遮挡| 久久国产乱子伦精品免费另类| 免费观看人在逋| 免费看日本二区| 国内精品一区二区在线观看| 欧美av亚洲av综合av国产av| 一个人免费在线观看电影| 亚洲男人的天堂狠狠| h日本视频在线播放| 一区福利在线观看| 最近最新免费中文字幕在线| 亚洲avbb在线观看| 天天一区二区日本电影三级| 搡女人真爽免费视频火全软件 | 男人舔女人下体高潮全视频| 一边摸一边抽搐一进一小说| 国产精品一区二区免费欧美| 国产精品综合久久久久久久免费| 欧美性猛交黑人性爽| 国产亚洲欧美98| 久久久久国产精品人妻aⅴ院| 亚洲精品成人久久久久久| 夜夜爽天天搞| 99热这里只有精品一区| 欧美日韩综合久久久久久 | 真人一进一出gif抽搐免费| 精品久久久久久久人妻蜜臀av| 精品人妻1区二区| 搡老妇女老女人老熟妇| 黑人欧美特级aaaaaa片| 国产亚洲精品久久久久久毛片| 99在线人妻在线中文字幕| 在线免费观看不下载黄p国产 | 中文字幕熟女人妻在线| www国产在线视频色| 国产黄片美女视频| 岛国视频午夜一区免费看| 国产美女午夜福利| 欧美乱色亚洲激情| 国产精品av视频在线免费观看| tocl精华| 国产亚洲精品av在线| 午夜福利欧美成人| 午夜福利视频1000在线观看| 国产精品野战在线观看| 色在线成人网| 亚洲精品久久国产高清桃花| 免费在线观看日本一区| 午夜免费成人在线视频| 99国产精品一区二区蜜桃av| 精品一区二区三区av网在线观看| 精品人妻1区二区| 亚洲五月天丁香| 精品国内亚洲2022精品成人| 国产男靠女视频免费网站| 欧美激情在线99| 怎么达到女性高潮| 亚洲欧美日韩无卡精品| 18美女黄网站色大片免费观看| 免费一级毛片在线播放高清视频| 国产真实伦视频高清在线观看 | 国语自产精品视频在线第100页| 十八禁网站免费在线| 国产成人欧美在线观看| 欧美日韩综合久久久久久 | 午夜激情欧美在线| h日本视频在线播放| 国产一区二区亚洲精品在线观看| 少妇的丰满在线观看| 熟女电影av网| 免费看美女性在线毛片视频| 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 | 亚洲在线自拍视频| 久久人人精品亚洲av| 午夜精品久久久久久毛片777| 内射极品少妇av片p| 亚洲18禁久久av| 久久久国产成人精品二区| 国产亚洲精品久久久久久毛片| 最近视频中文字幕2019在线8| 国产高清videossex| 伊人久久大香线蕉亚洲五| 欧美在线一区亚洲| 看片在线看免费视频| 久久亚洲精品不卡| 国产成人aa在线观看| 亚洲色图av天堂| 国产成人福利小说| 亚洲精品乱码久久久v下载方式 | 午夜福利视频1000在线观看| 老司机深夜福利视频在线观看| 亚洲精品美女久久久久99蜜臀| 成人亚洲精品av一区二区| 中文字幕av成人在线电影| 精品久久久久久久末码| 看黄色毛片网站| 免费电影在线观看免费观看| 女人被狂操c到高潮| 999久久久精品免费观看国产| 日日干狠狠操夜夜爽| 精品久久久久久久人妻蜜臀av| 色综合亚洲欧美另类图片| 亚洲成a人片在线一区二区| 999久久久精品免费观看国产| 亚洲欧美日韩卡通动漫| 99久久精品一区二区三区| 一进一出好大好爽视频| xxxwww97欧美| av在线蜜桃| 啪啪无遮挡十八禁网站| 少妇的逼水好多| 深夜精品福利| 成人亚洲精品av一区二区| 伊人久久大香线蕉亚洲五| 一本久久中文字幕| 天天一区二区日本电影三级| 国产精品日韩av在线免费观看| 一本精品99久久精品77| 欧美av亚洲av综合av国产av| 一进一出抽搐动态| 亚洲人成网站在线播放欧美日韩| 在线观看美女被高潮喷水网站 | 好男人在线观看高清免费视频| 国语自产精品视频在线第100页| 极品教师在线免费播放| 欧美一级a爱片免费观看看| 国产免费av片在线观看野外av| 女人被狂操c到高潮| 嫩草影视91久久| 国产亚洲av嫩草精品影院| 欧美不卡视频在线免费观看| 国内毛片毛片毛片毛片毛片| 国产探花在线观看一区二区| 久久婷婷人人爽人人干人人爱| www国产在线视频色| 国产精品影院久久| 亚洲欧美日韩高清专用| 免费av不卡在线播放| 51午夜福利影视在线观看| 美女被艹到高潮喷水动态| 亚洲,欧美精品.| 成人18禁在线播放| 日韩 欧美 亚洲 中文字幕| 很黄的视频免费| 12—13女人毛片做爰片一| 黄片大片在线免费观看| 国产毛片a区久久久久| 国产精品精品国产色婷婷| 麻豆一二三区av精品| 少妇的逼好多水| xxx96com| 久久久成人免费电影| 熟女少妇亚洲综合色aaa.| 91av网一区二区| 老司机午夜十八禁免费视频| 精品电影一区二区在线| 成年人黄色毛片网站| 黄色日韩在线| 亚洲aⅴ乱码一区二区在线播放| 老司机深夜福利视频在线观看| 国产一区二区三区在线臀色熟女| 国产精品野战在线观看| 久久精品影院6| 国内精品久久久久精免费| 亚洲精品色激情综合| av黄色大香蕉| 男女做爰动态图高潮gif福利片| 99久国产av精品| 亚洲精品日韩av片在线观看 | 国产综合懂色| 91麻豆精品激情在线观看国产| www.熟女人妻精品国产| 男人舔女人下体高潮全视频| 欧美一级毛片孕妇| 无遮挡黄片免费观看| 日本黄色片子视频| 国产野战对白在线观看| 很黄的视频免费| 久久久久亚洲av毛片大全| 亚洲人与动物交配视频| 欧美一区二区精品小视频在线| 国产淫片久久久久久久久 | 亚洲在线自拍视频| 88av欧美| 免费在线观看日本一区| 哪里可以看免费的av片| 人妻丰满熟妇av一区二区三区| 免费高清视频大片| 啦啦啦韩国在线观看视频| 99在线人妻在线中文字幕| 精品国内亚洲2022精品成人| 亚洲熟妇熟女久久| 欧美最黄视频在线播放免费| 久久香蕉国产精品| 中文字幕av在线有码专区| 国产一区二区三区在线臀色熟女| 亚洲午夜理论影院| 免费大片18禁| 757午夜福利合集在线观看| 日韩av在线大香蕉| 欧美最新免费一区二区三区 | 精品国产美女av久久久久小说| 两个人看的免费小视频|