• <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 ?

    基于改進(jìn)YOLOv5s的道路場(chǎng)景多任務(wù)感知算法

    2023-05-29 05:21:14宮保國(guó)陶兆勝趙瑞李慶萍伍毅吳浩
    關(guān)鍵詞:檢測(cè)模型

    宮保國(guó),陶兆勝,趙瑞,李慶萍,伍毅,吳浩

    基于改進(jìn)YOLOv5s的道路場(chǎng)景多任務(wù)感知算法

    宮保國(guó),陶兆勝,趙瑞,李慶萍,伍毅,吳浩

    (安徽工業(yè)大學(xué) 機(jī)械工程學(xué)院,安徽 馬鞍山 243032)

    針對(duì)單一任務(wù)模型不能同時(shí)滿足自動(dòng)駕駛多樣化感知任務(wù)的問(wèn)題,提出了一種基于改進(jìn)YOLOv5s的快速端到端道路多任務(wù)感知方法。首先,在YOLOv5s網(wǎng)絡(luò)輸出端設(shè)計(jì)兩個(gè)語(yǔ)義分割解碼器,能夠同時(shí)完成交通目標(biāo)檢測(cè)、車(chē)道線和可行駛區(qū)域檢測(cè)任務(wù)。其次,引入RepVGG block改進(jìn)YOLOv5s算法中的C3結(jié)構(gòu),借助結(jié)構(gòu)重參數(shù)化策略提升模型速度和精度。為了提升網(wǎng)絡(luò)對(duì)于小目標(biāo)的檢測(cè)能力,引入位置注意力機(jī)制對(duì)編碼器的特征融合網(wǎng)絡(luò)進(jìn)行改進(jìn);最后基于大型公開(kāi)道路場(chǎng)景數(shù)據(jù)集BDD100K進(jìn)行實(shí)驗(yàn)驗(yàn)證該算法在同類(lèi)型算法的優(yōu)越性。實(shí)驗(yàn)結(jié)果表明,算法車(chē)輛平均檢測(cè)精度為78.3%,車(chē)道線交并比為27.2%,可行駛區(qū)域平均交并比為92.3%,檢測(cè)速度為8.03FPS,與同類(lèi)型算法YOLOP、HybridNets對(duì)比,該算法綜合性能最佳。

    無(wú)人駕駛;目標(biāo)檢測(cè);多任務(wù)網(wǎng)絡(luò)

    自動(dòng)駕駛環(huán)境感知作為影響后續(xù)決策系統(tǒng)和控制系統(tǒng)的關(guān)鍵技術(shù),將周邊物體、行駛路徑、駕駛狀態(tài)等作為感知對(duì)象,為車(chē)輛平穩(wěn)運(yùn)行提供豐富、準(zhǔn)確的數(shù)據(jù)支撐[1-3]。目前,研究人員主要通過(guò)單任務(wù)模型解決環(huán)境感知問(wèn)題,例如將單階段目標(biāo)檢測(cè)模型YOLO用于車(chē)輛檢測(cè)[4],語(yǔ)義分割用于可行駛區(qū)域檢測(cè)的EdgeNet[5],將結(jié)合逐片卷積的語(yǔ)義分割模型SCNN[6]用在車(chē)道線檢測(cè)。然而,上述模型忽視了不同任務(wù)之間存在的關(guān)聯(lián)性,可行駛區(qū)域中包含其他檢測(cè)任務(wù)所需要的車(chē)道線和交通車(chē)輛位置信息,因此,不同感知任務(wù)模型會(huì)造成特征的重復(fù)提取。同時(shí),車(chē)載平臺(tái)受到制造成本和便攜性限制,計(jì)算性能較弱,多個(gè)單任務(wù)模型同時(shí)運(yùn)行會(huì)對(duì)車(chē)載計(jì)算平臺(tái)的運(yùn)算能力造成挑戰(zhàn)。為了充分利用不同任務(wù)之間的關(guān)聯(lián)性,提高子任務(wù)準(zhǔn)確性,同時(shí)降低模型的內(nèi)存占用,提高計(jì)算效率,研究滿足車(chē)載平臺(tái)精度和實(shí)時(shí)性需求的多任務(wù)環(huán)境感知模型具有重要意義。

    在多任務(wù)環(huán)境感知方法研究中,TEICHMANN等[7]提出了同時(shí)完成道路場(chǎng)景分類(lèi)、車(chē)輛檢測(cè)、可行駛區(qū)域檢測(cè)的多任務(wù)模型MultiNet,驗(yàn)證了檢測(cè)任務(wù)和分割任務(wù)之間存在特定關(guān)聯(lián)性。但是由于分類(lèi)任務(wù)的存在,MultiNet需要進(jìn)行模型預(yù)訓(xùn)練,提高了時(shí)間成本。孫宇菲[8]提出了一種結(jié)合MultiNet和改進(jìn)SCNN的多任務(wù)學(xué)習(xí)模型同時(shí)檢測(cè)車(chē)道線和可行駛區(qū)域,但是該算法忽略了道路場(chǎng)景中最重要的目標(biāo)檢測(cè)任務(wù)。QIAN等[9]提出了DLT-Net同時(shí)進(jìn)行車(chē)輛檢測(cè)、車(chē)道線和可行駛區(qū)域分割,通過(guò)構(gòu)建上下文張量將3個(gè)分支任務(wù)中的特征圖進(jìn)行級(jí)聯(lián),顯著提高了檢測(cè)精度,但是實(shí)驗(yàn)結(jié)果表明該模型在車(chē)道線不連續(xù)時(shí)檢測(cè)效果不佳。WU等[10]提出了一種能夠在嵌入式平臺(tái)實(shí)時(shí)運(yùn)行的多任務(wù)模型YOLOP,通過(guò)3個(gè)分支任務(wù)解碼器共享一個(gè)特征編碼器,以降低計(jì)算量,在檢測(cè)精度和實(shí)時(shí)性上都要優(yōu)于DLT-Net,但是YOLOP中每個(gè)編碼器都是獨(dú)立設(shè)計(jì),多個(gè)任務(wù)之間沒(méi)有共享信息。

