• <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 ?

    基于深度反饋的卷積神經(jīng)網(wǎng)絡(luò)的圖像分類

    2023-11-07 12:09:18劉海華童順延
    關(guān)鍵詞:花卉卷積神經(jīng)網(wǎng)絡(luò)

    吳 甜,劉海華,童順延

    (中南民族大學(xué),湖北 武漢 430074)

    0 引 言

    圖像分類是根據(jù)不同類別信息在圖像中所反映的不同特征,把不同類別的目標(biāo)分開的圖像處理方法?;ɑ軋D像分類是計(jì)算機(jī)視覺研究的一個(gè)重要領(lǐng)域??焖俚刈詣幼R別花卉圖像可以給植物研究學(xué)家?guī)順O大便利。但由于花卉圖像種類繁多,類間差距甚微,同一種花卉在不同的生長時(shí)期也表現(xiàn)出不同的形態(tài),使得花卉圖像分類任務(wù)比其他類別(如汽車、貓狗、桌面等)的分類任務(wù)更難以很好進(jìn)行。目前花卉圖像分類方法主要有2 大類:基于傳統(tǒng)的手工提取特征分類方法和基于深度學(xué)習(xí)的分類方法。

    基于傳統(tǒng)的手工提取特征的算法利用HOG、SIFT、Haar等特征描述符提取特征[1-3],并利用支持向量機(jī)(Support Vector Machine,SVM)、KNN 等分類器實(shí)現(xiàn)圖像分類[1,4-5]。由于基于傳統(tǒng)的手工提取特征的方法過程繁瑣,對噪聲敏感并且分類的效果并不理想,于是隨著最近幾年深度學(xué)習(xí)在提取圖像深層特征方面有很大突破,深度學(xué)習(xí)的方法就被廣泛應(yīng)用于圖像分類任務(wù)當(dāng)中。LeNet-5 是由Lecun 等人[6]在1998 年設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò),它是早期深度學(xué)習(xí)方法中最具代表性的算法模型之一。隨后,RNN[7]、AlexNet[8]、GoogleNet[9]、VGG[10]、ResNet[11]、DenseNet[12]等深度學(xué)習(xí)算法模型相繼涌現(xiàn)出來。RNN 擅長處理序列數(shù)據(jù),由于圖片與序列相差很大,所以它對圖片的處理效果并不理想,另外,RNN 也不能處理長期依賴的問題,這是RNN 最致命的。因此,針對RNN 的問題,在2016 年,ResNet 和DenseNet 相繼被提出,它們借鑒RNN 處理序列關(guān)聯(lián)性的特點(diǎn),用于處理圖片。ResNet發(fā)明了‘快捷連接’,解決了神經(jīng)網(wǎng)絡(luò)深度過大效果反而下降的問題。然而,在ResNet中,雖然網(wǎng)絡(luò)看起來很深,但實(shí)際起作用的網(wǎng)絡(luò)層數(shù)并不多,大部分網(wǎng)絡(luò)層都在解決模型退化和誤差過大的問題,但又不能完全解決網(wǎng)絡(luò)退化,只能做到相對的緩解。于是,DenseNet 在ResNet 的基礎(chǔ)上,做了進(jìn)一步改進(jìn),它把前面每一個(gè)卷積的輸出都“快捷連接”到后面各個(gè)卷積的輸出,加強(qiáng)特征的傳遞。另外,DenseNet通過特征在通道上的連接來實(shí)現(xiàn)特征重用,帶來了更快的收斂速度。但是,DenseNet在顯存和計(jì)算量上比ResNet 稍有不足,這使得實(shí)時(shí)模型想要用上DenseNet 比較難以實(shí)現(xiàn),這也是為什么DenseNet受到的關(guān)注度并不是很大的原因。

    基于深度學(xué)習(xí)方法在圖像處理方面取得的優(yōu)異表現(xiàn),更多的研究者青睞于根據(jù)現(xiàn)有的網(wǎng)絡(luò)進(jìn)行改進(jìn)。2016 年 張 川[13]對ResNet 做 出 改 進(jìn) 提 出 將ResNet_ELU 用 于 圖 像 分 類。2017 王 麗 雯[14]基 于AlexNet構(gòu)建了一種深度網(wǎng)絡(luò)用于花卉識別。2019年高建瓴等人[15]提出了一種改進(jìn)的DenseNet 網(wǎng)絡(luò)模型,提高了圖像識別的準(zhǔn)確性。2020 年郭玉榮等人[16]提出了一種端到端雙通道特征重標(biāo)定DenseNet圖像分類方法。雖然應(yīng)用這些深度學(xué)習(xí)的方法對圖像的分類都取得了一定程度的成效,但仍存在各自的缺陷,并且以上的卷積神經(jīng)網(wǎng)絡(luò)模型沒有充分結(jié)合視覺感知特性,所以分類效果并不理想。

    針對以上問題,本文針對圖像分類提出一種符合視覺感知的深度反饋卷積神經(jīng)網(wǎng)絡(luò)(DF-RNN-CNN)模型。該模型不僅解決了RNN 中存在的不能處理圖片和長期依賴的問題,還解決了上文提到的ResNet和DenseNet 中存在的問題。本文模型具體的實(shí)現(xiàn)是借鑒RNN 的思想,把t時(shí)刻卷積的輸入分為2 個(gè)部分的和,一部分為1~t-1 時(shí)刻每個(gè)卷積的輸出經(jīng)過激活函數(shù)后的和,另一部分為輸入圖片經(jīng)過卷積之后的特征圖。這就是本文提出的深度反饋循環(huán)神經(jīng)網(wǎng)絡(luò)(DF-RNN)。此種構(gòu)造方法可以避免丟失前面學(xué)習(xí)到的較好的特征,另外模型采用參數(shù)共享機(jī)制,很大程度地減少了計(jì)算量。最后把DF-RNN 連接到VGG16 的第一個(gè)Poolling 層,同時(shí)去掉VGG16 的前2個(gè)卷積層,構(gòu)成一個(gè)全新的卷積神經(jīng)網(wǎng)絡(luò)。

