• <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
    光子學報 2023年1期

    艾青林,張俊瑞,吳飛青

    (1 浙江工業(yè)大學 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 浙大寧波理工學院 信息科學與工程學院,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致其特征表征能力較差,大型類別的主導也容易導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。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)絡感受野,提高整體網(wǎng)絡對圖像的分割精度。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)絡對不同復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)絡無法有效的融合全局特征信息,網(wǎng)絡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)絡可以正常訓練,需要統(tǒng)一圖像尺寸,這會導致上采樣恢復至輸入大小時,池化造成的細節(jié)信息的丟失無法恢復。

    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)絡中的特征融合模塊,為減少大量池化的影響,替換網(wǎng)絡中的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)絡對小目標物體信息的獲取能力,在網(wǎng)絡中引入注意力機制。通道注意力經(jīng)典網(wǎng)絡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)以降低模型復雜度。經(jīng)過批歸一化(Batch normalization)和激活函數(shù)h-Swish 后,將網(wǎng)絡再次沿先前維度分離、卷積以恢復到最初的大小。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)絡更加精確地定位到所需位置,提升網(wǎng)絡對于非結(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),設計帶權(quán)重的交叉熵損失函數(shù),以提升網(wǎng)絡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表示為相應類別i在圖像中的像素占比。c為一設定超參數(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)絡對小目標類別的分割精度。

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

    本文提出的AF-ICNet 網(wǎng)絡整體結(jié)構(gòu)如圖7 所示,網(wǎng)絡經(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 采用較復雜的PSPNet 網(wǎng)絡骨干,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)絡實時性同時,進一步提升網(wǎng)絡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)集訓練樣本圖片F(xiàn)ig.9 IDD dataset training sample image

    2.2 數(shù)據(jù)集訓練環(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)絡可以正常訓練數(shù)據(jù)集,在訓練時設置Cityscapes 與IDD 數(shù)據(jù)集的Base size 為1 024,網(wǎng)絡中Sub1 與Sub4 尺寸大小將被分別resize 為0.5×Base size 與2×Base size。Crop size 設置為960。兩個數(shù)據(jù)集的Batch size 均設置為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。使用學習率衰減調(diào)度器,在提供更快的收斂速度的同時保證算法收斂。學習率η初始選取0.01,衰減率選取0.000 1。訓練輪數(shù)選取200 輪,每一輪訓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),在每次預測前后分別對當前時間進行記錄,以獲得時間差Δt,B表示Batch size。FPS 越高,網(wǎng)絡的實時性越好。

    2.4 數(shù)據(jù)集訓練測試與結(jié)果分析

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

    基于AF-ICNet 進行訓練和驗證實驗,在訓練過程中,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)與訓練策略在Cityscapes 數(shù)據(jù)集上的有效性。

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

    經(jīng)過200 輪訓練后,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,略低于DeepLabV3 Plus-MobileNet。本文網(wǎng)絡的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,但遠高于SegNet 與DeepLabV3Plus-MobileNet,滿足實時性要求。本文網(wǎng)絡的MIoU 達到了與高精度網(wǎng)絡DeepLabV3Plus-MobileNet 相近的精度,但是參數(shù)量卻遠低于該網(wǎng)絡,F(xiàn)PS 也遠高于該網(wǎng)絡。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)集訓練與測試

    基于AF-ICNet 進行訓練和驗證實驗,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)與訓練策略在IDD 數(shù)據(jù)集上的有效性。經(jīng)過200 輪訓練后,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。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,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,在機器學習領(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,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,MIoU 再次提升0.4%,達到62.5%,而PixAcc 為89.8%。AF-ICNet 網(wǎng)絡的FPS 雖略低于原網(wǎng)絡,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)集訓練的模型結(jié)果,使用AF-ICNet 網(wǎng)絡進行語義分割,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 在測試場景應用中取得良好的檢測效果,具有很強的實際應用價值。

    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)絡的全局感知能力。利用CA 注意力機制模塊提升了網(wǎng)絡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)境的復雜度,如增加雨、雪、霧等復雜天氣條件,在進一步優(yōu)化網(wǎng)絡結(jié)構(gòu)基礎(chǔ)上,實現(xiàn)更加復雜非結(jié)構(gòu)化場景的語義信息提取和分割。