    為了解決以上問(wèn)題,本文基于YOLOv5s提出了一種快速準(zhǔn)確完成交通車(chē)輛檢測(cè)、車(chē)道線檢測(cè)、可行駛區(qū)域分割的多任務(wù)環(huán)境感知算法。實(shí)驗(yàn)結(jié)果表明,本文算法能夠有效提高模型檢測(cè)準(zhǔn)確度和實(shí)時(shí)性能。

    1 算法理論介紹

    1.1 YOLOv5s算法原理

    圖1 YOLOv5s模型結(jié)構(gòu)

    圖2 C3模塊基本結(jié)構(gòu)

    圖3 SPPF模塊基本結(jié)構(gòu)

    1.2 REPVGG算法原理

    圖4 RepVGG Block結(jié)構(gòu)重參數(shù)化過(guò)程

    1.3 位置注意力機(jī)制原理

    圖5 位置注意力機(jī)制結(jié)構(gòu)

    2 道路場(chǎng)景多任務(wù)感知模型

    本文研究模型整體網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示,網(wǎng)絡(luò)結(jié)構(gòu)由編碼器和解碼器組成,其中編碼器由主干網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)組成,解碼器由可行駛區(qū)域解碼器、車(chē)道線解碼器和車(chē)輛檢測(cè)解碼器構(gòu)成,編碼器用于提取不同任務(wù)所需的圖像特征,并對(duì)特征進(jìn)行聚合,從而使得模型學(xué)習(xí)到多尺度的特征信息。解碼器則按照不同任務(wù)的特性設(shè)計(jì)了相對(duì)應(yīng)的語(yǔ)義分割結(jié)構(gòu)或目標(biāo)檢測(cè)結(jié)構(gòu),以便網(wǎng)絡(luò)同時(shí)檢測(cè)3種對(duì)象。

    圖6 本文多任務(wù)網(wǎng)絡(luò)模型

    2.1 主干網(wǎng)絡(luò)改進(jìn)

    為了滿足多任務(wù)環(huán)境感知模型在邊緣設(shè)備等移動(dòng)硬件的實(shí)時(shí)性和準(zhǔn)確性需求,本文引入RVB結(jié)構(gòu)對(duì)圖2所示的C3模塊的殘差單元進(jìn)行替換,得到RepC3模塊,其結(jié)構(gòu)如圖7所示。與原來(lái)的C3模塊結(jié)構(gòu)相比,在訓(xùn)練階段,RepC3模塊增加梯度回傳支路;在模型推理階段中,將3分支卷積層轉(zhuǎn)換為單分支結(jié)構(gòu),更好的提升設(shè)備的內(nèi)存利用率,從而提升模型的推理速度。

    圖7 RepC3模塊結(jié)構(gòu)

    2.2 特征融合網(wǎng)絡(luò)改進(jìn)

    YOLOv5s的Neck結(jié)構(gòu)構(gòu)建特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network, FPN)[19]和特征聚合網(wǎng)絡(luò)(Feature Aggregation Network, PAN)[20]對(duì)提取的多尺度特征進(jìn)行融合和再分配,提高網(wǎng)絡(luò)對(duì)不同尺度目標(biāo)檢測(cè)結(jié)果的可靠性,F(xiàn)PN和PAN結(jié)構(gòu)如圖8(a)所示。PAN結(jié)構(gòu)運(yùn)用Concat將不同尺度特征圖在通道維度上進(jìn)行拼接,造成輸出特征圖通道數(shù)量增加。此外由于道路場(chǎng)景的物體之間存在相對(duì)位移,會(huì)導(dǎo)致目標(biāo)的姿態(tài)發(fā)生改變,不利于小目標(biāo)的檢測(cè)。為了提高多任務(wù)網(wǎng)絡(luò)算法在車(chē)載計(jì)算平臺(tái)上的推理效率和關(guān)注重要小尺度目標(biāo)的能力,本文結(jié)合RepC3、位置注意力機(jī)制模塊構(gòu)建一種更加有效的特征融合結(jié)構(gòu),其結(jié)構(gòu)如圖8(b)所示。

    圖8 特征融合網(wǎng)絡(luò)結(jié)構(gòu)

    2.3 語(yǔ)義分割任務(wù)解碼器結(jié)構(gòu)設(shè)計(jì)

    由于車(chē)道線為細(xì)長(zhǎng)狀且線條紋理不同于道路表面的長(zhǎng)條狀指示標(biāo)志,在道路場(chǎng)景中占比遠(yuǎn)遠(yuǎn)小于可行駛區(qū)域。因此在可行駛區(qū)域分割解碼器的基礎(chǔ)上引入SPPF模塊增強(qiáng)其特征提取能力,應(yīng)用多個(gè)小尺寸卷積核替換SPP模塊中的單個(gè)大尺寸卷積核,既融合不同尺度的感受野,又提高了運(yùn)行速度。網(wǎng)絡(luò)層結(jié)構(gòu)如圖10所示,與可行駛區(qū)域解碼器結(jié)構(gòu)相比,除了在調(diào)整通道維度后,增加了一個(gè)SPPF模塊,其余結(jié)構(gòu)基本相同。

    3 損失函數(shù)選擇

    因本文模型需要同時(shí)完成交通車(chē)輛檢測(cè)、車(chē)道線檢測(cè)、可行駛區(qū)域分割,所以使用一種由3個(gè)任務(wù)各自對(duì)應(yīng)的加權(quán)損失函數(shù)訓(xùn)練模型,如式(1)所示。

    目標(biāo)檢測(cè)分支損失函數(shù)由分類(lèi)損失、置信度損失、目標(biāo)框回歸損失3部分構(gòu)成:

    車(chē)道線檢測(cè)分支損失函數(shù)由交叉熵?fù)p失和Dice[23]損失函數(shù)組成,交叉熵通過(guò)逐個(gè)對(duì)比每一個(gè)像素得到損失值。由于車(chē)道線像素?cái)?shù)量遠(yuǎn)遠(yuǎn)少于背景像素,此時(shí)僅僅使用交叉熵?fù)p失函數(shù),會(huì)導(dǎo)致?lián)p失函數(shù)趨向于背景像素,因此本文通過(guò)Dice損失函數(shù)抑制樣本類(lèi)別不平衡問(wèn)題,其公式為

