• <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 ?

    改進EfficientNet網(wǎng)絡的COVID-19 X光分類

    2023-11-07 12:09:22劉禪奕薛林雁
    計算機與現(xiàn)代化 2023年9期
    關鍵詞:網(wǎng)絡結(jié)構(gòu)注意力卷積

    劉禪奕,黃 丹,薛林雁,王 濤,朱 桃

    (1.四川輕化工大學自動化與信息工程學院,四川 宜賓 644002;2.四川輕化工大學人工智能四川省重點實驗室,四川 宜賓 644002;3.河北大學質(zhì)量技術監(jiān)督學院,河北 保定 071002)

    0 引 言

    2019 年底新型冠狀病毒感染(COVID-19)開始出現(xiàn),并在短時間內(nèi)蔓延全球。截至到2022 年初,新冠感染全球感染人數(shù)超過2 億人,死亡人數(shù)超過百萬,相比于其他國家而言,我國對于傳染病的防控手段達到國際領先水平,但是這類具有傳播速度快[1-2]、感染率高[3]、潛伏時間長,并且有一定的致死率的病毒仍然給我國帶來了極大挑戰(zhàn)。

    檢測新冠感染常用的方法是核酸試劑[4-5]。它的原理是利用RNA 逆轉(zhuǎn)錄和熒光定量PCR(聚合酶鏈式)反應相結(jié)合的技術(RT-PCR)檢測病毒。在中國國家衛(wèi)健委印發(fā)的《新型冠狀病毒肺炎診療方案(試行第七版)》文件中,影像學特征被列為新冠感染疑似病例臨床特征之一[6],相比單一的核酸檢測,通過胸部X 射線或CT 圖像結(jié)合核酸檢測的結(jié)果對疑似新冠感染患者進行診斷更加權威。而新冠感染傳染范圍廣、傳播速度快且新冠感染者在早期階段表現(xiàn)出的癥狀容易與感冒發(fā)熱、腹瀉等常見疾病相混淆,這導致疫情期間來醫(yī)院檢查的患者人數(shù)增多,及時確診新冠感染者并不容易,不僅考驗醫(yī)院的保障能力,而且加大了醫(yī)生的診斷壓力,容易出現(xiàn)誤診、漏診的現(xiàn)象。

    近年來針對醫(yī)學圖像的人工智能輔助診斷系統(tǒng)在臨床中的應用越來越廣泛[7-8],其中基于深度學習的肺部圖像中新冠感染的智能診斷方法備受關注[9]。如Li等[10]設計了以ResNet為主干的新冠感染分類模型,Xu 等[11]采用 3D CNN 方式對新冠感染圖像分類,吳辰文等[12]利用生成對抗網(wǎng)絡擴充數(shù)據(jù)集,并將分割模型和分類模型進行組合來對新冠感染圖像進行分類。對于新冠感染,利用卷積神經(jīng)網(wǎng)絡對患者的病理圖片進行初步分類的確能夠大大減少醫(yī)生的工作量,對于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡分類模型特征提取能力弱、效率低的問題,常通過加深卷積神經(jīng)網(wǎng)絡層數(shù)、加寬特征通道WRN[13]等方式來提取深層次的圖像特征以達到提升識別準確率的目的,這無疑會使得網(wǎng)絡結(jié)構(gòu)變得復雜,模型參數(shù)量變大,消耗計算機資源,不利于部署在經(jīng)濟欠發(fā)達地區(qū)的醫(yī)療機構(gòu)。而這些地區(qū)疫情防控意識不強,相關條件和資源不足,正是疫情防控的薄弱環(huán)節(jié)。

    針對上述問題,本文基于輕量級Efficie-ntNet-B0網(wǎng)絡,融合改進的注意力機制模塊,提出EfficientNet-ECBAM 網(wǎng)絡模型來對新冠感染、病毒性肺炎、正常肺部的X 光圖片進行分類,在保證分類準確率的基礎上,減少網(wǎng)絡模型參數(shù),使模型能落地在經(jīng)濟欠發(fā)達地區(qū)的醫(yī)療機構(gòu),輔助那里的醫(yī)生對新冠感染進行診斷,緩解他們的診斷壓力,提高診斷效率,降低誤診、漏診的情況,縮短他們與頭部醫(yī)院醫(yī)生診斷經(jīng)驗和相關資源不足的差距。相比于傳統(tǒng)網(wǎng)絡分類模型存在具有參數(shù)量大、準確率低、對計算機硬件有一定要求導致難以部署的問題,本文模型更具有實際應用前景。

    1 網(wǎng)絡架構(gòu)

    1.1 EfficientNet網(wǎng)絡原理

    隨著研究者對卷積神經(jīng)網(wǎng)絡的研究不斷加深,從最初的AlexNet[14]網(wǎng)絡到VGG16[15]、ResNet[16]殘差網(wǎng)絡,發(fā)現(xiàn)通過單純地堆疊網(wǎng)絡層數(shù)等方式來提高準確率不再是評價模型好壞的唯一標準,能用較少的參數(shù),較快的訓練速度,得出滿意的結(jié)果也同樣重要。本文主干網(wǎng)絡選用2019 年由Tan 等人[17]提出的輕量型網(wǎng)絡結(jié)構(gòu)EfficientNet。相比于傳統(tǒng)的分類網(wǎng)絡結(jié)構(gòu),該網(wǎng)絡結(jié)構(gòu)從初始的輸入圖像分辨率、網(wǎng)絡結(jié)構(gòu)深度、寬度這3 個方面進行縮放、組合、優(yōu)化得出高效的搭配方案,在計算資源固定的情況下,最大限度地提高網(wǎng)絡性能。EfficientNet的運算原理公式為:

    其中,N代表網(wǎng)絡模型,d、w、r分別代表縮放網(wǎng)絡的深度、寬度、分辨率的系數(shù)?!裪= 1…s代表連乘運算,F(xiàn)代表網(wǎng)絡結(jié)構(gòu),L代表層數(shù),代表F在i階段重復了Li次,X是輸入特征矩陣,H、W、C分別代表X的高度、寬度、通道數(shù)。為了探究在給定計算資源條件下d、w、r對模型準確率的影響,將問題抽象為:

    式(2)中Max Accuracy 代表網(wǎng)絡最大精度值,式(3)中s.t 代表限制條件是預設置好的網(wǎng)絡結(jié)構(gòu)和輸入特征矩陣X的高度、寬度、通道數(shù)。式(4)中Memory 代表網(wǎng)絡參數(shù)量,target_memory 代表內(nèi)存限制,式(5)中FLOPS 代表浮點運算量,target_flops代表浮點運算次數(shù)限制。在這些限制條件和該網(wǎng)絡的基礎上,作者提出了基于混合因子?對網(wǎng)絡的深度、寬度、分辨率3 個維度進行統(tǒng)一調(diào)整的混合縮放方法,計算公式為:

    其中,?是根據(jù)計算機資源設置的控制系數(shù),α、β、γ對應的網(wǎng)絡深度、寬度、分辨率的資源分配系數(shù),是通過神經(jīng)架構(gòu)搜索[6](Neural Architecture Search,NAS)搜索到的。NAS 原理是在選中的網(wǎng)絡基礎上采用某種搜索策略自動對網(wǎng)絡結(jié)構(gòu)進行組合測試,性能評估后得出最佳的網(wǎng)絡架構(gòu)組合或者參數(shù),原理如圖1所示。

    圖1 NAS搜索原理圖

    本文中的EfficientNet-B0 網(wǎng)絡就是借鑒NAS 多目標神經(jīng)搜索架構(gòu)策略[18],在B0 網(wǎng)絡的基礎上搜索α、β、γ的值來確定B0網(wǎng)絡的深度、寬度和分辨率。

    1.2 EfficientNet結(jié)構(gòu)參數(shù)

    本文選用EfficientNet-B0 網(wǎng)絡作為主干網(wǎng)絡,網(wǎng)絡結(jié)構(gòu)如表1所示。

    表1 EfficientNet網(wǎng)絡結(jié)構(gòu)

    EfficientNet-B0 網(wǎng)絡結(jié)構(gòu)包括2 個普通卷積層,16 個翻轉(zhuǎn)瓶頸卷積層MBConv (Mobile Inverted Bottleneck Convolution),1 個平均池化層,1 個全連接層。其中MBConv 結(jié)構(gòu)包含2個1×1的卷積層,1個深度可分離卷積卷積層DW(Depth Wise),1 個SE 通道注意力模塊,1 個Dropout 層。MBConv 結(jié)構(gòu)如圖2 所示,1×1的卷積層用于升維和降維,DW 卷積能減少參數(shù)量,Dropout 層能防止網(wǎng)絡過擬合。SE[19]模塊是一種通道注意力機制模塊。

    圖2 MBConv結(jié)構(gòu)

    1.3 引入注意力模塊

    近年來注意力機制[20]被越來越多的研究者引入深度學習來提高網(wǎng)絡模型在任務中的性能,其中CBAM[21]、ECA[22]被廣泛地使用在各種模型之中。CBAM 注意力模塊由通道注意力模塊CAM 和空間注意力模塊SAM 組成。相比于通道注意力模塊,CBAM模塊不僅在通道維度上有輕重之分,同時在空間維度上也有重點和非重點區(qū)域之分,從空間位置上關注特征圖的重要特征,抑制不重要的特征。CBAM 模塊結(jié)構(gòu)如圖3所示。

    圖3 CBAM模塊結(jié)構(gòu)

    ECA 模塊通過一維卷積實現(xiàn)一種不降維的局部跨信道交互策略來提升特征提取能力。一維卷積在每次卷積過程中只與部分通道相作用,相比于全連接的全通道交互,一維卷積既降低了參數(shù),又提高了網(wǎng)絡效率。ECA模塊結(jié)構(gòu)如圖4所示。

    圖4 ECA模塊結(jié)構(gòu)

    2 算法改進

    算法改進體現(xiàn)在2 個方面:CBAM 注意力模塊的改進和EfficientNet網(wǎng)絡結(jié)構(gòu)中MBConv模塊的改進。

    2.1 CBAM注意力機制模塊改進

    在CBAM 中通道注意力模塊CAM 的Shared MLP削減部分參數(shù)的操作雖然會減少模型的復雜度,但是也損壞了通道和注意力權重之間直接的對應關系[22],丟失了一部分特征細節(jié),效率也不高,CAM 模塊如圖5 所示。因而本文將CBAM 中CAM 模塊替換成可通過一維卷積實現(xiàn)不降維提升特征提取能力的ECA 模塊,取名為ECBAM。相比于原CBAM 中的特征通道注意力模塊,ECA 模塊避免了因Shared MLP 操作帶來的副作用,同時參數(shù)量進一步降低,以更高效的方式捕獲了跨通道交互的信息。CAM 模塊如圖5所示,ECBAM模塊如圖6所示。