    后天国语完整版免费观看| 最新的欧美精品一区二区| 国产成人精品无人区| 51午夜福利影视在线观看| 久久久久久久精品吃奶| 日本黄色日本黄色录像| 在线看a的网站| a在线观看视频网站| 亚洲熟女精品中文字幕| 国产亚洲欧美精品永久| 在线av久久热| 欧美精品av麻豆av| 99香蕉大伊视频| 欧美黄色片欧美黄色片| 亚洲三区欧美一区| 99国产精品一区二区三区| 婷婷成人精品国产| 欧美变态另类bdsm刘玥| 精品国产一区二区三区久久久樱花| 老鸭窝网址在线观看| 性色av乱码一区二区三区2| 日韩欧美一区视频在线观看| 中文欧美无线码| 动漫黄色视频在线观看| 黄色a级毛片大全视频| 亚洲av第一区精品v没综合| 成人特级黄色片久久久久久久 | 亚洲欧美一区二区三区黑人| 在线观看一区二区三区激情| 超碰成人久久| 狂野欧美激情性xxxx| 国产欧美亚洲国产| 老熟女久久久| 国产1区2区3区精品| 日韩有码中文字幕| 日韩三级视频一区二区三区| 国产日韩欧美亚洲二区| 国产成+人综合+亚洲专区| 性少妇av在线| 国产免费福利视频在线观看| 一进一出好大好爽视频| 欧美激情久久久久久爽电影 | 天堂动漫精品| 丝袜在线中文字幕| 亚洲va日本ⅴa欧美va伊人久久| aaaaa片日本免费| 久久国产精品大桥未久av| 午夜福利视频在线观看免费| 国产成人精品久久二区二区免费| 亚洲精品乱久久久久久| 精品国产乱码久久久久久男人| 国产日韩欧美亚洲二区| 亚洲精品成人av观看孕妇| 国产一区二区 视频在线| 国产精品成人在线| 欧美黑人欧美精品刺激| 99久久人妻综合| 亚洲午夜理论影院| 国产精品免费大片| 久久九九热精品免费| 亚洲人成77777在线视频| 国产精品麻豆人妻色哟哟久久| 一本大道久久a久久精品| 777米奇影视久久| 日韩大码丰满熟妇| 露出奶头的视频| 亚洲精品久久成人aⅴ小说| 亚洲欧美日韩另类电影网站| 人人澡人人妻人| 中文字幕人妻熟女乱码| 亚洲性夜色夜夜综合| 久久天堂一区二区三区四区| 三上悠亚av全集在线观看| 无限看片的www在线观看| 美女扒开内裤让男人捅视频| 麻豆国产av国片精品| 国产有黄有色有爽视频| h视频一区二区三区| 精品少妇一区二区三区视频日本电影| 人人澡人人妻人| 国产单亲对白刺激| 亚洲av国产av综合av卡| 99精国产麻豆久久婷婷| kizo精华| 国产亚洲精品第一综合不卡| 亚洲精品中文字幕在线视频| 我要看黄色一级片免费的| 成人18禁在线播放| 成年人黄色毛片网站| 久久人妻熟女aⅴ| 欧美黄色片欧美黄色片| 国产不卡一卡二| 国产欧美日韩一区二区三区在线| av不卡在线播放| 91老司机精品| 自拍欧美九色日韩亚洲蝌蚪91| 制服诱惑二区| 中文字幕人妻丝袜制服| 99精品欧美一区二区三区四区| 久久久国产欧美日韩av| 日本五十路高清| 国产精品久久电影中文字幕 | 狠狠精品人妻久久久久久综合| 高清欧美精品videossex| 欧美中文综合在线视频| 欧美一级毛片孕妇| 黄片大片在线免费观看| 国产福利在线免费观看视频| www.999成人在线观看| 巨乳人妻的诱惑在线观看| 12—13女人毛片做爰片一| 99九九在线精品视频| 国产日韩一区二区三区精品不卡| 精品欧美一区二区三区在线| 国产精品秋霞免费鲁丝片| 久久精品成人免费网站| 久久中文字幕一级| 久久中文看片网| 欧美精品高潮呻吟av久久| 侵犯人妻中文字幕一二三四区| 欧美乱码精品一区二区三区| av天堂久久9| 人妻久久中文字幕网| 在线观看免费日韩欧美大片| 