    1 深度反饋卷積神經(jīng)網(wǎng)絡(luò)模型

    卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池化層和激活層組成,并經(jīng)過多層次的疊加與交替可以實(shí)現(xiàn)對圖片進(jìn)行特征提取操作,完成對不同圖像的分類。本文模擬視覺神經(jīng)元的經(jīng)典感受野和反饋連接機(jī)制,構(gòu)建基于CNN結(jié)構(gòu)的深度反饋卷積神經(jīng)網(wǎng)絡(luò)模型。

    1.1 DF-RNN-CNN模型結(jié)構(gòu)

    在基于CNN 的網(wǎng)絡(luò)模型中,最典型的模型是由牛津大學(xué)幾何組(Visual Geometry Group)提出來的VGG16[10]。該模型具體有6個(gè)結(jié)構(gòu)塊,結(jié)構(gòu)塊與結(jié)構(gòu)塊之間用max-pooling(最大池化,2×2)分開,每個(gè)結(jié)構(gòu)塊由卷積層構(gòu)成,總共有16 個(gè)卷積層(含全連接層),用于完成圖像分類任務(wù)。在每一個(gè)結(jié)構(gòu)塊中通道數(shù)相同,而后一個(gè)結(jié)構(gòu)塊的卷積通道數(shù)是前一個(gè)結(jié)構(gòu)塊通道數(shù)的2倍。每個(gè)結(jié)構(gòu)塊里包含2個(gè)或3個(gè)卷積層,所有的卷積核都是3×3的大小,所有的激活函數(shù)都采用ReLU函數(shù)。該模型的詳細(xì)結(jié)構(gòu)如圖1所示。

    圖1 VGG16模型結(jié)構(gòu)圖

    本文提出的DF-RNN-CNN 網(wǎng)絡(luò)模型是在如圖1所示的VGG16 模型基礎(chǔ)上構(gòu)建的。其具體的工作是利用DF-RNN 模型代替VGG16 中的第一個(gè)結(jié)構(gòu)模塊,而其他結(jié)構(gòu)模塊不變。完整的DF-RNN-CNN 模型詳細(xì)結(jié)構(gòu)如圖2所示。

    圖2 DF-RNN-CNN 模型結(jié)構(gòu)圖

    1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

    RNN 是一種用來處理序列數(shù)據(jù)的網(wǎng)絡(luò)模型,與普通的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)的主要不同在于隱藏層部分。RNN 的隱藏層除了接收來自上一層神經(jīng)元的信息外,它還會接收同一層神經(jīng)元之間的信息,這就是所稱的循環(huán)。由此可見,RNN 隱藏層的循環(huán)結(jié)構(gòu)使得RNN 具有一定的聯(lián)想記憶功能,其結(jié)構(gòu)如圖3 所示,其中左邊為簡約結(jié)構(gòu),右邊為展開形式。

    圖3 循環(huán)神經(jīng)網(wǎng)絡(luò)

    標(biāo)準(zhǔn)的RNN 由輸入層X,隱藏層h和輸出層y組成。網(wǎng)絡(luò)在t時(shí)刻的狀態(tài)ht不僅與t-1 時(shí)刻的網(wǎng)絡(luò)狀態(tài)ht-1,而且與Xt相關(guān);而網(wǎng)絡(luò)在t時(shí)刻的輸出yt由該時(shí)刻的網(wǎng)絡(luò)狀態(tài)決定。因此,RNN 網(wǎng)絡(luò)的狀態(tài)和輸出為:

    其中,符號·代表矩陣乘運(yùn)算,V是輸出y的權(quán)重矩陣,U是輸入序列X的權(quán)重矩陣,W是上一時(shí)刻狀態(tài)ht-1的權(quán)重矩陣。在網(wǎng)絡(luò)中,所有的參數(shù)(V,U,W)都是一樣的,即參數(shù)共享。f和g都是激活函數(shù),在RNN 中f選雙曲正切函數(shù)tanh 作為激活函數(shù),g一般選softmax作為激活函數(shù)。

    在標(biāo)注的RNN 模型中,通常處理的是一維矢量數(shù)據(jù)。然而,圖像是二維數(shù)據(jù),為了處理圖像序列,在RNN 網(wǎng)絡(luò)中引入CNN 中神經(jīng)元經(jīng)典感受野的概念,則RNN網(wǎng)絡(luò)的狀態(tài)和輸出為:

    其中,符號*代表卷積運(yùn)算。

    1.3 深度反饋循環(huán)神經(jīng)網(wǎng)絡(luò)

    為了發(fā)揮RNN 模型的聯(lián)想記憶功能,有效地提取圖像的特征,可以用恒定的輸入圖像代替RNN 模型的輸入序列來完成該任務(wù)。然而,由于RNN 存在一個(gè)固有的問題,即在處理較長序列時(shí)會出現(xiàn)梯度現(xiàn)象。為了避免該問題,引入深度反饋重新構(gòu)建RNN模型,其系統(tǒng)框結(jié)構(gòu)在圖4(t=4)中給出了詳細(xì)描述,系統(tǒng)的狀態(tài)和輸出方程為:

    圖4 DF-RNN模型的結(jié)構(gòu)(t=4)圖

    其中,ht是t時(shí)刻的輸出特征,X是DF-RNN 模型的恒定輸入圖,U仍然是輸入的權(quán)重矩陣,W是狀態(tài)權(quán)重矩陣,U和W均采用參數(shù)共享機(jī)制,s是sigmoid 激活函數(shù),符號*表示卷積運(yùn)算,符號+表是矩陣相加運(yùn)算。

    雖然大尺寸的卷積核可以擴(kuò)大感受野,但引用大尺寸的卷積核會增加計(jì)算量,所以該網(wǎng)絡(luò)模型全部采用3×3大小的卷積核進(jìn)行特征提取。

    2 實(shí)驗(yàn)結(jié)果與分析

    2.1 實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)環(huán)境

    本文的實(shí)驗(yàn)數(shù)據(jù)采用公開的牛津大學(xué)視覺幾何組創(chuàng)建的Oxford flower-102 花卉圖像數(shù)據(jù)集。此數(shù)據(jù)集由102 類花卉圖像組成,總共包含8189 張圖片。本文實(shí)驗(yàn)每類隨機(jī)選用10 張作為驗(yàn)證集,另外再每類選取10張作為測試集,剩下的6149張作為訓(xùn)練集,訓(xùn)練集里面每類花卉由20~238 張圖片組成。由于不同種類的花卉圖像之間相似度很高,如圖5 所示,同一種類的花卉圖像的差別也很大,如圖6 所示,這就使得花卉圖像的識別任務(wù)具有較高難度。

    圖5 english marigold(左)和barbeton(右)

    圖6 snapdragon

    在網(wǎng)絡(luò)開始訓(xùn)練前,由于花卉圖像類間相似度高,類內(nèi)差別大,數(shù)據(jù)數(shù)量小,所以在輸入訓(xùn)練集進(jìn)行訓(xùn)練之前要先對訓(xùn)練數(shù)據(jù)做數(shù)據(jù)增強(qiáng)處理,以達(dá)到擴(kuò)充訓(xùn)練數(shù)據(jù)、有效減少網(wǎng)絡(luò)過擬合、增加網(wǎng)絡(luò)的識別能力、提高網(wǎng)絡(luò)的泛化能力等目的。采用數(shù)據(jù)增強(qiáng)的方法有:水平、豎直翻轉(zhuǎn),錯(cuò)切變換和放大。

    在對訓(xùn)練集做完數(shù)據(jù)增強(qiáng)之后,接著對所有的數(shù)據(jù)圖片,即數(shù)據(jù)增強(qiáng)后的訓(xùn)練集、原始的驗(yàn)證集和測試集做圖像預(yù)處理。首先對圖片像素做歸一化處理,把原始0~255 的像素歸一化到0~1 之間,以達(dá)到減少網(wǎng)絡(luò)的計(jì)算量,簡化網(wǎng)絡(luò)輸入的目的。第二由于所有圖片的大小不一,將所有圖片統(tǒng)一縮放到224×224 大小,以完成網(wǎng)絡(luò)統(tǒng)一化輸入的要求。

    本文所進(jìn)行的實(shí)驗(yàn)在中南民族大學(xué)視覺認(rèn)知科學(xué)實(shí)驗(yàn)室完成,實(shí)驗(yàn)軟硬件環(huán)境配置如表1所示。

    表1 實(shí)驗(yàn)軟硬件環(huán)境

    2.2 對比實(shí)驗(yàn)?zāi)P?/h3>

    為了驗(yàn)證DF-RNN模塊的有效性,將本文方法分別與殘差網(wǎng)絡(luò)的殘差塊和密集網(wǎng)絡(luò)的密集塊做對比實(shí)驗(yàn)。將DF-RNN模塊分別替換成2個(gè)殘差塊和1個(gè)密集塊,在各自參數(shù)最優(yōu)的條件下進(jìn)行網(wǎng)絡(luò)訓(xùn)練并測試。殘差塊與密集塊的結(jié)構(gòu)如圖7所示。

    圖7 殘差塊(左)和密集塊(右)結(jié)構(gòu)圖

    2.3 評估標(biāo)準(zhǔn)與參數(shù)選擇

    本文實(shí)驗(yàn)選用Adam 作為優(yōu)化器,學(xué)習(xí)率設(shè)置為0.00001,訓(xùn)練迭代次數(shù)為900。為了定量地分析本網(wǎng)絡(luò)模型的性能并且與其他文獻(xiàn)所采用的方法做比較,采用Accuracy(Acc)作為評價(jià)指標(biāo),該評價(jià)指標(biāo)的計(jì)算公式為:

    其中,right表示分類正確的樣本數(shù),all表示樣本總數(shù),Acc越大表示分類的準(zhǔn)確率越高,網(wǎng)絡(luò)的性能越好。

    此外因?yàn)楸疚膶?shí)驗(yàn)是多分類實(shí)驗(yàn),所以選用多分類交叉熵(categorical_crossentropy)作為損失函數(shù),其定義公式為:

    多分類交叉熵?fù)p失函數(shù)一般搭配Softmax 激活函數(shù)使用,其中n為類別數(shù)量,yi是其真實(shí)值為其實(shí)際輸出值,當(dāng)實(shí)際輸出值越接近真實(shí)值時(shí),多分類交叉熵越小,分類結(jié)果越好。圖8 是驗(yàn)證集在訓(xùn)練過程中的損失函數(shù)loss 值隨著訓(xùn)練輪數(shù)增加的曲線變化圖,訓(xùn)練輪數(shù)達(dá)到900的時(shí)候,loss值為1.01,此時(shí)loss曲線已趨近平穩(wěn),表明模型已有較好的分類性能,模型訓(xùn)練結(jié)束。

    圖8 loss隨epoch增加的變化圖

    一般而言,卷積層越多,網(wǎng)絡(luò)獲取的信息越多,特征也越豐富,但實(shí)驗(yàn)表明,隨著網(wǎng)絡(luò)加深,優(yōu)化效果反而會越差,并且網(wǎng)絡(luò)的訓(xùn)練會變得越來越困難,而卷積層過少,網(wǎng)絡(luò)提取特征的能力就會下降。本文實(shí)驗(yàn)綜合以上問題,并且考慮到本實(shí)驗(yàn)數(shù)據(jù)集規(guī)模較小,如果DF-RNN 中的t一直增大的話,整體的網(wǎng)絡(luò)預(yù)測的效果反而會降低,會出現(xiàn)過擬合現(xiàn)象,經(jīng)過多次實(shí)驗(yàn)證明,t=4 的時(shí)候是效果最好的。表2 是當(dāng)t取不同值時(shí)得到的實(shí)驗(yàn)結(jié)果。

    表2 t取不同值時(shí)的實(shí)驗(yàn)結(jié)果

    從表2 中可以看出,當(dāng)t取2~4 的時(shí)候,網(wǎng)絡(luò)整體的性能是上升的,到t=5 的時(shí)候開始下降,因此最終選取了t的值為4。

    2.4 結(jié)果分析與比較

    為了驗(yàn)證本文網(wǎng)絡(luò)模型的有效性,做了3 組對比實(shí)驗(yàn)。一是原始的VGG16 網(wǎng)絡(luò),另外2 個(gè)是將DFRNN 模塊分別替換成2 個(gè)殘差塊和1 個(gè)密集塊。這些實(shí)驗(yàn)都是在相同的數(shù)據(jù)集、相同的數(shù)據(jù)處理方法和相同的實(shí)驗(yàn)軟硬件環(huán)境下進(jìn)行的。實(shí)驗(yàn)結(jié)果見表3。

    表3 不同模塊的實(shí)驗(yàn)結(jié)果比較表

    從表3 中可以看出,本文提出的DF-RNN-CNN與原始的VGG16 相比,對花卉的識別率提升了9.6 個(gè)百分點(diǎn),表明DF-RNN 模塊的有效性。把DF-RNN模塊換成密集塊與殘差塊后,對花卉的識別準(zhǔn)確率都有不同程度的下降,分別下降了8.8個(gè)百分點(diǎn)和5.3個(gè)百分點(diǎn),表明DF-RNN模塊的構(gòu)造方式可以學(xué)習(xí)到更多的淺層特征,并把學(xué)習(xí)到的淺層特征傳遞到深層加以利用,實(shí)現(xiàn)特征復(fù)用。因此,本文提出的DF-RNN比密集塊和殘差塊的構(gòu)造方式更加強(qiáng)大,具有更好的分類效果。

    另外本文實(shí)驗(yàn)還與傳統(tǒng)的花卉圖像分類模型和其他基于深度學(xué)習(xí)的花卉圖像分類模型的實(shí)驗(yàn)結(jié)果進(jìn)行對比。實(shí)驗(yàn)結(jié)果見表4和表5。

    表4 本文模型與傳統(tǒng)花卉圖像分類模型實(shí)驗(yàn)結(jié)果比較表

    表5 本文模型與基于深度學(xué)習(xí)的花卉圖像分類模型實(shí)驗(yàn)結(jié)果比較表

    從表4可以看出,傳統(tǒng)分類模型方法對花卉的識別率較低,主要是因?yàn)槭止ぬ崛〉奶卣鲗τ诓煌悇e的花卉的通用性較差,適用于某一類花卉的特征不適合另一類,而且本文實(shí)驗(yàn)數(shù)據(jù)集類別一共有102類,要想手工提取到通用的特征非常難,而且工作量也非常繁重。綜上分析,本文方法可以取得較高的分類準(zhǔn)確率。

    從表5 可以看出,本文構(gòu)造的分類網(wǎng)絡(luò)優(yōu)于其他基于深度學(xué)習(xí)方法構(gòu)造的網(wǎng)絡(luò)。與其他方法相比,本文方法最高提高了15.8 個(gè)百分點(diǎn),顯示本文建議的DF-RNN 網(wǎng)絡(luò)實(shí)現(xiàn)的聯(lián)想記憶功能與淺層特征重復(fù)利用方法對整個(gè)網(wǎng)絡(luò)的分類能力起到了極大的作用,表明本文方法具有更好的實(shí)用性。

    3 結(jié)束語

    本文卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是在VGG16 的基礎(chǔ)上進(jìn)行改進(jìn)的,把VGG16 的第一個(gè)結(jié)構(gòu)塊替換成符合人眼視覺感知特性的DF-RNN 模塊,此模塊結(jié)合RNN 的特性,首先采用參數(shù)共享機(jī)制,減少網(wǎng)絡(luò)的計(jì)算量;其次添加記憶連接,一定程度上防止了其丟失網(wǎng)絡(luò)底層學(xué)到的重要的特征信息,改善了RNN 短時(shí)記憶的缺陷,具備一定的長時(shí)記憶的功能。本文實(shí)驗(yàn)結(jié)果表明加入了具有符合人眼視覺感知特性的DFRNN模塊的VGG網(wǎng)絡(luò)對花卉的識別率高于其他網(wǎng)絡(luò),達(dá)到86.8%。但DF-RNN模塊對于人眼視覺感知系統(tǒng)來說還是過于簡單,如何設(shè)計(jì)一種完全符合人眼視覺感知特性的卷積神經(jīng)網(wǎng)絡(luò)是今后進(jìn)一步研究的方向。

