• <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 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)和Transformer網(wǎng)絡(luò)的鳥(niǎo)聲識(shí)別

    2023-11-13 03:34:18王基豪周曉彥李大鵬韓智超王麗麗
    聲學(xué)技術(shù) 2023年5期
    關(guān)鍵詞:語(yǔ)譜鳥(niǎo)聲特征向量

    王基豪,周曉彥,李大鵬,韓智超,王麗麗

    (南京信息工程大學(xué)電子與信息工程學(xué)院,江蘇南京 210044)

    0 引 言

    鳥(niǎo)類(lèi)作為生態(tài)系統(tǒng)中的重要組成部分,分布廣泛且對(duì)環(huán)境變化敏感,多數(shù)學(xué)者將鳥(niǎo)類(lèi)作為監(jiān)測(cè)環(huán)境變化的指示物種[1-2],因此對(duì)鳥(niǎo)類(lèi)物種的監(jiān)測(cè)、識(shí)別及分類(lèi)具有重要意義。目前識(shí)別鳥(niǎo)類(lèi)物種的主要方式有兩種,分別是對(duì)鳥(niǎo)類(lèi)物種外形特征的識(shí)別以及對(duì)鳥(niǎo)鳴聲的識(shí)別,在實(shí)際監(jiān)測(cè)中,由于鳥(niǎo)類(lèi)形態(tài)監(jiān)測(cè)存在成本高、范圍限制大、效率低等問(wèn)題[3],使得鳥(niǎo)鳴聲監(jiān)測(cè)成為當(dāng)前的主流監(jiān)測(cè)方向。隨著信號(hào)處理和聲音識(shí)別技術(shù)的逐漸成熟,1996年Anderson等[4]利用模板匹配的方法首次實(shí)現(xiàn)了對(duì)靛藍(lán)彩鹀和斑胸草雀兩種鳥(niǎo)鳴聲的識(shí)別。之后國(guó)內(nèi)外學(xué)者圍繞基于鳥(niǎo)鳴聲的鳥(niǎo)類(lèi)識(shí)別問(wèn)題,通過(guò)手工提取特征、機(jī)器學(xué)習(xí)等方法展開(kāi)了大量的研究,但對(duì)識(shí)別效果的提升一直比較有限。

    隨著深度學(xué)習(xí)的發(fā)展,國(guó)內(nèi)外部分研究表明深度神經(jīng)網(wǎng)絡(luò)如卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)[5]、卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(Convolutional Recurrent Neural Network, CRNN)[6]、長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)[7]等在鳥(niǎo)聲識(shí)別中能提取更有價(jià)值、更豐富的特征信息。邱志斌等[8]將梅爾語(yǔ)譜圖輸入到24層的自搭建CNN模型中,利用微調(diào)網(wǎng)絡(luò)參數(shù)在包含40類(lèi)鳥(niǎo)鳴聲的數(shù)據(jù)集中能達(dá)到96.1%的識(shí)別準(zhǔn)確率。Takahashi等[9]在原有VGGNet卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)用于鳥(niǎo)聲識(shí)別,結(jié)合數(shù)據(jù)增強(qiáng)算法解決了過(guò)擬合問(wèn)題,對(duì)Freesound數(shù)據(jù)庫(kù)中的鳥(niǎo)類(lèi)進(jìn)行識(shí)別實(shí)驗(yàn),識(shí)別準(zhǔn)確率較改進(jìn)前提高了16個(gè)百分點(diǎn)。Adavanne等[10]在卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的基礎(chǔ)上提出了卷積循環(huán)神經(jīng)網(wǎng)絡(luò),該方法提取了主頻和對(duì)數(shù)梅爾頻帶能量聲學(xué)特征,在三個(gè)獨(dú)立數(shù)據(jù)集上測(cè)試獲得了95.5%的識(shí)別準(zhǔn)確率。馮郁茜[11]提出了雙模態(tài)特征融合鳥(niǎo)類(lèi)物種識(shí)別方法,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的級(jí)聯(lián)結(jié)構(gòu),融合鳥(niǎo)聲的時(shí)頻域特征,完成對(duì)鳥(niǎo)聲識(shí)別算法的優(yōu)化,在6種鳥(niǎo)類(lèi)識(shí)別中獲得了93.9%的平均識(shí)別準(zhǔn)確率。但文獻(xiàn)[8-10]只使用了單一特征,并且對(duì)于某些關(guān)聯(lián)性不強(qiáng)的數(shù)據(jù)不能獲取更為全面的特征,存在一定的局限性。