    可行駛區(qū)域檢測(cè)由于目標(biāo)像素?cái)?shù)量較多,檢測(cè)難度較低,因此僅使用交叉熵作為損失函數(shù):

    4 實(shí)驗(yàn)結(jié)果及分析

    4.1 實(shí)驗(yàn)數(shù)據(jù)集

    本文采用加州大學(xué)伯克利分校發(fā)布的自動(dòng)駕駛公開(kāi)數(shù)據(jù)集BDD100K[24]作為實(shí)驗(yàn)數(shù)據(jù)集。BDD100K包含了不同天氣和時(shí)間段下的復(fù)雜道路場(chǎng)景圖像,并對(duì)道路車(chē)輛、車(chē)道線、可行駛區(qū)域進(jìn)行了標(biāo)注,能夠有效驗(yàn)證算法性能。BDD100K包含10萬(wàn)張圖片,其中7萬(wàn)張為訓(xùn)練集,1萬(wàn)張為驗(yàn)證集,2萬(wàn)張為測(cè)試集,由于測(cè)試集標(biāo)簽并未公開(kāi),因此本文在驗(yàn)證集上評(píng)估算法性能。

    4.2 實(shí)驗(yàn)參數(shù)設(shè)置與評(píng)估指標(biāo)

    本文所做的驗(yàn)證實(shí)驗(yàn)均基于Pytorch1.10框架,CUDA版本為11.3,計(jì)算平臺(tái)使用的CPU為Intel Core i7-11700K,GPU為NVIDIA RTX 3070,Python版本為3.7。

    本文實(shí)驗(yàn)采用召回率(Recall)、錨框交并比閾值設(shè)置為0.5時(shí)的類(lèi)別平均精度均值(mean Average Precision,mAP)評(píng)估算法車(chē)輛檢測(cè)性能、交并比(Intersection over Union,IOU)評(píng)估算法車(chē)道線分割性能,平均交并比(mean Intersection over Union,mIOU)評(píng)估算法可行駛區(qū)域分割性能,每秒檢測(cè)幀數(shù)(Frames Per Seconds,F(xiàn)PS)、參數(shù)量、十億次浮點(diǎn)運(yùn)算次數(shù)(Giga Floating Point Operations,GFLOPs)評(píng)估模型的輕量化性能和復(fù)雜度。

    召回率和類(lèi)別平均精度均值的計(jì)算公式如式(7)和式(9)所示:

    交并比和平均交并比計(jì)算公式如下:

    模型迭代訓(xùn)練100個(gè)epoch過(guò)程中的算法平均精度均值、損失函數(shù)變化曲線如圖11(a),(b)所示??梢钥闯觯?0個(gè)epoch內(nèi),訓(xùn)練損失下降較快,50個(gè)epoch后逐漸收斂,第80個(gè)epoch后訓(xùn)練過(guò)程總損失趨于穩(wěn)定。最終選取在驗(yàn)證集上評(píng)價(jià)指標(biāo)最高的作為最終權(quán)重。

    圖11 訓(xùn)練過(guò)程可視化

    在推理過(guò)程中,模型加載已訓(xùn)練的權(quán)重,并將輸入圖像前向傳播。模型輸出結(jié)果后,經(jīng)過(guò)非極大值抑制濾除重復(fù)錨框后,將其繪制在原圖上,得到圖12所示的可視化結(jié)果。由圖12可知,本文模型的車(chē)輛檢測(cè)解碼器能夠較為準(zhǔn)確識(shí)別前方車(chē)輛位置,并且置信度分?jǐn)?shù)較高。車(chē)道線和可行駛區(qū)域解碼器能夠準(zhǔn)確識(shí)別道路兩旁的車(chē)道線以及可行駛區(qū)域。同時(shí),本文模型在光照較弱的黑夜場(chǎng)景下仍能保持較好的檢測(cè)效果。

    圖12 模型推理可視化結(jié)果

    4.3 對(duì)比實(shí)驗(yàn)結(jié)果

    為了驗(yàn)證本文提出算法在同類(lèi)型的多任務(wù)環(huán)境感知算法的優(yōu)越性,本文與現(xiàn)有的道路場(chǎng)景多任務(wù)算法YOLOP、HybridNets[25]進(jìn)行了對(duì)比實(shí)驗(yàn),定量評(píng)價(jià)實(shí)驗(yàn)指標(biāo)已在4.2節(jié)詳細(xì)說(shuō)明,定量實(shí)驗(yàn)結(jié)果如表1所示。

    從表1中不同多任務(wù)算法感知模型的對(duì)比結(jié)果可知,與YOLOP算法比較:在車(chē)輛檢測(cè)任務(wù)中,本文算法召回率比YOLOP高了0.6個(gè)百分點(diǎn),平均檢測(cè)精度高了1.8個(gè)百分點(diǎn);在車(chē)道線檢測(cè)任務(wù)中,本文算法交并比IOU比YOLOP算法高了1個(gè)百分點(diǎn);在可行駛區(qū)域檢測(cè)任務(wù)中,本文算法平均交并比mIOU比YOLOP高了0.8個(gè)百分點(diǎn);在模型整體復(fù)雜度和實(shí)時(shí)性方面,本文算法的浮點(diǎn)計(jì)算量和參數(shù)量都要低于YOLOP算法,反映在本文算法FPS指標(biāo)比YOLOP算法快了1.72幀。由上述分析可知,對(duì)比YOLOP算法,本文算法無(wú)論是在檢測(cè)精度還是檢測(cè)速度都占有優(yōu)勢(shì)。與HybridNets算法比較,在車(chē)輛檢測(cè)任務(wù)中,本文算法召回率比HybridNets低了3個(gè)百分點(diǎn),平均檢測(cè)精度高了1個(gè)百分點(diǎn);在車(chē)道線檢測(cè)任務(wù)中,本文算法交并比比HybridNets低了4.4個(gè)百分點(diǎn);在可行駛區(qū)域檢測(cè)任務(wù)中,本文算法平均交并比HybridNets高了1.8個(gè)百分點(diǎn);在模型整體復(fù)雜度和實(shí)時(shí)性方面,本文算法的參數(shù)量遠(yuǎn)遠(yuǎn)小于HybridNets算法,F(xiàn)PS指標(biāo)比HybridNets算法快了2.64幀。由上述分析可知,本文算法雖然在召回率和車(chē)道線檢測(cè)任務(wù)中的指標(biāo)稍遜于HybridNets算法,但是本文的實(shí)時(shí)性能優(yōu)于HybridNets方法。綜上所述,與同類(lèi)型的多任務(wù)感知方法比較,本文基于YOLOv5s改進(jìn)的模型有著最快檢測(cè)速度的同時(shí),保持著較好的檢測(cè)精度,更能滿足實(shí)際部署需求。為了更加直觀展示不同算法的檢測(cè)效果,分別選取3種不同道路場(chǎng)景進(jìn)行比較,結(jié)果如圖13所示,(a)~(c)為HybridNets檢測(cè)效果,(d)~(f)為YOLOP檢測(cè)效果,(g)~(i)是本文算法檢測(cè)效果。