    猜你喜歡
    花卉卷積神經(jīng)網(wǎng)絡(luò)
    李鱓·花卉十二開
    讀者欣賞(2022年12期)2023-01-10 02:52:08
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    三招搞定花卉病蟲害
    中老年保健(2021年5期)2021-08-24 07:08:52
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    《花卉之二》
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    水晶泥花卉栽培技術(shù)
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    亚洲av在线观看美女高潮| 不卡视频在线观看欧美| 亚洲av国产av综合av卡| 成人特级av手机在线观看| 亚洲一级一片aⅴ在线观看| 久久 成人 亚洲| 久久99热6这里只有精品| 夜夜爽夜夜爽视频| 边亲边吃奶的免费视频| 国产亚洲午夜精品一区二区久久| 一本久久精品| av在线老鸭窝| 三级国产精品欧美在线观看| 色吧在线观看| 亚洲va在线va天堂va国产| 成年av动漫网址| 欧美高清成人免费视频www| 亚洲第一区二区三区不卡| 久久久久久伊人网av| 一区二区三区四区激情视频| 极品教师在线视频| 大香蕉久久网| 一区二区av电影网| 视频中文字幕在线观看| 亚洲精品中文字幕在线视频 | 午夜精品国产一区二区电影| 国产黄片美女视频| 国产精品国产三级专区第一集| 亚州av有码| 好男人视频免费观看在线| 91精品国产九色| 国产毛片在线视频| 精华霜和精华液先用哪个| 夫妻午夜视频| 日本黄色片子视频| 高清视频免费观看一区二区| 一区在线观看完整版| 在线观看国产h片| 狂野欧美激情性bbbbbb| 秋霞伦理黄片| 国产亚洲5aaaaa淫片| 多毛熟女@视频| 国产人妻一区二区三区在| 国产日韩欧美在线精品| 日本黄大片高清| 欧美bdsm另类| 日本爱情动作片www.在线观看| 黄色视频在线播放观看不卡| 欧美变态另类bdsm刘玥| av在线观看视频网站免费| 日韩强制内射视频| 国产无遮挡羞羞视频在线观看| 欧美成人午夜免费资源| 精品国产露脸久久av麻豆| 精品久久久久久电影网| 国语对白做爰xxxⅹ性视频网站| av在线观看视频网站免费| 成人国产麻豆网| 一区二区三区四区激情视频| 纯流量卡能插随身wifi吗| 国产伦理片在线播放av一区| 久久热精品热| av在线观看视频网站免费| 国产精品嫩草影院av在线观看| 2018国产大陆天天弄谢| 国产午夜精品久久久久久一区二区三区| 熟女电影av网| 国产精品国产三级专区第一集| 国产男女内射视频| 一级黄片播放器| av专区在线播放| 亚洲欧美精品自产自拍| 国产亚洲午夜精品一区二区久久| 免费在线观看成人毛片| 91狼人影院| 国产真实伦视频高清在线观看| 国产亚洲午夜精品一区二区久久| 99热全是精品| 国产精品.久久久| 亚洲成人中文字幕在线播放| 久久久久久久精品精品| 91精品国产九色| 亚洲国产日韩一区二区| 在线观看一区二区三区| 国产在视频线精品| h视频一区二区三区| 日韩人妻高清精品专区| 免费不卡的大黄色大毛片视频在线观看| 啦啦啦中文免费视频观看日本| 韩国av在线不卡| 中文资源天堂在线| 只有这里有精品99| 王馨瑶露胸无遮挡在线观看| 国产日韩欧美在线精品| 自拍偷自拍亚洲精品老妇| 天美传媒精品一区二区| 国产69精品久久久久777片| 尾随美女入室| 五月伊人婷婷丁香| 欧美成人一区二区免费高清观看| 观看免费一级毛片| 在线看a的网站| 免费av中文字幕在线| 免费在线观看成人毛片| 久久久久久久久久成人| 亚洲综合色惰| 国产精品99久久99久久久不卡 | 插阴视频在线观看视频| 男人添女人高潮全过程视频| 中文欧美无线码| 久久精品久久精品一区二区三区| 国产69精品久久久久777片| 人人妻人人爽人人添夜夜欢视频 | 婷婷色麻豆天堂久久| 欧美国产精品一级二级三级 | 久热久热在线精品观看| 人人妻人人澡人人爽人人夜夜| 最黄视频免费看| 亚洲婷婷狠狠爱综合网| 亚洲av中文字字幕乱码综合| 欧美日韩在线观看h| 少妇猛男粗大的猛烈进出视频| 蜜桃亚洲精品一区二区三区| 日本黄色日本黄色录像| 美女国产视频在线观看| 欧美精品亚洲一区二区| 国产精品一区二区三区四区免费观看| 国产成人免费观看mmmm| 麻豆精品久久久久久蜜桃| 国产伦在线观看视频一区| 国产真实伦视频高清在线观看| 日本爱情动作片www.