    本文重點(diǎn)關(guān)注鳥(niǎo)鳴聲信號(hào)特征的多樣性,通過(guò)短時(shí)傅里葉變換(Short Time Fourier Transform,STFT)獲取包含時(shí)頻域特征信息的鳥(niǎo)聲語(yǔ)譜圖,以及通過(guò)對(duì)原始音頻信號(hào)計(jì)算得到梅爾頻率倒譜系數(shù)(Mel Frequency Cepstrum Coefficient, MFCC)靜態(tài)分量、MFCC一階差分和二階差分組成的混合特征向量。本文受文獻(xiàn)[11]啟發(fā),提取了不同鳥(niǎo)聲音頻特征后利用雙通道網(wǎng)絡(luò)級(jí)聯(lián)特征,其中一條通道利用卷積神經(jīng)網(wǎng)絡(luò)具有的平移不變性,對(duì)三維語(yǔ)譜圖局部特征信息進(jìn)行提取交互,得到局部細(xì)粒度頻譜特征,同時(shí)另外一條通道利用Transformer網(wǎng)絡(luò)結(jié)構(gòu)的多頭注意力機(jī)制,完成對(duì)MFCC混合特征向量的提取,得到兼顧上下文的全局序列特征,最后將兩條通道的特征融合到一起,增加每一個(gè)特征的信息量以提高鳥(niǎo)聲識(shí)別的準(zhǔn)確率。

    1 鳥(niǎo)聲特征提取網(wǎng)絡(luò)結(jié)構(gòu)

    本文提出的鳥(niǎo)聲識(shí)別算法網(wǎng)絡(luò)整體由兩個(gè)分支組成,兩個(gè)分支為并行關(guān)系,各自同時(shí)進(jìn)行計(jì)算處理。上部分支首先對(duì)輸入的原始音頻信號(hào)進(jìn)行預(yù)加重、分幀加窗等預(yù)處理操作后得到STFT三維語(yǔ)譜圖;然后輸入到卷積神經(jīng)網(wǎng)絡(luò)(CNN)中提取局部頻域特征;最后通過(guò)線(xiàn)性層得到大小為Ncls×C1的二維矩陣特征集,其中Ncls為識(shí)別鳥(niǎo)類(lèi)物種數(shù)目,C1為上部分支輸出特征向量維度大小。下部分支首先對(duì)輸入的原始音頻信號(hào)進(jìn)行預(yù)加重、分幀加窗等預(yù)處理操作后計(jì)算得到MFCC以及對(duì)應(yīng)的一階差分、二階差分特征,將其拼接得到F×C2維的梅爾特征集,隨后對(duì)特征集嵌入位置編碼,以時(shí)序排列的方式輸入Transformer編碼器網(wǎng)絡(luò)中,通過(guò)多頭注意力(Multi-Head Attention, MHA)模塊并行處理多組特征向量,得到兼顧上下文的全局序列特征,再通過(guò)多層感知機(jī)(Multi-Layer Perceptron, MLP)完成對(duì)輸出結(jié)果的優(yōu)化,最后通過(guò)線(xiàn)性層得到Ncls×C2維的二維特征集矩陣,其中F為梅爾特征向量維度大小,C2為下部分支輸出特征向量維度大小,在這里表現(xiàn)為原始音頻信號(hào)的輸入幀數(shù)。將兩條分支的特征集進(jìn)行拼接融合得到更豐富的特征信息后,通過(guò)Softmax函數(shù)得到最終的預(yù)測(cè)結(jié)果。鳥(niǎo)聲識(shí)別整體網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