    圖5 CAM模塊

    圖6 ECBAM模塊

    2.2 MBConv結(jié)構(gòu)改進

    EfficientNet 網(wǎng)絡的MBConv 模塊中采用了SE 注意力模塊來加強特征提取,雖然SE 模塊能給特征圖賦予不同的通道權重,但SE 模塊中擠壓激勵的操作會使特征圖丟失部分細節(jié)特征[22],且SE模塊只關注了特征圖在通道維度上的信息,忽略了特征圖在空間維度上的信息,所以本文將MBConv中SE模塊替換為ECBAM 模塊。ECBAM 使特征圖不會因為維度縮減的操作而丟失信息,同時網(wǎng)絡也能在通道和空間2 個維度上對圖片特征進行更充分的提取。改進后的MBConv模塊結(jié)構(gòu)如圖7所示。

    圖7 改進后的MBConv結(jié)構(gòu)

    3 實驗流程與數(shù)據(jù)集預處理

    3.1 實驗平臺和實驗設置

    本文實驗中,實驗的硬件條件是CPU 采用i7-8700,GPU采用GTX 1070Ti 8 GB,運行內(nèi)存為16 GB。實驗的軟件條件是在Win10操作系統(tǒng)下,基于深度學習框架Pytorch1.7.1,配合Python3.8.6 編譯語言,在Pycharm開發(fā)平臺上調(diào)試,實驗流程如圖8所示。

    圖8 新冠肺炎檢測流程圖

    為保證實驗的客觀性,本文實驗選用相同的超參數(shù)方法,均采用交叉熵損失函數(shù)(CrossEntropyLoss)作為損失函數(shù),使用Adam 優(yōu)化器更新模型參數(shù)。每批次送入32張圖片,訓練周期為90輪,初始學習率為0.001。為避免實驗結(jié)果出現(xiàn)局部最優(yōu)而不是全局最優(yōu)的情況,學習率隨著epoch 的增大逐步遞減,每經(jīng)過30個epoch學習率縮減為原來的1/10。

    3.2 實驗數(shù)據(jù)集描述

    本文實驗數(shù)據(jù)集[23]選自kaggle網(wǎng)站中的COVI-D-19 Radiography Database 的數(shù)據(jù)集(https://www.kaggle.com/tawsifurrahman/covid19-radiography-database)。該數(shù)據(jù)集是由多位研究員和醫(yī)生一起制作的胸部X 光射線(CXR)圖片,包括3616 張COVID-19 陽性病例,1345 張普通肺炎病例,10192 張正常的圖片,圖片尺寸均為299×299。因數(shù)據(jù)集圖片質(zhì)量參差不齊,本文實驗從此數(shù)據(jù)集中挑選了成像效果較好的3869 張圖片按照8:2 的比例劃分訓練集和測試集,其中訓練集3105張,測試集764張。由于本文實驗對其數(shù)據(jù)集圖片的挑選,訓練集和測試集的劃分標準與選用此數(shù)據(jù)集進行實驗的其他作者[24-25]不同,而在網(wǎng)絡模型訓練與參數(shù)調(diào)優(yōu)過程中數(shù)據(jù)集對實驗結(jié)果有著至關重要的影響,所以本文未與他們的模型進行性能對比。詳細數(shù)據(jù)集分布如表2 所示,3 種類別的圖片樣張如圖9所示。

    表2 數(shù)據(jù)集分布

    圖9 3種類別樣圖展示

    3.3 數(shù)據(jù)集預處理

    為了防止在訓練過程中出現(xiàn)泛化能力不強或是過擬合現(xiàn)象,通過數(shù)據(jù)增強的方式對數(shù)據(jù)集樣本容量進行擴充。采用0.5的概率垂直翻轉(zhuǎn)、旋轉(zhuǎn)10°的幾何變換方式對數(shù)據(jù)集進行增強,如圖10 所示,最后使用ImageNet數(shù)據(jù)集的均值方差進行歸一化,同時為了提升訓練效率,將數(shù)據(jù)集原始尺寸縮放為224×224。

    圖10 數(shù)據(jù)增強效果展示

    3.4 評價指標

    本文模型采用圖像領域常用的4 個指標:準確率ACC(accuracy)、敏感性SEN(sensitivity)、特異性SPE(specificity)、精準率PRE(precision)來評估模型性能。計算公式如下:

    其中,真陽性TP(True Positive)代表正樣本被模型分類為正樣本的數(shù)量,真陰性TN(True Negative)代表負樣本被模型分類為負樣本的數(shù)量,假陽性FP(False Positive)代表負樣本被模型分類為正樣本的數(shù)量,假陰性FN(False Negative)代表正樣本被模型分類為負樣本的數(shù)量。ACC 代表分類正確的樣本數(shù)量占所有樣本數(shù)量的比例,SEN代表分類正確的正樣本數(shù)量占所有正樣本數(shù)量的比例,SPE 代表分類正確的負樣本數(shù)量占所有負樣本數(shù)量的比例,PRE代表分類正確的正樣本數(shù)量占所有被模型分類為正樣本數(shù)量的比例。本文實驗中當用模型判斷肺部X 光醫(yī)學圖片是否為新冠感染時,新冠感染的圖片為正樣本,正常和病毒性肺炎的圖片為負樣本。SEN 越高代表甄別真陽性(TP)的能力越高,SPE越高代表甄別真陰性(TN)的能力越高。