在线观看| 亚洲av不卡在线观看| 欧美激情极品国产一区二区三区 | 日日啪夜夜爽| 午夜日本视频在线| 欧美成人a在线观看| 久久精品国产鲁丝片午夜精品| 看十八女毛片水多多多| 欧美精品国产亚洲| 国产精品蜜桃在线观看| 我的老师免费观看完整版| 亚洲内射少妇av| 黄色视频在线播放观看不卡| 国产伦在线观看视频一区| 哪个播放器可以免费观看大片| 亚洲aⅴ乱码一区二区在线播放| 国产亚洲一区二区精品| 精品酒店卫生间| 十分钟在线观看高清视频www | 国产黄色视频一区二区在线观看| 久热这里只有精品99| 国产精品偷伦视频观看了| 日日摸夜夜添夜夜爱| 国产亚洲av片在线观看秒播厂| 国产成人精品久久久久久| 一级片'在线观看视频| 久久久久性生活片| 亚洲经典国产精华液单| 有码 亚洲区| 在线免费观看不下载黄p国产| 色5月婷婷丁香| 搡女人真爽免费视频火全软件| 王馨瑶露胸无遮挡在线观看| 在线播放无遮挡| 欧美日韩精品成人综合77777| 欧美成人a在线观看| 在线观看人妻少妇| 成人黄色视频免费在线看| 卡戴珊不雅视频在线播放| 日韩视频在线欧美| 黄片wwwwww| 大香蕉97超碰在线| 亚洲精品一二三| 久久久久精品久久久久真实原创| 婷婷色综合www| 国产午夜精品一二区理论片| 美女国产视频在线观看| 水蜜桃什么品种好| h日本视频在线播放| 亚洲国产av新网站| 久久精品国产亚洲网站| 免费av不卡在线播放| 久久久久视频综合| 日本黄色片子视频| 日本免费在线观看一区| 人人妻人人添人人爽欧美一区卜 | 日本免费在线观看一区| 亚洲国产精品一区三区| 精品亚洲成a人片在线观看 | 国产一级毛片在线| 男的添女的下面高潮视频| 免费观看性生交大片5| 国产亚洲av片在线观看秒播厂| 国产高潮美女av| 青春草亚洲视频在线观看| 国产在线一区二区三区精| 国产有黄有色有爽视频| 一区二区三区四区激情视频| 国产精品国产av在线观看| 日韩精品有码人妻一区| 亚洲欧美一区二区三区国产| 高清午夜精品一区二区三区| 国产黄片视频在线免费观看| h视频一区二区三区| 看非洲黑人一级黄片| 男人爽女人下面视频在线观看| 亚洲人成网站在线观看播放| 爱豆传媒免费全集在线观看| 99热这里只有精品一区| 亚洲激情五月婷婷啪啪| 国产精品久久久久成人av| 欧美人与善性xxx| 亚洲精品乱久久久久久| 晚上一个人看的免费电影| 国产成人精品久久久久久| 观看美女的网站| 欧美日韩亚洲高清精品| av网站免费在线观看视频| 亚洲色图综合在线观看| 在线播放无遮挡| 3wmmmm亚洲av在线观看| 欧美精品亚洲一区二区| 99精国产麻豆久久婷婷| 女人十人毛片免费观看3o分钟| 亚洲av成人精品一区久久| 日韩一本色道免费dvd| 国产精品久久久久久av不卡| 亚洲性久久影院| xxx大片免费视频| 免费看日本二区| 欧美日韩综合久久久久久| 国产精品一区二区在线不卡| 大又大粗又爽又黄少妇毛片口| 免费高清在线观看视频在线观看| 亚洲va在线va天堂va国产| 亚洲性久久影院| 亚洲自偷自拍三级| 香蕉精品网在线| 1000部很黄的大片| 亚洲婷婷狠狠爱综合网| 亚洲欧美日韩东京热| 黑人高潮一二区| 国产精品伦人一区二区| 亚洲精品日韩在线中文字幕| 精品一区二区三区视频在线| 在线天堂最新版资源| 国产高清国产精品国产三级 | 自拍欧美九色日韩亚洲蝌蚪91 | 99国产精品免费福利视频| 欧美精品国产亚洲| 国产日韩欧美亚洲二区| 国产一区二区三区av在线| av不卡在线播放| 国产一区二区三区综合在线观看 | 成人综合一区亚洲| 亚洲欧洲国产日韩| 麻豆精品久久久久久蜜桃| 久久人妻熟女aⅴ| 久久久久久久精品精品| 日韩成人伦理影院| 亚洲av福利一区| 免费黄网站久久成人精品| 亚洲精品乱码久久久久久按摩| 日本爱情动作片www.在线观看| 久久久久久久亚洲中文字幕| 少妇人妻久久综合中文| 亚洲av综合色区一区| 1000部很黄的大片| 久久青草综合色| 亚洲av中文字字幕乱码综合| 亚洲国产av新网站| 狠狠精品人妻久久久久久综合| 国产爱豆传媒在线观看| 97热精品久久久久久| 国产精品99久久久久久久久| 国产精品三级大全| 久久久久久久久久久丰满| 蜜臀久久99精品久久宅男| 99久国产av精品国产电影| 女人久久www免费人成看片| 久久久久人妻精品一区果冻| 黄色欧美视频在线观看| 精品国产三级普通话版| 日韩一区二区三区影片| 身体一侧抽搐| 毛片女人毛片| 波野结衣二区三区在线| 啦啦啦中文免费视频观看日本| 大又大粗又爽又黄少妇毛片口| 黄片wwwwww| 少妇 在线观看| 