    表1 多任務(wù)模型對(duì)比實(shí)驗(yàn)結(jié)果

    圖13 多任務(wù)算法對(duì)比結(jié)果

    由檢測(cè)效果(a),(d),(g)可知,HybridNets對(duì)可行駛區(qū)域的檢測(cè)結(jié)果中出現(xiàn)明顯的空洞,YOLOP算法對(duì)圖像左下方像素進(jìn)行了錯(cuò)誤分類(lèi)。由檢測(cè)效果(b),(e),(h)可知,HybridNets對(duì)可行駛區(qū)域的檢測(cè)結(jié)果中出現(xiàn)明顯的空洞,YOLOP算法對(duì)圖像左下方像素進(jìn)行了錯(cuò)誤分類(lèi)。HybridNets模型和YOLOP方法得到的車(chē)道線檢測(cè)結(jié)果在完整度上明顯不如本文算法。檢測(cè)效果(f)中,YOLOP模型錯(cuò)誤地將路邊的電動(dòng)車(chē)誤檢為汽車(chē)。綜上所述,與HybridNets方法、YOLOP方法比較,本文算法的車(chē)道線和可行駛區(qū)域連續(xù)性更好,缺失程度更低,在檢測(cè)出小車(chē)輛目標(biāo)的同時(shí),不易發(fā)生誤檢。

    5 結(jié)束語(yǔ)

    針對(duì)單一任務(wù)模型處理自動(dòng)駕駛環(huán)境感知任務(wù)實(shí)時(shí)性差、準(zhǔn)確度低的問(wèn)題,本文首先基于YOLOV5s進(jìn)行改進(jìn),使其由單一任務(wù)模型轉(zhuǎn)換為多任務(wù)模型,同時(shí)完成交通車(chē)輛檢測(cè)、車(chē)道線和可行駛區(qū)域檢測(cè)。其次借助參數(shù)重參數(shù)化策略,對(duì)C3模塊進(jìn)行改進(jìn),提升了模型的推理速度。最后,在特征融合網(wǎng)絡(luò)中引入位置注意力模塊,提升模型對(duì)于小目標(biāo)的檢測(cè)能力。在公開(kāi)數(shù)據(jù)集BDD100K上的實(shí)驗(yàn)結(jié)果表明,本文算法能夠準(zhǔn)確、快速地完成交通車(chē)輛檢測(cè)、車(chē)道線和可行駛區(qū)域檢測(cè)。同時(shí)與近年來(lái)的同類(lèi)型多任務(wù)檢測(cè)算法比較,本文算法明顯提高了3個(gè)分支任務(wù)的檢測(cè)精度和推理速度,在計(jì)算能力欠缺的車(chē)載設(shè)備場(chǎng)景下,有著更強(qiáng)的實(shí)用價(jià)值。

    [1] 王龍飛,嚴(yán)春滿. 道路場(chǎng)景語(yǔ)義分割綜述[J]. 激光與光電子學(xué)進(jìn)展,2021, 58(12): 44-66.

    [2] 于向軍,槐元輝,姚宗偉,等. 工程車(chē)輛無(wú)人駕駛關(guān)鍵技術(shù)[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版),2021, 51(04): 1153-1168.

    [3] 彭育輝,江銘,馬中原,等. 汽車(chē)自動(dòng)駕駛關(guān)鍵技術(shù)研究進(jìn)展[J]. 福州大學(xué)學(xué)報(bào)(自然科學(xué)版),2021, 49(05): 691-703.

    [4] 王得成,陳向?qū)?,趙峰,等. 基于卷積神經(jīng)網(wǎng)絡(luò)和RGB-D圖像的車(chē)輛檢測(cè)算法[J]. 激光與光電子學(xué)進(jìn)展,2019, 56(18): 119-126.

    [5] HAN H Y, CHEN Y C, HSIAO P Y, et al. Using channel-wise attention for deep CNN based real-time semantic segmentation with class-aware edge information[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 22(2): 1041-1051.

    [6] PAN X, SHI J, LUO P, et al. Spatial as deep: Spatial cnn for traffic scene understanding[C]//Proceedings of the AAAI Conference on Artificial Intelligence, 2018.

    [7] TEICHMANN M, WEBER M, ZOELLNER M, et al. Multinet: Real-time joint semantic reasoning for autonomous driving[C]//2018 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2018: 1013-1020.

    [8] 孫宇菲. 基于多任務(wù)學(xué)習(xí)的車(chē)道線檢測(cè)算法研究[D]. 西安:長(zhǎng)安大學(xué),2021: 20-28.

    [9] QIAN Y, DOLAN J M, YANG M. DLT-Net: Joint detection of drivable areas, lane lines, and traffic objects[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 21(11): 4670-4679.

    [10] WU D, LIAO M W, ZHANG W T, et al. YOLOP: You only look once for panoptic driving erception[J]. Machine Intelligence Research, 2022, 19(6): 550-562.

    [11] REDMON J, FARHADI A. Yolov3: An incremental improvement[J]. arXiv preprint arXiv:1804.02767, 2018.

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

    [13] XU H, LI B, ZHONG F. Light-YOLOv5: A lightweight algorithm for improved YOLOv5 in complex fire scenarios[J]. Applied Sciences, 2022, 12(23): 12312.