    4 實驗結(jié)果與分析

    4.1 對比實驗

    為了體現(xiàn)本文方法的有效性,本文將與經(jīng)典的卷積神經(jīng)網(wǎng)絡VGG16,ResNet-50,輕量級網(wǎng)絡SqueezeNet、MobileNet V1、EfficientNet-B0 網(wǎng)絡進行對比試驗,在相同數(shù)據(jù)集下不同網(wǎng)絡對比結(jié)果如表3(粗體為最佳結(jié)果)所示。

    表3 相同數(shù)據(jù)集下不同網(wǎng)絡分類性能比較

    首先從實驗結(jié)果可以看出,改進后的EfficientNet-ECBAM 網(wǎng)絡在準確率、敏感性、特異性、精確率的結(jié)果分別為94.86%、96.00%、97.93%、96.13%,這4 項指標均高于經(jīng)典卷積模型VGG16、ResNet-50 和輕量級網(wǎng)絡SqueezeNet、MobileNet V1、EfficientNet-B0。其次傳統(tǒng)卷積神經(jīng)網(wǎng)絡在參數(shù)量和運算量2 個方面都遠大于輕量級網(wǎng)絡,這也是它們對計算資源要求高的一大原因。從輕量級模型參數(shù)來看,SqueezeNet 參數(shù)量最小但運算量遠高于MobileNet V1、EfficientNet-B0、EfficientNet-ECBAM,這說明對網(wǎng)絡的選擇不能單從參數(shù)量這方面來考慮,EfficientNet-B0 的計算量最小,但是前4 項指標低于EfficientNet-ECBAM。最后從前4 項指標、參數(shù)量、運算量的綜合表現(xiàn)可以看出改進后的EfficientNet-ECBAM 網(wǎng)絡可以在有限的資源條件下,發(fā)揮出優(yōu)異的性能,適合部署在條件欠發(fā)達區(qū)域的醫(yī)療機構(gòu)。

    混淆矩陣也是網(wǎng)絡模型性能度量的方法,它能夠直觀地反應出模型分類能力的好壞,每一列代表預測模型的類別,每一行表示數(shù)據(jù)真實的類別。主對角線表示分類模型能正確分類的個數(shù),顏色越深(值越大),說明分類模型的效果越好。各個模型的混淆矩陣如圖11 所示。從圖11 中可以看出,EfficientNet-ECBAM 的正確分類個數(shù)為735 張,高于傳統(tǒng)卷積網(wǎng)絡VGG16 的701 張,ResNet-50 的716 張,輕量級網(wǎng)絡SqueezeNet 的707 張,MobileNet V1 的713 張,EfficientNet-B0的722張,體現(xiàn)了EfficientNet-ECB-AM網(wǎng)絡良好的分類能力。

    圖11 不同網(wǎng)絡的混淆矩陣

    圖12 不同注意力模塊替換SE結(jié)構(gòu)示意圖

    4.2 消融實驗

    本文在基于相同主干網(wǎng)絡和數(shù)據(jù)集上,采用不同的注意力模塊替換EfficientNet-B0 中MBConv 模塊的SE 結(jié)構(gòu)進行消融實驗來驗證ECBAM 模塊的性能。替換示意圖如12 所示,實驗結(jié)果如表4(粗體為最佳結(jié)果)所示,混淆矩陣如圖13所示。

    表4 不同注意力模塊的分類性能對比 單位:%

    圖13 不同注意力模塊的混淆矩陣

    從表4 中可以看出經(jīng)過改進的ECBAM 模塊在各項指標上均優(yōu)于其他注意力模塊,從圖13 的混淆矩陣可以看出EfficientNet-ECBAM 的正確分類個數(shù)為735 張,高于EfficientNet-B0 的722 張、EfficientNet-CBAM 的723 張、EfficientNet-ECA 的727 張。結(jié)果表明改進的ECBAM模塊相比于其他注意力模塊在分類性能上具有更好的表現(xiàn),也再次驗證了EfficientNet-ECBAM網(wǎng)絡的有效性。

    5 結(jié)束語

    本文結(jié)合當前部分經(jīng)濟欠發(fā)達地區(qū)醫(yī)療機構(gòu)的實際情況,選用輕量級EfficientNet-B0 網(wǎng)絡結(jié)構(gòu),引入CBAM 和ECA 模塊進行改進,并且替換原始EfficientNet-B0 網(wǎng)絡中的SE 結(jié)構(gòu),得到EfficientNet-ECBAM 網(wǎng)絡模型。此模型相比EfficientNet-B0 輕量級網(wǎng)絡加強了圖片特征的提取能力,提升了模型分類識別的性能,相比于傳統(tǒng)卷積神經(jīng)網(wǎng)絡又降低了網(wǎng)絡的參數(shù)量和計算機的硬件要求,給傳統(tǒng)網(wǎng)絡模型分類性能弱、難落地在經(jīng)濟欠發(fā)達的醫(yī)療機構(gòu)的問題提供了一種解決辦法。實驗結(jié)果也表明改進后的EfficientNet-ECBAM 網(wǎng)絡模型在準確率、敏感性、特異性、精確率指標上表現(xiàn)最優(yōu),參數(shù)量和運算量相對較小,體現(xiàn)了此網(wǎng)絡分類性能強,易于部署的優(yōu)勢。

    在疫情防控走向常態(tài)化的今天,將人工智能運用在醫(yī)療輔助診斷領域是一大趨勢,不僅是新冠感染,像癌癥等疾病都可以用醫(yī)療AI的方式協(xié)助醫(yī)生快速了解患者病情,緩解醫(yī)生的診斷壓力,提高診斷效率。同時醫(yī)療AI 在心理學、中醫(yī)學等學科也都取得了不錯的效果[26],未來人工智能在醫(yī)療領域的應用會更加普遍和重要。