叶爱在线成人免费视频播放| 日韩三级视频一区二区三区| 一进一出好大好爽视频| 精品国产一区二区三区四区第35| 国产无遮挡羞羞视频在线观看| 亚洲中文日韩欧美视频| 夫妻午夜视频| 一本色道久久久久久精品综合| 91国产中文字幕| 亚洲人成77777在线视频| 国产欧美日韩精品亚洲av| 欧美午夜高清在线| 免费黄频网站在线观看国产| 嫩草影视91久久| 欧美精品一区二区大全| 老司机深夜福利视频在线观看| 精品国产超薄肉色丝袜足j| 成人精品一区二区免费| 在线观看人妻少妇| 久久热在线av| 国产精品av久久久久免费| 国产91精品成人一区二区三区 | 国产激情久久老熟女| 国产av国产精品国产| 美女国产高潮福利片在线看| 成人av一区二区三区在线看| 日本五十路高清| 日本精品一区二区三区蜜桃| 国产福利在线免费观看视频| 无人区码免费观看不卡 | 精品一品国产午夜福利视频| 成年人免费黄色播放视频| 欧美精品人与动牲交sv欧美| 午夜精品久久久久久毛片777| 丰满人妻熟妇乱又伦精品不卡| 一本综合久久免费| 久久久精品区二区三区| 日韩视频在线欧美| 国产在线视频一区二区| 精品福利永久在线观看| 99久久国产精品久久久| 国产片内射在线| 亚洲自偷自拍图片 自拍| 日韩制服丝袜自拍偷拍| 亚洲成人国产一区在线观看| 成在线人永久免费视频| 成人黄色视频免费在线看| 自拍欧美九色日韩亚洲蝌蚪91| 精品高清国产在线一区| 亚洲欧美精品综合一区二区三区| 亚洲精品在线观看二区| 亚洲熟妇熟女久久| 中文欧美无线码| 一级毛片电影观看| 免费在线观看视频国产中文字幕亚洲| av线在线观看网站| 亚洲成人国产一区在线观看| 男女下面插进去视频免费观看| 国产欧美日韩综合在线一区二区| 久久久久视频综合| 热re99久久国产66热| 在线观看免费视频日本深夜| 国产精品久久久av美女十八| 国产三级黄色录像| 这个男人来自地球电影免费观看| 2018国产大陆天天弄谢| 午夜福利影视在线免费观看| 亚洲精品在线美女| 搡老岳熟女国产| 亚洲性夜色夜夜综合| 18禁黄网站禁片午夜丰满| 欧美变态另类bdsm刘玥| 精品人妻熟女毛片av久久网站| 久久久久久久久久久久大奶| 成人三级做爰电影| 午夜日韩欧美国产| 国产成人欧美| 欧美黑人欧美精品刺激| 欧美精品人与动牲交sv欧美| 可以免费在线观看a视频的电影网站| 国产在线精品亚洲第一网站| 老熟妇乱子伦视频在线观看| 久久久国产欧美日韩av| 人人妻人人澡人人爽人人夜夜| 成年人黄色毛片网站| 久久国产精品人妻蜜桃| 成年版毛片免费区| 国产一区有黄有色的免费视频| 叶爱在线成人免费视频播放| 99久久国产精品久久久| 黄色怎么调成土黄色| 国产精品1区2区在线观看. | 亚洲成人手机| 一区二区三区激情视频| 老熟女久久久| 亚洲精品粉嫩美女一区| 制服诱惑二区| 中文字幕最新亚洲高清| 老司机在亚洲福利影院| 国产在线一区二区三区精| 高清视频免费观看一区二区| 久久精品91无色码中文字幕| 国产97色在线日韩免费| 热re99久久国产66热| 大型黄色视频在线免费观看| av有码第一页| 中文字幕人妻熟女乱码| 50天的宝宝边吃奶边哭怎么回事| a级毛片黄视频| 亚洲国产毛片av蜜桃av| 90打野战视频偷拍视频| 99久久国产精品久久久| 精品高清国产在线一区| 乱人伦中国视频| 国产精品自产拍在线观看55亚洲 | 在线观看免费午夜福利视频| 婷婷丁香在线五月| 女性被躁到高潮视频| 午夜福利欧美成人| 国产成人精品无人区| 精品熟女少妇八av免费久了| 