    [14] LIN T Y, MAIRE M, BELONGIE S, et al. Microsoft COCO: Common objects in context[C]. 13th European Conference on Computer Vision, Zurich, Switzerland, 2014: 740–755.

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

    [16] DING X, ZHANG X, MA N, et al. Repvgg: Making vgg-style convnets great again[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021: 13733-13742.

    [17] HOU Q, ZHOU D, FENG J. Coordinate attention for efficient mobile network design [C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021: 13713-13722.

    [18] LIN M, CHEN Q, YAN S C. Network in network[J]. arXiv preprint arXiv:1312.4400, 2013. https://arxiv.org/abs/1312.4400.

    [19] 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.

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

    [21] TAN M, LE Q. Efficientnet: Rethinking model scaling for convolutional neural networks[C]//International Conference on Machine Learning. PMLR, 2019: 6105-6114.

    [22] ZHANG Y F, REN W, ZHANG Z, et al. Focal and efficient IOU loss for accurate bounding box regression[J]. Neurocomputing, 2022, 506: 146-157.

    [23] MILLETARI F, NAVAB N, AHMADI S A. V-net: Fully convolutional neural networks for volumetric medical image segmentation[C]//2016 Fourth International Conference on 3D Vision (3DV). IEEE, 2016: 565-571.

    [24] YU F, CHEN H, WANG X, et al. Bdd100k: A diverse driving dataset for heterogeneous multitask learning[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020: 2636-2645.

    [25] VU D, NGO B, PHAN H. HybridNets: End-to-end perception network[J]. arXiv preprint arXiv:2203.09035, 2022. https://arxiv.org/abs/2203.09035.

    A road multi-task perception algorithm based on improved YOLOv5s

    GONG Bao-guo,TAO Zhao-sheng,ZHAO Rui,LI Qing-ping,WU Yi,WU Hao

    (College of Mechnical Engineering, Anhui University of Technology, Anhui Maanshan 243032, China)

    Aiming at the problem that a single task model can not satisfy the diverse perception tasks of autonomous driving at the same time, a fast end-to-end road multi-task perception method based on improved YOLOv5s is proposed. First, two semantic segmentation decoders are designed at the output of the YOLOv5s network, which can simultaneously complete the tasks of traffic object detection, lane line and drivable area detection. Secondly, the RepVGG block is introduced to improve the C3 structure in the YOLOv5s algorithm, and the speed and accuracy of the model are improved with the help of the structural re-parameterization strategy. Then, in order to improve the detection ability of the network for small targets, the position attention mechanism is introduced to improve the feature fusion network of the encoder. Finally, based on the large-scale public road scene dataset BDD100K, experiments are carried out to verify the superiority of the proposed algorithm in the same type of algorithm. The experimental results show that the average vehicle detection accuracy of the algorithm in this paper is 78.3%, the lane line intersection ratio is 27.2%, the average drivable area intersection ratio is 92.3%, and the detection speed is 8.03FPS. Compared with the same type of algorithms YOLOP and HybridNets, this paper the algorithm has the best overall performance.

    autonomous driving;object detection;multi-task networks

    TP391

    A

    1007-984X(2023)03-0019-11

    2022-11-03

    安徽省自然科學(xué)基金面上項(xiàng)目(2108085ME166);安徽高校自然科學(xué)研究項(xiàng)目重點(diǎn)項(xiàng)目(KJ2021A0408)