    猜你喜歡
    網(wǎng)絡結(jié)構(gòu)注意力卷積
    讓注意力“飛”回來
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    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跟蹤算法
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    基于互信息的貝葉斯網(wǎng)絡結(jié)構(gòu)學習
    知識網(wǎng)絡結(jié)構(gòu)維對于創(chuàng)新績效的作用機制——遠程創(chuàng)新搜尋的中介作用
    滬港通下A+ H股票網(wǎng)絡結(jié)構(gòu)演化的實證分析
    復雜網(wǎng)絡結(jié)構(gòu)比對算法研究進展
    欧美在线一区亚洲| 黄色女人牲交| 99久久久亚洲精品蜜臀av| 啦啦啦韩国在线观看视频| 亚洲精品中文字幕一二三四区| 午夜免费观看网址| 全区人妻精品视频| 国产亚洲精品综合一区在线观看| 丰满人妻熟妇乱又伦精品不卡| 国产v大片淫在线免费观看| 中亚洲国语对白在线视频| 听说在线观看完整版免费高清| 久久精品综合一区二区三区| 波多野结衣高清作品| 免费电影在线观看免费观看| 伊人久久大香线蕉亚洲五| 国产亚洲av高清不卡| 又紧又爽又黄一区二区| 一级黄色大片毛片| 香蕉久久夜色| 国产高清videossex| 女警被强在线播放| 在线免费观看不下载黄p国产 | 舔av片在线| 五月玫瑰六月丁香| 91麻豆精品激情在线观看国产| 国产爱豆传媒在线观看| 国语自产精品视频在线第100页| 免费无遮挡裸体视频| 特级一级黄色大片| 国产高清三级在线| 欧美极品一区二区三区四区| www国产在线视频色| 亚洲人成伊人成综合网2020| 欧美丝袜亚洲另类 | 香蕉国产在线看| 成人无遮挡网站| 黄片大片在线免费观看| 色精品久久人妻99蜜桃| av视频在线观看入口| 国产高清有码在线观看视频| 亚洲性夜色夜夜综合| 国产精品av久久久久免费| 欧美黑人欧美精品刺激| 日韩欧美一区二区三区在线观看| 日本精品一区二区三区蜜桃| 亚洲精品美女久久av网站| 国产成年人精品一区二区| 草草在线视频免费看| 日韩 欧美 亚洲 中文字幕| 国产伦精品一区二区三区视频9 | 久久婷婷人人爽人人干人人爱| 国产亚洲精品久久久久久毛片| 欧美一区二区精品小视频在线| 999久久久国产精品视频| 亚洲精品在线美女| 亚洲电影在线观看av| 1000部很黄的大片| 曰老女人黄片| 欧美高清成人免费视频www| 99热精品在线国产| 啦啦啦观看免费观看视频高清| 国产精品一区二区免费欧美| 国产 一区 欧美 日韩| 99久久成人亚洲精品观看| 一级毛片女人18水好多| 老司机福利观看| 欧美丝袜亚洲另类 | 国产精品自产拍在线观看55亚洲| 久久这里只有精品中国| 国产三级在线视频| 国产一区二区在线观看日韩 | 99久久精品一区二区三区| 日日夜夜操网爽| 精品国产乱子伦一区二区三区| 亚洲欧洲精品一区二区精品久久久| 91麻豆av在线| 国产成人欧美在线观看| 成年女人毛片免费观看观看9| 国产美女午夜福利| 后天国语完整版免费观看| 好男人在线观看高清免费视频| 18禁黄网站禁片午夜丰满| 欧美丝袜亚洲另类 | 欧美丝袜亚洲另类 | 18禁黄网站禁片午夜丰满| 在线免费观看不下载黄p国产 | 首页视频小说图片口味搜索| e午夜精品久久久久久久| 国产视频内射| 亚洲精品乱码久久久v下载方式 | 夜夜爽天天搞| 亚洲aⅴ乱码一区二区在线播放| 日韩欧美免费精品| 最近最新免费中文字幕在线| 给我免费播放毛片高清在线观看| 日本一二三区视频观看| 久久性视频一级片| 日韩有码中文字幕| xxxwww97欧美| 国产精品久久电影中文字幕| 久久久久久久久免费视频了| 可以在线观看毛片的网站| 人妻丰满熟妇av一区二区三区| 免费一级毛片在线播放高清视频| 国产1区2区3区精品| 看片在线看免费视频| 国产欧美日韩精品一区二区| 国产午夜精品论理片| 亚洲中文日韩欧美视频| 成人欧美大片| 老司机深夜福利视频在线观看| 夜夜看夜夜爽夜夜摸| 午夜福利高清视频| 久久99热这里只有精品18| 欧美av亚洲av综合av国产av| 国产私拍福利视频在线观看| 亚洲国产欧美人成| 老鸭窝网址在线观看| av女优亚洲男人天堂 | 悠悠久久av| 美女大奶头视频| 成人国产一区最新在线观看| 久久久久亚洲av毛片大全| 国产成人系列免费观看| 一级a爱片免费观看的视频| 草草在线视频免费看| 国产精品九九99| av视频在线观看入口| 