    圖1 鳥(niǎo)聲識(shí)別整體網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of the general network structure of bird sound recognition

    1.1 特征提取

    1.1.1 STFT語(yǔ)譜圖

    對(duì)于獲取的原始鳥(niǎo)聲音頻信號(hào)來(lái)說(shuō),每一幀內(nèi)的鳥(niǎo)聲頻譜可以看作是不變的,但是這種看作不變的短時(shí)頻譜只能用于反映鳥(niǎo)聲?shū)Q叫時(shí)的靜態(tài)特性。為了能反映出鳥(niǎo)聲信號(hào)的動(dòng)態(tài)頻率特性,實(shí)現(xiàn)對(duì)非平穩(wěn)時(shí)變信號(hào)的分析,采用短時(shí)傅里葉變換生成STFT語(yǔ)譜圖[12]。對(duì)于一個(gè)連續(xù)時(shí)間信號(hào)x(t),其連續(xù)時(shí)間內(nèi)的STFT表達(dá)式為

    式中:S(ω,τ)是關(guān)于ω和τ的二維函數(shù),w(t-τ)是時(shí)移長(zhǎng)度為τ的窗函數(shù)。從本質(zhì)上來(lái)看,STFT是對(duì)傅里葉變換(Fourier Transorm, FT)進(jìn)行加窗操作,對(duì)每一次窗函數(shù)中的信號(hào)分幀進(jìn)行單獨(dú)處理。但實(shí)際中由于計(jì)算機(jī)只能處理離散信號(hào),所以還需要對(duì)連續(xù)時(shí)間信號(hào)的STFT中每一幀信號(hào)的傅里葉變換用離散傅里葉變換(Discrete Fourier Transorm, DFT)代替。對(duì)于輸入的離散信號(hào)x(n),其對(duì)應(yīng)的離散STFT表達(dá)式為

    式中:X(l,k)是一個(gè)關(guān)于l和k的二維函數(shù),l表示幀平移量,k表示當(dāng)前譜線(xiàn)數(shù),N和n分別表示總采樣點(diǎn)數(shù)以及當(dāng)前第n幀。利用幅度變化關(guān)于時(shí)間與頻率的關(guān)系以及能量大小關(guān)于時(shí)間與頻率的關(guān)系,還可以推導(dǎo)出:

    式中:S(l,k)為功率譜,是能量關(guān)于時(shí)間與頻率的二維函數(shù),根據(jù)式(3)中關(guān)于X(l,k)的二維函數(shù)關(guān)系,可以繪制對(duì)應(yīng)的STFT語(yǔ)譜圖,利用圖像來(lái)獲取所需的三維信息,橫軸為時(shí)間,縱軸為頻率,顏色的深淺表示能量的大小。STFT語(yǔ)譜圖可以清楚了解到鳥(niǎo)聲音頻隨時(shí)間變化所能展現(xiàn)的頻率以及能量的變化。

    通過(guò)上述操作對(duì)原始鳥(niǎo)聲音頻信號(hào)進(jìn)行處理獲取STFT語(yǔ)譜圖,窗函數(shù)采用漢寧窗,其中幀移為l=11 ms,總采樣點(diǎn)數(shù)為N=44 100??紤]到不同種類(lèi)鳥(niǎo)聲的能量差異較大會(huì)導(dǎo)致生成語(yǔ)譜圖顏色差異影響后續(xù)網(wǎng)絡(luò)訓(xùn)練,為此挑選出能量最大的鳥(niǎo)聲語(yǔ)譜圖作為上限基準(zhǔn)點(diǎn),對(duì)所有語(yǔ)譜圖按照式(4)標(biāo)準(zhǔn)化縮放:

    為節(jié)省存儲(chǔ)空間,將縮放后生成的語(yǔ)譜圖壓縮為256×256×3的三通道RGB圖像,并以jpg格式存儲(chǔ)?;已泺B(niǎo)聲信號(hào)生成的STFT語(yǔ)譜圖如圖2所示。