    宮保國(guó)(1998-),男,安徽阜陽(yáng)人,碩士,主要從事機(jī)器視覺(jué)研究,GBG3119@163.com。

    猜你喜歡
    檢測(cè)模型
    一半模型
    “不等式”檢測(cè)題
    “一元一次不等式”檢測(cè)題
    “一元一次不等式組”檢測(cè)題
    “幾何圖形”檢測(cè)題
    “角”檢測(cè)題
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    3D打印中的模型分割與打包
    小波變換在PCB缺陷檢測(cè)中的應(yīng)用
    亚洲欧美色中文字幕在线| 欧美日韩亚洲高清精品| 亚洲欧美一区二区三区国产| 女性被躁到高潮视频| 精品一区二区三区视频在线| 婷婷色综合www| 亚洲国产最新在线播放| 丰满少妇做爰视频| 亚洲四区av| 国产亚洲精品久久久com| 日韩免费高清中文字幕av| 99久久精品国产国产毛片| 中文字幕精品免费在线观看视频 | 黑人欧美特级aaaaaa片| 亚洲情色 制服丝袜| 91在线精品国自产拍蜜月| 天美传媒精品一区二区| 9色porny在线观看| 久久青草综合色| 国产成人a∨麻豆精品| 最后的刺客免费高清国语| 国内精品宾馆在线| 曰老女人黄片| 亚洲精品第二区| 亚洲成人一二三区av| 狠狠精品人妻久久久久久综合| 国产乱人偷精品视频| 久久久a久久爽久久v久久| 免费看av在线观看网站| 国产一级毛片在线| 中文字幕免费在线视频6| 国产深夜福利视频在线观看| av线在线观看网站| 国产高清三级在线| h视频一区二区三区| 亚洲精品一二三| 91精品三级在线观看| 人妻制服诱惑在线中文字幕| 性高湖久久久久久久久免费观看| 精品国产一区二区三区久久久樱花| 一级毛片黄色毛片免费观看视频| 亚洲第一区二区三区不卡| 人成视频在线观看免费观看| 视频在线观看一区二区三区| 亚洲精品乱码久久久久久按摩| 国产黄频视频在线观看| 观看av在线不卡| 美女国产视频在线观看| 五月玫瑰六月丁香| 免费av中文字幕在线| 久久人人爽av亚洲精品天堂| 国精品久久久久久国模美| 好男人视频免费观看在线| 在现免费观看毛片| 秋霞在线观看毛片| 啦啦啦啦在线视频资源| 蜜桃久久精品国产亚洲av| 91成人精品电影| 日本欧美视频一区| 日韩成人伦理影院| 成人免费观看视频高清| av.在线天堂| 亚洲一区二区三区欧美精品| 午夜av观看不卡| 我的女老师完整版在线观看| 久久人人爽人人爽人人片va| 伦理电影免费视频| 久久青草综合色| 一本大道久久a久久精品| 国产精品熟女久久久久浪| 欧美xxxx性猛交bbbb| 国产精品久久久久久久久免| 涩涩av久久男人的天堂| 久久狼人影院| 人人妻人人爽人人添夜夜欢视频| 亚洲中文av在线| 亚洲第一区二区三区不卡| 亚洲精品久久久久久婷婷小说| 最黄视频免费看| xxx大片免费视频| 国产高清国产精品国产三级| xxxhd国产人妻xxx| 人妻人人澡人人爽人人| 老司机影院成人| 一边摸一边做爽爽视频免费| 在线亚洲精品国产二区图片欧美 | 国产欧美日韩综合在线一区二区| 99热网站在线观看| 多毛熟女@视频| 久久97久久精品| 国语对白做爰xxxⅹ性视频网站| 人妻少妇偷人精品九色| 嘟嘟电影网在线观看| 91成人精品电影| 国产午夜精品一二区理论片| 少妇高潮的动态图| 天堂中文最新版在线下载| 汤姆久久久久久久影院中文字幕| 少妇被粗大猛烈的视频| 18禁裸乳无遮挡动漫免费视频| 国产精品三级大全| 日韩成人av中文字幕在线观看| 王馨瑶露胸无遮挡在线观看| 欧美日韩av久久| 国产精品久久久久久久久免| 久久久久久久亚洲中文字幕| 午夜视频国产福利| 国产欧美亚洲国产| 制服丝袜香蕉在线| 日韩人妻高清精品专区| 日韩中字成人| xxx大片免费视频| 国产成人av激情在线播放 | 一个人免费看片子| 亚洲欧美成人精品一区二区| 久久精品人人爽人人爽视色| av网站免费在线观看视频| 五月伊人婷婷丁香| 欧美精品国产亚洲| 人人妻人人添人人爽欧美一区卜| 一区二区三区免费毛片| 国产黄色视频一区二区在线观看| 国产精品久久久久久久久免| 欧美97在线视频| 国产在线视频一区二区| 日本-黄色视频高清免费观看| 国产黄频视频在线观看| 日韩制服骚丝袜av| 夫妻午夜视频| 久久 成人 亚洲| 成年人午夜在线观看视频| 晚上一个人看的免费电影| 国产精品麻豆人妻色哟哟久久| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 亚洲国产精品一区三区| 99九九在线精品视频| 午夜激情av网站| 狠狠精品人妻久久久久久综合| 青春草视频在线免费观看| 在线精品无人区一区二区三| 国产av码专区亚洲av| 久久99精品国语久久久| 中国三级夫妇交换| 日韩强制内射视频| 91精品伊人久久大香线蕉| 97精品久久久久久久久久精品| 亚洲图色成人| 在线播放无遮挡| 永久网站在线| 亚洲av成人精品一二三区| 狂野欧美激情性xxxx在线观看| 能在线免费看毛片的网站| 嘟嘟电影网在线观看| 80岁老熟妇乱子伦牲交| 99精国产麻豆久久婷婷| 日本av免费视频播放| 2018国产大陆天天弄谢| 午夜91福利影院| 丝袜在线中文字幕| 成人午夜精彩视频在线观看| 人人妻人人澡人人爽人人夜夜| 成人毛片a级毛片在线播放| 免费播放大片免费观看视频在线观看| 精品久久国产蜜桃| av国产久精品久网站免费入址| 青春草国产在线视频| 久久精品熟女亚洲av麻豆精品| 久久女婷五月综合色啪小说| 91国产中文字幕| 黑人高潮一二区| 热re99久久国产66热| 国产69精品久久久久777片| h视频一区二区三区| 夜夜看夜夜爽夜夜摸| 国产欧美日韩综合在线一区二区| 中国国产av一级| 亚洲精品日本国产第一区| 蜜桃久久精品国产亚洲av| 伦精品一区二区三区| 亚洲精品乱码久久久久久按摩| 亚洲av.av天堂| 日日摸夜夜添夜夜爱| 性色av一级| 欧美变态另类bdsm刘玥| 成年美女黄网站色视频大全免费 | 亚洲精品国产av蜜桃| 亚洲国产精品999| 天天操日日干夜夜撸| 久久久久久伊人网av| 久久青草综合色| 久久精品久久久久久久性| 一级毛片aaaaaa免费看小| 肉色欧美久久久久久久蜜桃| 日韩精品有码人妻一区| 9色porny在线观看| 亚洲欧美日韩另类电影网站| 精品一区二区三卡| 久久久久久久久久人人人人人人| av免费观看日本| 青春草亚洲视频在线观看| 国产精品一区www在线观看| 又黄又爽又刺激的免费视频.