亚洲五月婷婷丁香| 可以在线观看的亚洲视频| 桃色一区二区三区在线观看| aaaaa片日本免费| 亚洲国产中文字幕在线视频| 日本一本二区三区精品| 看片在线看免费视频| 国产黄片美女视频| 一区二区三区激情视频| 国产精品久久久av美女十八| 中文字幕人妻丝袜一区二区| 99精品欧美一区二区三区四区| 国产成年人精品一区二区| 俄罗斯特黄特色一大片| 免费无遮挡裸体视频| 蜜桃久久精品国产亚洲av| 国产精品久久电影中文字幕| 中文字幕最新亚洲高清| 波多野结衣巨乳人妻| 一级黄色大片毛片| 亚洲成人免费电影在线观看| 欧美日本亚洲视频在线播放| 草草在线视频免费看| 五月玫瑰六月丁香| 国产成人精品无人区| 欧美日韩一级在线毛片| 别揉我奶头~嗯~啊~动态视频| 美女高潮的动态| 亚洲天堂国产精品一区在线| 人人妻人人看人人澡| 国产精品亚洲一级av第二区| 亚洲中文字幕一区二区三区有码在线看 | 欧洲精品卡2卡3卡4卡5卡区| 高潮久久久久久久久久久不卡| 好看av亚洲va欧美ⅴa在| 亚洲av五月六月丁香网| 又黄又粗又硬又大视频| 99视频精品全部免费 在线 | 麻豆成人午夜福利视频| 久久久国产成人精品二区| 国产单亲对白刺激| 国产av一区在线观看免费| 亚洲在线自拍视频| 黑人操中国人逼视频| 亚洲国产高清在线一区二区三| 久久久久亚洲av毛片大全| 免费av毛片视频| 黄频高清免费视频| 操出白浆在线播放| 国产又黄又爽又无遮挡在线| 日日夜夜操网爽| 久久久久国产精品人妻aⅴ院| 嫩草影视91久久| 黄色女人牲交| 狠狠狠狠99中文字幕| 一进一出抽搐动态| 亚洲人成伊人成综合网2020| 国产在线精品亚洲第一网站| 老熟妇乱子伦视频在线观看| 一进一出抽搐gif免费好疼| 色噜噜av男人的天堂激情| 国产高清视频在线观看网站| 亚洲七黄色美女视频| 久久这里只有精品19| 亚洲在线自拍视频| 国产精品99久久99久久久不卡| 999久久久国产精品视频| 宅男免费午夜| 欧美日韩乱码在线| 狂野欧美白嫩少妇大欣赏| 欧美一级a爱片免费观看看| 亚洲国产精品合色在线| 夜夜看夜夜爽夜夜摸| 精华霜和精华液先用哪个| 国产亚洲欧美在线一区二区| 麻豆av在线久日| 午夜福利成人在线免费观看| 国产伦精品一区二区三区四那| 国产精品99久久久久久久久| 午夜免费成人在线视频| 亚洲精品粉嫩美女一区| 亚洲成av人片免费观看| 日本在线视频免费播放| 网址你懂的国产日韩在线| 成人特级黄色片久久久久久久| 女人高潮潮喷娇喘18禁视频| 亚洲av日韩精品久久久久久密| 成人性生交大片免费视频hd| 黑人欧美特级aaaaaa片| av天堂中文字幕网| 日本精品一区二区三区蜜桃| 一个人观看的视频www高清免费观看 | a在线观看视频网站| 日本在线视频免费播放| 少妇熟女aⅴ在线视频| 啦啦啦免费观看视频1| 欧美zozozo另类| 成人18禁在线播放| 手机成人av网站| 欧美又色又爽又黄视频| 欧美性猛交╳xxx乱大交人| 美女 人体艺术 gogo| 亚洲av成人一区二区三| 亚洲 国产 在线| 欧美性猛交╳xxx乱大交人| 欧美黄色淫秽网站| 在线观看舔阴道视频| 无遮挡黄片免费观看| 免费观看人在逋| 欧美另类亚洲清纯唯美| 国产精品一区二区免费欧美| 我的老师免费观看完整版| 一二三四社区在线视频社区8| 免费人成视频x8x8入口观看| 亚洲avbb在线观看| 亚洲午夜精品一区,二区,三区| 午夜福利18| 舔av片在线| 成年免费大片在线观看| 老司机在亚洲福利影院| 人妻夜夜爽99麻豆av| 国产三级黄色录像| 欧美乱妇无乱码| 亚洲第一电影网av| 在线a可以看的网站| 国产免费av片在线观看野外av| 狠狠狠狠99中文字幕| 色视频www国产| 亚洲午夜理论影院| 身体一侧抽搐| 国产蜜桃级精品一区二区三区| 美女黄网站色视频| 一个人免费在线观看的高清视频| 国产美女午夜福利| 一级毛片高清免费大全| 伊人久久大香线蕉亚洲五| 亚洲国产看品久久| 亚洲五月天丁香| 欧美国产日韩亚洲一区| 欧美日韩综合久久久久久 | 国产 一区 欧美 日韩| 亚洲中文字幕一区二区三区有码在线看 | 午夜福利免费观看在线| 非洲黑人性xxxx精品又粗又长| 脱女人内裤的视频| 又粗又爽又猛毛片免费看| 国产精品女同一区二区软件 | 亚洲av电影不卡..