午夜免费鲁丝| 一级毛片精品| 国产精品一区二区精品视频观看| 欧美 日韩 精品 国产| 欧美在线黄色| 亚洲性夜色夜夜综合| 成人国产av品久久久| 又紧又爽又黄一区二区| 国产成人系列免费观看| 久久中文看片网| 免费观看a级毛片全部| 怎么达到女性高潮| 欧美日韩精品网址| 国产在线观看jvid| 国产精品自产拍在线观看55亚洲 | 日本vs欧美在线观看视频| 午夜福利视频精品| 三上悠亚av全集在线观看| 国产在线免费精品| 国产极品粉嫩免费观看在线| 日日摸夜夜添夜夜添小说| 飞空精品影院首页| 国产在线免费精品| 在线观看免费午夜福利视频| 脱女人内裤的视频| 一边摸一边抽搐一进一出视频| 国产主播在线观看一区二区| 免费观看人在逋| 国产成人免费观看mmmm| 高清欧美精品videossex| 亚洲国产毛片av蜜桃av| 肉色欧美久久久久久久蜜桃| 欧美黄色淫秽网站| 中文字幕精品免费在线观看视频| 一区福利在线观看| 亚洲av国产av综合av卡| 精品第一国产精品| 每晚都被弄得嗷嗷叫到高潮| 国产在线免费精品| 国产麻豆69| 日日夜夜操网爽| 久久久久久久国产电影| 久久中文字幕一级| 在线av久久热| 不卡av一区二区三区| 精品亚洲乱码少妇综合久久| 在线天堂中文资源库| 男女边摸边吃奶| 高清在线国产一区| 亚洲欧美日韩另类电影网站| 日韩视频在线欧美| 免费观看人在逋| 99热网站在线观看| 国产成人免费无遮挡视频| 乱人伦中国视频| 丝袜美腿诱惑在线| 在线av久久热| 在线十欧美十亚洲十日本专区| 精品一区二区三卡| 母亲3免费完整高清在线观看| 午夜成年电影在线免费观看| 国产日韩欧美视频二区| 欧美日本中文国产一区发布| 操出白浆在线播放| 欧美乱码精品一区二区三区| 亚洲第一av免费看| 天天操日日干夜夜撸| 91大片在线观看| 亚洲熟女毛片儿| 亚洲视频免费观看视频| 欧美亚洲 丝袜 人妻 在线| 91老司机精品| 国产日韩欧美亚洲二区| 亚洲欧美一区二区三区黑人| 欧美日韩亚洲综合一区二区三区_| 18禁美女被吸乳视频| 久久久久国产一级毛片高清牌| 少妇 在线观看| 天堂动漫精品| av片东京热男人的天堂| 久久精品亚洲熟妇少妇任你| 久久精品熟女亚洲av麻豆精品| 高清毛片免费观看视频网站 | 97在线人人人人妻| 亚洲九九香蕉| 久久久精品94久久精品| 另类精品久久| 久久久久精品人妻al黑| 免费不卡黄色视频| 一边摸一边抽搐一进一出视频| 国产91精品成人一区二区三区 | 自线自在国产av| 国内毛片毛片毛片毛片毛片| 久久久久精品国产欧美久久久| 精品国产超薄肉色丝袜足j| 女人久久www免费人成看片| 欧美日韩亚洲国产一区二区在线观看 | 亚洲精品国产区一区二| 国产精品.久久久| 亚洲国产欧美在线一区| 侵犯人妻中文字幕一二三四区| 国产一区二区三区综合在线观看| 免费在线观看黄色视频的| 精品国产国语对白av| 国产一区有黄有色的免费视频| 午夜福利在线观看吧| 精品国产乱子伦一区二区三区| 91字幕亚洲| 亚洲国产精品一区二区三区在线| 国产亚洲午夜精品一区二区久久| 一级黄色大片毛片| 久久av网站| 国产成人一区二区三区免费视频网站| 王馨瑶露胸无遮挡在线观看| 人人妻,人人澡人人爽秒播| 亚洲av第一区精品v没综合| av天堂久久9| 久久精品国产a三级三级三级| 国产精品久久久久久人妻精品电影 | 精品国产国语对白av| 女人高潮潮喷娇喘18禁视频| 日韩人妻精品一区2区三区| 精品国内亚洲2022精品成人 | 九色亚洲精品在线播放| av在线播放免费不卡| 男女边摸边吃奶| 久久青草综合色| 丝袜喷水一区| 又大又爽又粗| 国产在视频线精品| 蜜桃在线观看..