| 国产成人精品在线电影| 国产熟女午夜一区二区三区 | 蜜桃在线观看..| 亚洲av欧美aⅴ国产| 亚洲精品乱久久久久久| 国产成人免费无遮挡视频| 国产无遮挡羞羞视频在线观看| 久热这里只有精品99| 满18在线观看网站| 一本色道久久久久久精品综合| 精品卡一卡二卡四卡免费| 国产一级毛片在线| 久久av网站| 2022亚洲国产成人精品| 2018国产大陆天天弄谢| 我要看黄色一级片免费的| 欧美成人午夜免费资源| 大香蕉久久网| 美女主播在线视频| 久久久久久久精品精品| 在线观看www视频免费| 中国美白少妇内射xxxbb| 亚洲激情五月婷婷啪啪| 国产亚洲欧美精品永久| 国产精品久久久久成人av| 丝袜喷水一区| 欧美日韩综合久久久久久| 九九久久精品国产亚洲av麻豆| 亚洲欧美日韩卡通动漫| 性色av一级| 人人妻人人爽人人添夜夜欢视频| 2022亚洲国产成人精品| 激情五月婷婷亚洲| 51国产日韩欧美| 久久这里有精品视频免费| 伊人亚洲综合成人网| 一级a做视频免费观看| 久久久久网色| 成人综合一区亚洲| 两个人的视频大全免费| 中文精品一卡2卡3卡4更新| 久久国内精品自在自线图片| 午夜福利视频在线观看免费| 大陆偷拍与自拍| 精品一区二区免费观看| 精品卡一卡二卡四卡免费| 乱人伦中国视频| 国产精品一区二区在线观看99| 国产伦精品一区二区三区视频9| 丝袜美足系列| av黄色大香蕉| 精品国产一区二区三区久久久樱花| 亚洲伊人久久精品综合| 精品卡一卡二卡四卡免费| 精品亚洲乱码少妇综合久久| 亚洲色图 男人天堂 中文字幕 | 69精品国产乱码久久久| 综合色丁香网| 日韩一区二区三区影片| 亚洲精品一二三| 久久久久久久久久久久大奶| 超色免费av| 男女国产视频网站| 亚洲精品av麻豆狂野| 亚洲成人一二三区av| 人妻制服诱惑在线中文字幕| 日韩中字成人| 毛片一级片免费看久久久久| 亚洲图色成人| 免费av不卡在线播放| 少妇人妻久久综合中文| 一级毛片我不卡| 国产高清三级在线| 亚洲av日韩在线播放| 自拍欧美九色日韩亚洲蝌蚪91| 国产片特级美女逼逼视频| 秋霞伦理黄片| 欧美亚洲 丝袜 人妻 在线| 色视频在线一区二区三区| 亚洲精品456在线播放app| 女人久久www免费人成看片| 亚洲av男天堂| 99久国产av精品国产电影| 亚洲三级黄色毛片| 男女啪啪激烈高潮av片| 丰满迷人的少妇在线观看| 如何舔出高潮| 国产精品.久久久| 女人精品久久久久毛片| 亚洲av免费高清在线观看| 秋霞伦理黄片| 日本与韩国留学比较| 久久 成人 亚洲| 国产亚洲精品第一综合不卡 | 欧美日韩成人在线一区二区| 日本爱情动作片www.在线观看| 自线自在国产av| 成年美女黄网站色视频大全免费 | 久热这里只有精品99| 一区二区三区精品91| 免费观看性生交大片5| 99热这里只有精品一区| 成人亚洲欧美一区二区av| 国产男人的电影天堂91| 欧美xxxx性猛交bbbb| 在线精品无人区一区二区三| 国产精品秋霞免费鲁丝片| 国产亚洲精品久久久com| 日韩一区二区视频免费看| 亚洲精品久久久久久婷婷小说| 国产精品女同一区二区软件| 中文字幕制服av| 高清午夜精品一区二区三区| 国产亚洲欧美精品永久| 国产日韩欧美视频二区| 久久久久国产网址| 少妇丰满av| 婷婷色综合www| 少妇的逼水好多| 美女主播在线视频| 午夜福利影视在线免费观看| 亚洲丝袜综合中文字幕| 国产一区二区三区av在线| 91精品国产国语对白视频| 国产一区有黄有色的免费视频| 日韩av不卡免费在线播放| 黄片播放在线免费| 乱人伦中国视频| 人成视频在线观看免费观看| 天堂8中文在线网| 97在线人人人人妻| 22中文网久久字幕| 日本av手机在线免费观看| 涩涩av久久男人的天堂| 日韩一本色道免费dvd| 综合色丁香网| 中文字幕人妻熟人妻熟丝袜美| av网站免费在线观看视频| 日韩成人av中文字幕在线观看| 国产日韩欧美亚洲二区| 中文天堂在线官网| 在线观看美女被高潮喷水网站| 高清在线视频一区二区三区| 交换朋友夫妻互换小说| 在线观看美女被高潮喷水网站| 97在线人人人人妻| 亚洲激情五月婷婷啪啪| 啦啦啦视频在线资源免费观看| 天天影视国产精品| 91aial.com中文字幕在线观看| 丰满少妇做爰视频| 久久毛片免费看一区二区三区| 看非洲黑人一级黄片| 国产精品久久久久成人av| 亚洲国产精品999| 久久久久久久久大av| 日韩 亚洲 欧美在线| 黄色配什么色好看| 免费不卡的大黄色大毛片视频在线观看| 国产精品久久久久久精品电影小说| 国产伦理片在线播放av一区| 亚洲欧美成人综合另类久久久| 五月天丁香电影| 伊人久久精品亚洲午夜| 日韩中文字幕视频在线看片| 欧美xxxx性猛交bbbb| av有码第一页| 国产精品免费大片| 国产欧美日韩一区二区三区在线 | av不卡在线播放| 亚洲性久久影院| 99热网站在线观看| 日韩 亚洲 欧美在线| 国产精品.