成年美女黄网站色视频大全免费 | 国产亚洲91精品色在线| 国产色爽女视频免费观看| 亚洲精品,欧美精品| av女优亚洲男人天堂| 十八禁网站网址无遮挡 | 边亲边吃奶的免费视频| 18禁动态无遮挡网站| 波野结衣二区三区在线| 少妇人妻久久综合中文| 国产男女内射视频| 五月天丁香电影| 欧美人与善性xxx| 日韩三级伦理在线观看| 天天躁日日操中文字幕| 99热6这里只有精品| 久久久a久久爽久久v久久| 国产永久视频网站| av国产精品久久久久影院| 免费看日本二区| 国产日韩欧美亚洲二区| 80岁老熟妇乱子伦牲交| 一级毛片黄色毛片免费观看视频| 国产精品秋霞免费鲁丝片| 一级毛片我不卡| 男女无遮挡免费网站观看| 久久99蜜桃精品久久| 嫩草影院入口| 又爽又黄a免费视频| av在线蜜桃| 国产精品免费大片| 亚洲欧美一区二区三区国产| 内射极品少妇av片p| 精品人妻视频免费看| 国产精品免费大片| tube8黄色片| 99热国产这里只有精品6| 妹子高潮喷水视频| 深夜a级毛片| 天堂俺去俺来也www色官网| 日韩av不卡免费在线播放| 免费观看的影片在线观看| 日本黄色日本黄色录像| 日本黄色片子视频| 国产成人freesex在线| 国产亚洲最大av| 午夜免费观看性视频| 成人国产av品久久久| 成人国产av品久久久| 欧美国产精品一级二级三级 | 黄色配什么色好看| 视频中文字幕在线观看| 亚洲,欧美,日韩| 成人特级av手机在线观看| 99热这里只有是精品50| 日韩不卡一区二区三区视频在线| 亚洲av不卡在线观看| av在线观看视频网站免费| 国产人妻一区二区三区在| 大话2 男鬼变身卡| 亚洲国产色片| h日本视频在线播放| 人人妻人人添人人爽欧美一区卜 | 亚洲av男天堂| av在线app专区| www.色视频.com| 极品教师在线视频| 又大又黄又爽视频免费| 久久精品国产a三级三级三级| 亚洲欧美日韩无卡精品| 热re99久久精品国产66热6| 免费人妻精品一区二区三区视频| 一级黄片播放器| 欧美精品一区二区大全| 在线 av 中文字幕| 永久免费av网站大全| 亚洲精品日本国产第一区| 欧美三级亚洲精品| 高清欧美精品videossex| 熟女电影av网| 午夜福利影视在线免费观看| 一级毛片黄色毛片免费观看视频| 18禁在线无遮挡免费观看视频| 内射极品少妇av片p| 国产精品一区二区在线不卡| 伦精品一区二区三区| 成人影院久久| 99国产精品免费福利视频| 人人妻人人添人人爽欧美一区卜 | 大码成人一级视频| 一级毛片aaaaaa免费看小| 国产欧美另类精品又又久久亚洲欧美| 又黄又爽又刺激的免费视频.| 日韩制服骚丝袜av| 丝袜喷水一区| 国产一区亚洲一区在线观看| 精品视频人人做人人爽| 欧美国产精品一级二级三级 | 夜夜看夜夜爽夜夜摸| 成人无遮挡网站| 九草在线视频观看| 午夜福利视频精品| 国产男女超爽视频在线观看| 大香蕉97超碰在线| 交换朋友夫妻互换小说| 狂野欧美激情性bbbbbb| 免费高清在线观看视频在线观看| 亚洲欧美中文字幕日韩二区| 午夜福利在线在线| 最近的中文字幕免费完整| 男人舔奶头视频| 国产精品久久久久久精品电影小说 | 一级片'在线观看视频| 青春草视频在线免费观看| 国产精品免费大片| 精品一品国产午夜福利视频| 亚洲激情五月婷婷啪啪| 精品一区二区三卡| 久久女婷五月综合色啪小说| www.色视频.com| 亚洲四区av| 国产av码专区亚洲av| 卡戴珊不雅视频在线播放| 亚洲国产日韩一区二区| 午夜免费鲁丝| 在线播放无遮挡| 一级片'在线观看视频| 免费黄频网站在线观看国产| 高清日韩中文字幕在线| 在线亚洲精品国产二区图片欧美 | 亚洲av在线观看美女高潮| 日韩精品有码人妻一区| 中文字幕亚洲精品专区| 婷婷色综合大香蕉| 国产v大片淫在线免费观看| 三级国产精品欧美在线观看| 青青草视频在线视频观看| 亚洲国产精品999| 青春草亚洲视频在线观看| 国产色爽女视频免费观看| 亚洲欧美一区二区三区黑人 | 久久精品国产亚洲av涩爱| 九色成人免费人妻av| 国产欧美日韩一区二区三区在线 | av线在线观看网站| 少妇人妻一区二区三区视频| 午夜老司机福利剧场| 18+在线观看网站| 亚洲综合色惰| 18禁动态无遮挡网站| 日产精品乱码卡一卡2卡三| 精品一区二区三区视频在线| 欧美最新免费一区二区三区| 国产精品女同一区二区软件| a级一级毛片免费在线观看| 免费高清在线观看视频在线观看| 黄色怎么调成土黄色| 精品一区二区三卡| 美女国产视频在线观看| 如何舔出高潮| 天天躁夜夜躁狠狠久久av| 婷婷色综合www| 网址你懂的国产日韩在线| 成人影院久久| 