| 两人在一起打扑克的视频| 我要看黄色一级片免费的| 国产主播在线观看一区二区| 中文字幕人妻熟女乱码| 亚洲va日本ⅴa欧美va伊人久久| 中文字幕人妻丝袜一区二区| 亚洲第一欧美日韩一区二区三区 | 他把我摸到了高潮在线观看 | 999久久久精品免费观看国产| 黄色视频,在线免费观看| 黑人猛操日本美女一级片| 亚洲 国产 在线| 亚洲av欧美aⅴ国产| 一级毛片女人18水好多| 久久国产精品男人的天堂亚洲| 视频在线观看一区二区三区| 99精品在免费线老司机午夜| 国产xxxxx性猛交| 亚洲天堂av无毛| 中文字幕精品免费在线观看视频| 精品乱码久久久久久99久播| 国产精品亚洲av一区麻豆| 在线观看免费视频日本深夜| 亚洲九九香蕉| 丰满迷人的少妇在线观看| 亚洲美女黄片视频| 两性夫妻黄色片| 无限看片的www在线观看| 精品乱码久久久久久99久播| 日本wwww免费看| 一二三四在线观看免费中文在| 国产午夜精品久久久久久| 久久久久视频综合| 动漫黄色视频在线观看| 精品国产一区二区三区久久久樱花| 国产精品一区二区免费欧美| 亚洲国产毛片av蜜桃av| 后天国语完整版免费观看| 国产在视频线精品| 久久中文看片网| av网站在线播放免费| 老司机靠b影院| 日韩人妻精品一区2区三区| 99久久99久久久精品蜜桃| 亚洲第一青青草原| 日韩中文字幕视频在线看片| 老熟妇仑乱视频hdxx| 99国产精品一区二区蜜桃av | 国产成人精品久久二区二区免费| 午夜福利一区二区在线看| 人人妻人人澡人人看| 日韩一区二区三区影片| 免费观看av网站的网址| 高潮久久久久久久久久久不卡| 亚洲第一av免费看| 免费在线观看黄色视频的| 黄色视频在线播放观看不卡| 岛国毛片在线播放| 国产精品免费大片| 999精品在线视频| 久久人妻熟女aⅴ| 免费在线观看日本一区| 精品国产一区二区三区四区第35| 欧美日韩福利视频一区二区| 2018国产大陆天天弄谢| 每晚都被弄得嗷嗷叫到高潮| 久久亚洲真实| 色综合婷婷激情| 国产91精品成人一区二区三区 | 日韩制服丝袜自拍偷拍| 99riav亚洲国产免费| 老司机亚洲免费影院| 亚洲av电影在线进入| 制服人妻中文乱码| 免费黄频网站在线观看国产| 久久香蕉激情| 一二三四在线观看免费中文在| 18禁美女被吸乳视频| 午夜日韩欧美国产| 捣出白浆h1v1| 国产高清国产精品国产三级| 国产成人系列免费观看| 在线观看免费午夜福利视频| 欧美成人午夜精品| 狠狠狠狠99中文字幕| 一区二区三区国产精品乱码| 宅男免费午夜| 亚洲第一欧美日韩一区二区三区 | 久久久水蜜桃国产精品网| 两个人看的免费小视频| 亚洲美女黄片视频| 国产熟女午夜一区二区三区| 亚洲五月色婷婷综合| 肉色欧美久久久久久久蜜桃| 午夜福利视频精品| 91精品三级在线观看| 丰满迷人的少妇在线观看| av视频免费观看在线观看| av又黄又爽大尺度在线免费看| 精品人妻1区二区| 在线观看免费午夜福利视频| 蜜桃国产av成人99| 中国美女看黄片| 成年版毛片免费区| 男女免费视频国产| 午夜91福利影院| 久久久水蜜桃国产精品网| 国产日韩一区二区三区精品不卡| 在线观看免费视频网站a站| 久久久久国产一级毛片高清牌| 丁香六月天网| 日韩一卡2卡3卡4卡2021年| 三上悠亚av全集在线观看| 亚洲精品自拍成人| 热99国产精品久久久久久7| 成在线人永久免费视频| 