在线观看| 特级一级黄色大片| 丁香欧美五月| 黄频高清免费视频| 欧美丝袜亚洲另类 | 欧美日韩一级在线毛片| 怎么达到女性高潮| 国产亚洲av高清不卡| 欧美在线黄色| 免费人成视频x8x8入口观看| 婷婷丁香在线五月| 国产精品一区二区精品视频观看| 国产真人三级小视频在线观看| 国产一区二区三区在线臀色熟女| 欧美黑人巨大hd| 久久久国产成人精品二区| 中文资源天堂在线| 国产三级中文精品| 综合色av麻豆| 在线观看免费午夜福利视频| 夜夜躁狠狠躁天天躁| 午夜两性在线视频| 午夜a级毛片| 免费搜索国产男女视频| 国产高清videossex| 在线十欧美十亚洲十日本专区| 亚洲精品一区av在线观看| 露出奶头的视频| 一级作爱视频免费观看| 国产在线精品亚洲第一网站| 久久精品91蜜桃| 国产成年人精品一区二区| tocl精华| 日本在线视频免费播放| 国产黄片美女视频| 久久99热这里只有精品18| 麻豆av在线久日| 在线播放国产精品三级| 国内精品一区二区在线观看| 美女午夜性视频免费| 欧美性猛交黑人性爽| 亚洲成人久久爱视频| 国产精品野战在线观看| ponron亚洲| 国产三级黄色录像| e午夜精品久久久久久久| 精品国产乱子伦一区二区三区| 欧美乱码精品一区二区三区| 亚洲精品在线观看二区| 黄频高清免费视频| 成人亚洲精品av一区二区| 精品不卡国产一区二区三区| 亚洲激情在线av| 一边摸一边抽搐一进一小说| 婷婷丁香在线五月| 国产亚洲av高清不卡| 免费电影在线观看免费观看| 欧美乱妇无乱码| 少妇的逼水好多| 波多野结衣高清无吗| 亚洲av日韩精品久久久久久密| 午夜激情欧美在线| 黑人操中国人逼视频| avwww免费| 午夜精品在线福利| 日韩欧美在线乱码| 欧美又色又爽又黄视频| 国产黄色小视频在线观看| 中文字幕精品亚洲无线码一区| 亚洲一区二区三区不卡视频| 午夜免费成人在线视频| 日日干狠狠操夜夜爽| 国产人伦9x9x在线观看| 国产极品精品免费视频能看的| 亚洲国产欧美人成| 国产成人欧美在线观看| 国产精品亚洲一级av第二区| a级毛片a级免费在线| 午夜久久久久精精品| 好男人电影高清在线观看| 男女视频在线观看网站免费| 99精品在免费线老司机午夜| www日本黄色视频网| 欧美色视频一区免费| 91九色精品人成在线观看| 国产私拍福利视频在线观看| 一本久久中文字幕| 99久久精品一区二区三区| 国产一区在线观看成人免费| 国产精华一区二区三区| 久久久久久久久中文| 男人舔女人下体高潮全视频| 国产精品美女特级片免费视频播放器 | av天堂中文字幕网| 亚洲熟妇熟女久久| 首页视频小说图片口味搜索| 亚洲中文字幕日韩| 99国产综合亚洲精品| 国产综合懂色| 亚洲中文字幕一区二区三区有码在线看 | 毛片女人毛片| 香蕉久久夜色| 国产精品久久久久久精品电影| aaaaa片日本免费| 久久国产精品影院| 国产一区二区三区在线臀色熟女| 色av中文字幕| 老汉色∧v一级毛片| 午夜亚洲福利在线播放| 一区福利在线观看| 亚洲欧美日韩卡通动漫| 一级毛片女人18水好多| 午夜影院日韩av| 一本久久中文字幕| 亚洲av片天天在线观看| 国产又色又爽无遮挡免费看| 高清毛片免费观看视频网站| 中文资源天堂在线| 黄片小视频在线播放| 91麻豆av在线| 国产亚洲av高清不卡| 最近视频中文字幕2019在线8| 亚洲第一电影网av| 波多野结衣高清无吗| 男人的好看免费观看在线视频| 一级毛片女人18水好多| 欧美av亚洲av综合av国产av| 国产真实乱freesex| 国产精品99久久99久久久不卡| 亚洲熟妇中文字幕五十中出| 精品午夜福利视频在线观看一区| 999精品在线视频| 免费观看人在逋| 欧美中文综合在线视频| 久久久久久九九精品二区国产| 国产黄色小视频在线观看| 级片在线观看| 午夜福利18| 天天躁日日操中文字幕| 亚洲国产欧美网| 1024香蕉在线观看| 男人和女人高潮做爰伦理| 欧美激情久久久久久爽电影| 亚洲国产欧美人成| 久久午夜综合久久蜜桃| 亚洲成人中文字幕在线播放| 日本一二三区视频观看| 老司机深夜福利视频在线观看| 老汉色av国产亚洲站长工具| 色av中文字幕| 日韩精品青青久久久久久| 桃红色精品国产亚洲av| 无限看片的www在线观看| 九色成人免费人妻av| 在线播放国产精品三级| 日韩免费av在线播放| 天天躁日日操中文字幕| 国产午夜精品论理片| 国产高清视频在线观看网站| 美女扒开内裤让男人捅视频| 男人舔女人的私密视频| 亚洲五月婷婷丁香| 成人高潮视频无遮挡免费网站| 亚洲av免费在线观看| www国产在线视频色| 精品国产超薄肉色丝袜足j| 国产高清有码在线观看视频| 亚洲av片天天在线观看| 97超视频在线观看视频| 午夜激情欧美在线| svipshipincom国产片| av天堂在线播放| 国产亚洲av嫩草精品影院| 在线观看舔阴道视频| 国产成年人精品一区二区| 日本黄色片子视频| 18禁观看日本| 99riav亚洲国产免费| 日韩精品中文字幕看吧| 极品教师在线免费播放| 