男女无遮挡免费网站观看| 综合色丁香网| 看免费成人av毛片| 国语对白做爰xxxⅹ性视频网站| 欧美最新免费一区二区三区| 久久久久网色| 国产精品国产三级专区第一集| 成年免费大片在线观看| 在线观看免费日韩欧美大片 | 国产免费一区二区三区四区乱码| 欧美区成人在线视频| 精品久久久精品久久久| 男的添女的下面高潮视频| 最近的中文字幕免费完整| 成人黄色视频免费在线看| 99久久人妻综合| 啦啦啦在线观看免费高清www| av专区在线播放| 91久久精品国产一区二区三区| 久久av网站| 国产成人a∨麻豆精品| 亚洲第一区二区三区不卡| 狂野欧美白嫩少妇大欣赏| 亚洲真实伦在线观看| 欧美丝袜亚洲另类| 91久久精品电影网| 国产片特级美女逼逼视频| 22中文网久久字幕| 丝袜脚勾引网站| 国产熟女欧美一区二区| 在线观看美女被高潮喷水网站| 成人漫画全彩无遮挡| 免费黄频网站在线观看国产| 在线观看一区二区三区| 韩国av在线不卡| 日本黄大片高清| 精品少妇久久久久久888优播| 99久久精品一区二区三区| 最新中文字幕久久久久| 精品人妻熟女av久视频| 国产男女超爽视频在线观看| 男男h啪啪无遮挡| 国产在线免费精品| 国产av国产精品国产| 日韩国内少妇激情av| 欧美日韩视频高清一区二区三区二| 国产伦精品一区二区三区四那| 一本—道久久a久久精品蜜桃钙片| 亚洲人成网站在线播| 欧美亚洲 丝袜 人妻 在线| 少妇人妻精品综合一区二区| av网站免费在线观看视频| 精品一区二区三区视频在线| 午夜福利网站1000一区二区三区| 性色avwww在线观看| 老司机影院毛片| 黄色视频在线播放观看不卡| 看非洲黑人一级黄片| 亚洲第一av免费看| 日本爱情动作片www.在线观看| 国产精品.久久久| 麻豆成人午夜福利视频| 免费人妻精品一区二区三区视频| 欧美极品一区二区三区四区| 最近最新中文字幕免费大全7| 一级毛片aaaaaa免费看小| 一区二区三区四区激情视频| 午夜福利网站1000一区二区三区| 免费看av在线观看网站| 日韩中文字幕视频在线看片 | 国产亚洲91精品色在线| 国产在线视频一区二区| 中文乱码字字幕精品一区二区三区| 亚洲精品,欧美精品| 精品亚洲成a人片在线观看 | 国产成人freesex在线| 我要看黄色一级片免费的| 自拍偷自拍亚洲精品老妇| 乱码一卡2卡4卡精品| 久久久久人妻精品一区果冻| 久久久久久久久久人人人人人人| 精品人妻熟女av久视频| 草草在线视频免费看| 久久久a久久爽久久v久久| 亚洲国产精品一区三区| 你懂的网址亚洲精品在线观看| 久久久久国产精品人妻一区二区| 国产一区二区在线观看日韩| 久久精品熟女亚洲av麻豆精品| 国产综合精华液| 亚洲电影在线观看av| 国产精品一二三区在线看| 亚洲av男天堂| 久久亚洲国产成人精品v| 最后的刺客免费高清国语| 1000部很黄的大片| 干丝袜人妻中文字幕| 日韩三级伦理在线观看| 久久精品国产亚洲av涩爱| 在线 av 中文字幕| 久久精品国产自在天天线| 亚洲第一av免费看| av在线播放精品| 91久久精品电影网| 国产一级毛片在线| 精品久久久久久久久av| h日本视频在线播放| 在线 av 中文字幕| 欧美bdsm另类| 成人综合一区亚洲| 啦啦啦视频在线资源免费观看| 日本免费在线观看一区| 一级av片app| 久久人人爽人人爽人人片va| 五月开心婷婷网| 最近2019中文字幕mv第一页| 草草在线视频免费看| 久久这里有精品视频免费| 99久久综合免费| 免费高清在线观看视频在线观看| 久久精品国产鲁丝片午夜精品| 免费av中文字幕在线| 久久国产精品大桥未久av | 欧美97在线视频| 日日摸夜夜添夜夜爱| 国产乱人视频| 在线亚洲精品国产二区图片欧美 | 日本色播在线视频| h视频一区二区三区| 精品久久久久久久末码| 亚洲一区二区三区欧美精品| 乱码一卡2卡4卡精品| 天美传媒精品一区二区| 成年美女黄网站色视频大全免费 | 我要看黄色一级片免费的| 哪个播放器可以免费观看大片| 久久久久久久亚洲中文字幕| 久久青草综合色| 在线观看av片永久免费下载| 亚洲av不卡在线观看| 日韩av免费高清视频| 国产精品一区二区在线观看99| 久久精品夜色国产| 日韩大片免费观看网站| 亚洲国产日韩一区二区| 欧美xxxx性猛交bbbb| av免费在线看不卡| 亚洲最大成人中文| 97精品久久久久久久久久精品| 久久99热这里只有精品18| 国产又色又爽无遮挡免| 久久国内精品自在自线图片| 少妇丰满av| 午夜视频国产福利| 王馨瑶露胸无遮挡在线观看| 欧美日韩在线观看h| 午夜免费观看性视频| 午夜老司机福利剧场| 国产精品福利在线免费观看|