久久久| 一级片'在线观看视频| 国产精品久久久久久精品古装| 国产av码专区亚洲av| 国产日韩一区二区三区精品不卡 | 永久网站在线| 黄色怎么调成土黄色| 夜夜爽夜夜爽视频| 69精品国产乱码久久久| 女性被躁到高潮视频| 一个人看视频在线观看www免费| 日韩中文字幕视频在线看片| 蜜桃国产av成人99| 永久网站在线| 高清不卡的av网站| 日韩精品免费视频一区二区三区 | 国产精品久久久久久久电影| av天堂久久9| 日本91视频免费播放| 午夜av观看不卡| 美女国产高潮福利片在线看| 人妻制服诱惑在线中文字幕| 国产男女内射视频| 亚洲,欧美,日韩| av又黄又爽大尺度在线免费看| 国产69精品久久久久777片| 欧美日韩综合久久久久久| 成人18禁高潮啪啪吃奶动态图 | 在线看a的网站| 最近中文字幕高清免费大全6| 国产精品蜜桃在线观看| 久久精品国产亚洲av涩爱| 欧美精品国产亚洲| 日韩亚洲欧美综合| 两个人免费观看高清视频| 视频区图区小说| 女性被躁到高潮视频| 久久久久久久久久久免费av| 久久久精品94久久精品| 高清在线视频一区二区三区| 国产精品偷伦视频观看了| 中文字幕精品免费在线观看视频 | 美女脱内裤让男人舔精品视频| 亚洲国产精品一区三区| 欧美一级a爱片免费观看看| 成人国产麻豆网| 韩国高清视频一区二区三区| 两个人的视频大全免费| 大片免费播放器 马上看| a级片在线免费高清观看视频| 我的女老师完整版在线观看| 性色av一级| 交换朋友夫妻互换小说| 精品国产国语对白av| 国产精品99久久久久久久久| 免费久久久久久久精品成人欧美视频 | 日韩av在线免费看完整版不卡| 插阴视频在线观看视频| 亚洲久久久国产精品| 97在线视频观看| 国产精品麻豆人妻色哟哟久久| 3wmmmm亚洲av在线观看| 99热全是精品| 国产成人精品久久久久久| 大片免费播放器 马上看| 91精品三级在线观看| 国产片内射在线| 国产色爽女视频免费观看| 免费观看a级毛片全部| 97精品久久久久久久久久精品| 久久人妻熟女aⅴ| 嫩草影院入口| 欧美人与善性xxx| av一本久久久久| 天天影视国产精品| 极品人妻少妇av视频| 欧美 日韩 精品 国产| 18在线观看网站| 美女国产高潮福利片在线看| 男人爽女人下面视频在线观看| 大又大粗又爽又黄少妇毛片口| 3wmmmm亚洲av在线观看| 丰满饥渴人妻一区二区三| 肉色欧美久久久久久久蜜桃| 91精品伊人久久大香线蕉| 亚洲国产精品999| 久久久精品94久久精品| 国产成人精品一,二区| 国产成人91sexporn| 中文字幕制服av| 国产精品成人在线| 欧美精品亚洲一区二区| 日本黄大片高清| 一本久久精品| 欧美最新免费一区二区三区| xxxhd国产人妻xxx| 亚洲人成网站在线观看播放| 一边亲一边摸免费视频| 一级爰片在线观看| 我的女老师完整版在线观看| 黑人巨大精品欧美一区二区蜜桃 | 人人妻人人澡人人看| 美女视频免费永久观看网站| 这个男人来自地球电影免费观看 | 日韩视频在线欧美| 久久久久久久久大av| 国产爽快片一区二区三区| 制服诱惑二区| 韩国高清视频一区二区三区| 18在线观看网站| 欧美xxxx性猛交bbbb| 男的添女的下面高潮视频| 国产精品熟女久久久久浪| 在线天堂最新版资源| 国模一区二区三区四区视频| 少妇高潮的动态图| 视频中文字幕在线观看| 18+在线观看网站| 国产精品欧美亚洲77777| 久久精品熟女亚洲av麻豆精品| 五月玫瑰六月丁香| 在线观看人妻少妇| 国产成人91sexporn| av线在线观看网站| 国产欧美日韩综合在线一区二区| 久热久热在线精品观看| 日本av免费视频播放| 久久久精品区二区三区| 只有这里有精品99| 日韩一区二区三区影片| 国产黄色免费在线视频| 97精品久久久久久久久久精品| 22中文网久久字幕| 午夜激情av网站| 国产精品 国内视频| a级毛片黄视频| 亚洲精品aⅴ在线观看| 久久久久网色| 国产女主播在线喷水免费视频网站| 亚洲精品日本国产第一区| 国产免费福利视频在线观看| 老司机亚洲免费影院| 满18在线观看网站| 老司机影院成人| 欧美日韩一区二区视频在线观看视频在线| 精品少妇内射三级| 伦理电影大哥的女人| 久久97久久精品| 看免费成人av毛片| av国产精品久久久久影院| 亚洲在久久综合| 观看美女的网站| 国产探花极品一区二区| 久久久久久久精品精品| 亚洲国产日韩一区二区| 亚洲欧美日韩卡通动漫| 久久久国产精品麻豆| 久久午夜福利片| 高清午夜精品一区二区三区| 国产亚洲精品久久久com| 制服丝袜香蕉在线| 中文乱码字字幕精品一区二区三区| 在线看a的网站| 日韩亚洲欧美综合| 男女免费视频国产| 国产 精品1| 2022亚洲国产成人精品| 国产乱来视频区| 大香蕉久久成人网| 亚洲成人一二三区av| 日韩中字成人| 99久久人妻综合| 中国三级夫妇交换| 欧美97在线视频| 黑人猛操日本美女一级片| 国产精品人妻久久久久久| 美女xxoo啪啪120秒动态图| 中文精品一卡2卡3卡4更新| 成人综合一区亚洲| 国产精品免费大片| 久久久欧美国产精品| 丰满迷人的少妇在线观看| 99re6热这里在线精品视频| 人人妻人人添人人爽欧美一区卜| 亚洲国产日韩一区二区| 在线观看免费高清a一片| 色94色欧美一区二区| 国产精品久久久久久av不卡| 国产男女超爽视频在线观看| 午夜福利影视在线免费观看| 亚洲第一区二区三区不卡| 老司机亚洲免费影院| 91午夜精品亚洲一区二区三区| 在线观看www视频免费| 国产一区二区在线观看日韩| 新久久久久国产一级毛片| 亚洲综合色网址| 亚洲人成网站在线观看播放| 在线观看美女被高潮喷水网站| 亚洲国产日韩一区二区| 国产高清国产精品国产三级| 久久狼人影院| 久久久久人妻精品一区果冻| 精品人妻在线不人妻| xxx大片免费视频| 精品亚洲成a人片在线观看| 777米奇影视久久| 热99久久久久精品小说推荐| 人人澡人人妻人| 亚洲中文av在线| 亚洲综合精品二区| 伊人亚洲综合成人网| 欧美3d第一页| 国产伦精品一区二区三区视频9| 午夜福利视频在线观看免费| 国产精品欧美亚洲77777| 国产精品99久久久久久久久| 精品少妇内射三级| 日本黄大片高清| 99热这里只有是精品在线观看| 日韩中字成人| 久久久a久久爽久久v久久| 久久久精品94久久精品| 日本黄色日本黄色录像| 国产成人免费无遮挡视频| 欧美最新免费一区二区三区| 中文乱码字字幕精品一区二区三区| 国产精品国产三级专区第一集| 18禁观看日本| 国产男人的电影天堂91| 热99久久久久精品小说推荐| 国产av国产精品国产| 插逼视频在线观看| 狂野欧美白嫩少妇大欣赏| 美女主播在线视频| 欧美精品高潮呻吟av久久| 久久久久人妻精品一区果冻| 国产免费现黄频在线看| 亚洲四区av| 免费高清在线观看视频在线观看|