亚洲av中文字字幕乱码综合| 男女下面进入的视频免费午夜| 在线免费观看不下载黄p国产 | 一区二区三区激情视频| 一夜夜www| 99国产精品99久久久久| 国产成人系列免费观看| 成人av在线播放网站| 老熟妇乱子伦视频在线观看| 男女之事视频高清在线观看| 久久久久久久久中文| 国产一区二区在线av高清观看| 91老司机精品| 一进一出好大好爽视频| 精品99又大又爽又粗少妇毛片 | 黄色女人牲交| 日本三级黄在线观看| 亚洲国产精品sss在线观看| 一进一出抽搐动态| 欧美日韩黄片免| 18禁美女被吸乳视频| 国产精品野战在线观看| 美女高潮喷水抽搐中文字幕| 老司机福利观看| 亚洲成人精品中文字幕电影| 日韩av在线大香蕉| 黑人操中国人逼视频| 最好的美女福利视频网| 久久久色成人| 成年女人看的毛片在线观看| 老鸭窝网址在线观看| 久久精品亚洲精品国产色婷小说| 美女高潮喷水抽搐中文字幕| 日韩欧美在线二视频| 午夜影院日韩av| 美女 人体艺术 gogo| 亚洲国产高清在线一区二区三| 国产精品久久视频播放| 曰老女人黄片| 91av网站免费观看| 丁香六月欧美| 一进一出好大好爽视频| 久久这里只有精品19| 成人av一区二区三区在线看| 性色avwww在线观看| 国产毛片a区久久久久| 在线观看美女被高潮喷水网站 | 国产av在哪里看| 俺也久久电影网| 国产精品98久久久久久宅男小说| 91在线精品国自产拍蜜月 | 99久久99久久久精品蜜桃| 天堂动漫精品| 欧美日韩亚洲国产一区二区在线观看| 人人妻人人澡欧美一区二区| 亚洲成人久久爱视频| 人妻夜夜爽99麻豆av| 亚洲欧美日韩卡通动漫| 午夜日韩欧美国产| 97超视频在线观看视频| 欧美黑人欧美精品刺激| 非洲黑人性xxxx精品又粗又长| 久久香蕉精品热| 亚洲精华国产精华精| 欧美激情久久久久久爽电影| 观看美女的网站| 国产伦精品一区二区三区四那| 中文字幕人妻丝袜一区二区| 在线播放国产精品三级| 亚洲国产精品999在线| 十八禁人妻一区二区| 无限看片的www在线观看| 国产三级黄色录像| 亚洲 欧美一区二区三区| 午夜免费观看网址| 美女高潮的动态| 国产99白浆流出| 69av精品久久久久久| 可以在线观看毛片的网站| 亚洲片人在线观看| 色综合欧美亚洲国产小说| 免费在线观看影片大全网站| 日韩av在线大香蕉| 国产伦一二天堂av在线观看| 亚洲国产欧美人成| 国产精品永久免费网站| 国产精品影院久久| 日韩av在线大香蕉| 少妇熟女aⅴ在线视频| 成人特级av手机在线观看| 国产在线精品亚洲第一网站| 亚洲国产看品久久| 久久精品国产99精品国产亚洲性色| 男女午夜视频在线观看| 精品熟女少妇八av免费久了| 欧美一区二区精品小视频在线| 欧美成人一区二区免费高清观看 | 亚洲激情在线av| 亚洲男人的天堂狠狠| 日韩欧美精品v在线| 免费在线观看亚洲国产| 每晚都被弄得嗷嗷叫到高潮| 久久九九热精品免费| 久久精品91蜜桃| 一边摸一边抽搐一进一小说| 国产精品国产高清国产av| 99久久无色码亚洲精品果冻| 亚洲最大成人中文| 国产成人精品久久二区二区91| 欧美绝顶高潮抽搐喷水| 免费大片18禁| 亚洲成av人片在线播放无| 99国产综合亚洲精品| 亚洲自偷自拍图片 自拍| 97超视频在线观看视频| 精品99又大又爽又粗少妇毛片 | 在线十欧美十亚洲十日本专区| 国产一区二区在线av高清观看| 真人做人爱边吃奶动态| 国产三级黄色录像| 精品国内亚洲2022精品成人| 国产欧美日韩精品亚洲av| 可以在线观看毛片的网站| 亚洲精品美女久久久久99蜜臀| 精品久久久久久久久久免费视频| 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| АⅤ资源中文在线天堂| 中文字幕av在线有码专区| 成在线人永久免费视频| 中文资源天堂在线| 黄色视频,在线免费观看| netflix在线观看网站| 午夜亚洲福利在线播放| 国产精品99久久99久久久不卡| 免费观看的影片在线观看| 变态另类成人亚洲欧美熟女| 亚洲五月天丁香| 国产精品亚洲一级av第二区| 国产亚洲精品久久久com| 人妻夜夜爽99麻豆av| 在线免费观看不下载黄p国产 | 热99在线观看视频| 老司机福利观看| 久久精品国产清高在天天线| 精品一区二区三区av网在线观看| 国产高清视频在线观看网站| 国产高清三级在线| 国产午夜精品久久久久久| 亚洲国产欧美网| а√天堂www在线а√下载| 久久国产精品影院| 亚洲成av人片免费观看| 欧美+亚洲+日韩+国产| 中出人妻视频一区二区| 久久精品国产亚洲av香蕉五月| 99热这里只有是精品50| 变态另类丝袜制服| 91九色精品人成在线观看|