啦啦啦在线免费观看视频4| 高清视频免费观看一区二区| 久久久久精品国产欧美久久久| 一区二区日韩欧美中文字幕| 精品久久蜜臀av无| 日本五十路高清| 18禁黄网站禁片午夜丰满| 欧美 日韩 精品 国产| 国产黄频视频在线观看| 无限看片的www在线观看| 久久国产精品大桥未久av| 国产精品电影一区二区三区 | 亚洲精品美女久久av网站| 黄片播放在线免费| 国产一卡二卡三卡精品| 国产精品免费大片| av在线播放免费不卡| 人妻久久中文字幕网| 精品一区二区三卡| 欧美日韩亚洲国产一区二区在线观看 | 国内毛片毛片毛片毛片毛片| 色综合婷婷激情| 国产男女超爽视频在线观看| 窝窝影院91人妻| 一二三四社区在线视频社区8| 国产精品一区二区在线不卡| 日韩欧美一区二区三区在线观看 | 制服诱惑二区| 亚洲三区欧美一区| 桃红色精品国产亚洲av| 精品一区二区三区视频在线观看免费 | 中文字幕人妻熟女乱码| 悠悠久久av| 久久久国产成人免费| 亚洲欧美激情在线| a在线观看视频网站| 国产精品一区二区精品视频观看| 交换朋友夫妻互换小说| 777久久人妻少妇嫩草av网站| 国产亚洲精品久久久久5区| 亚洲av成人一区二区三| 亚洲av电影在线进入| 国产成人精品久久二区二区免费| 视频区欧美日本亚洲| 精品高清国产在线一区| 久久国产精品大桥未久av| 亚洲午夜理论影院| 国产一区二区三区在线臀色熟女 | 1024视频免费在线观看| 女同久久另类99精品国产91| 一区二区三区精品91| 亚洲中文字幕日韩| 青草久久国产| 亚洲精品中文字幕在线视频| 久久九九热精品免费| 婷婷成人精品国产| 美女主播在线视频| 嫩草影视91久久| 亚洲伊人久久精品综合| 国产精品麻豆人妻色哟哟久久| 成人国语在线视频| 亚洲国产看品久久| √禁漫天堂资源中文www| 国产免费av片在线观看野外av| 多毛熟女@视频| 蜜桃在线观看..| 高潮久久久久久久久久久不卡| 国产午夜精品久久久久久| 看免费av毛片| 欧美日韩中文字幕国产精品一区二区三区 | 日韩大码丰满熟妇| 亚洲中文字幕日韩| 国产黄频视频在线观看| 悠悠久久av| 亚洲国产av新网站| 波多野结衣av一区二区av| 国产单亲对白刺激| av在线播放免费不卡| av又黄又爽大尺度在线免费看| 国产精品麻豆人妻色哟哟久久| 午夜激情久久久久久久| 久热这里只有精品99| 成人影院久久| 久久久久精品人妻al黑| 一区二区三区国产精品乱码| 色94色欧美一区二区| 亚洲专区字幕在线| 纵有疾风起免费观看全集完整版| 亚洲一区中文字幕在线| 久久久久国内视频| 欧美日韩黄片免| 国产国语露脸激情在线看| 十八禁高潮呻吟视频| 首页视频小说图片口味搜索| 国产又爽黄色视频| 国产亚洲午夜精品一区二区久久| 日韩欧美三级三区| 国产1区2区3区精品| 丝袜美腿诱惑在线| 色老头精品视频在线观看| 18在线观看网站| 飞空精品影院首页| 亚洲成a人片在线一区二区| 午夜福利欧美成人| 欧美精品av麻豆av| 亚洲成av片中文字幕在线观看| 我的亚洲天堂| av有码第一页| 91九色精品人成在线观看| 国产成人精品无人区| 国产精品1区2区在线观看. | 精品人妻熟女毛片av久久网站| 99国产精品99久久久久| 麻豆成人av在线观看| 一区二区三区精品91| 国产欧美日韩一区二区三区在线| av片东京热男人的天堂| 亚洲第一av免费看| 最新美女视频免费是黄的| 欧美激情极品国产一区二区三区| 国产亚洲精品一区二区www | 欧美日本中文国产一区发布| 精品国产国语对白av|