    1.1.2 MFCC混合特征向量

    MFCC特征參數(shù)是一種在語(yǔ)音識(shí)別中廣泛應(yīng)用的特征,其更接近人耳聽(tīng)覺(jué)機(jī)制,可以降低原始鳥(niǎo)聲音頻中環(huán)境噪聲的干擾[13]。為了獲取MFCC靜態(tài)特征、一階差分和二階差分特征組成的混合特征向量,對(duì)原始音頻信號(hào)進(jìn)行如下操作:

    (1) 通過(guò)一階高通濾波器進(jìn)行預(yù)加重,濾波器計(jì)算公式為

    其中:α取值區(qū)間為(0.9, 1),本文取0.935。

    (2) 對(duì)信號(hào)進(jìn)行分幀加窗操作,窗函數(shù)選擇為漢明窗,幀長(zhǎng)為23 ms,幀移為11 ms。

    (3) 對(duì)每一幀預(yù)處理后的信號(hào)進(jìn)行快速傅里葉變換(Fast Fourier Transform, FFT)獲取對(duì)應(yīng)的頻譜,再通過(guò)式(3)獲得功率譜。

    (4) 將功率譜輸入到梅爾濾波器組中計(jì)算獲得梅爾能量,其中梅爾濾波器組選用一組非均勻等高三角帶通濾波器對(duì)頻譜進(jìn)行平滑處理,消除諧波帶來(lái)的干擾[14]。設(shè)劃分的三角帶通濾波器為Hm(k),則對(duì)于每一幀音頻信號(hào)均存在一個(gè)對(duì)數(shù)梅爾能量函數(shù)Emel(m),將功率譜與梅爾濾波器組計(jì)算得到的對(duì)數(shù)梅爾能量表達(dá)式為

    式中:M為每組濾波器個(gè)數(shù),本文M=40。

    (5) 對(duì)經(jīng)過(guò)梅爾濾波后的對(duì)數(shù)梅爾能量進(jìn)行離散余弦變換(Discrete Cosine Transform, DCT),具體求解表達(dá)式為

    式中:Emfcc(n)函數(shù)中n表示當(dāng)前第n幀,m取值滿(mǎn)足式(6)中每組濾波器個(gè)數(shù)限制。創(chuàng)建好對(duì)應(yīng)的數(shù)組標(biāo)簽后,可以得到MFCC靜態(tài)特征。這里考慮到第0維為表征平均值,沒(méi)有參考價(jià)值,且大部分能量集中在低頻區(qū),所以最后選擇第1~13維共12組數(shù)據(jù)[15]。

    (6) 最后為了更好體現(xiàn)提取鳥(niǎo)鳴聲時(shí)域特征的上下文連續(xù)性,增加提取特征的豐富度,對(duì)MFCC靜態(tài)特征計(jì)算一階差分zid和二階差分[16]:

    式中:v=2,對(duì)獲得的一階差分和二階差分同樣取第1~13維,拼接得到二維的MFCC混合特征向量X∈RN×F,這里N表示總幀數(shù),F(xiàn)=36表示提取的特征個(gè)數(shù)。

    1.2 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

    對(duì)于從原始鳥(niǎo)聲信號(hào)中生成的STFT語(yǔ)譜圖來(lái)說(shuō),CNN直接采用原始圖像作為輸入,可以從大量圖像數(shù)據(jù)中學(xué)習(xí)得到有效特征,再通過(guò)對(duì)圖像的局部像素點(diǎn)進(jìn)行感知之后在高層對(duì)信息進(jìn)行共享合并,從而使網(wǎng)絡(luò)的每一層通過(guò)共享參數(shù)來(lái)獲得圖像的表征信息,在加強(qiáng)了對(duì)語(yǔ)譜圖局部特征提取能力的同時(shí),又能保證網(wǎng)絡(luò)結(jié)構(gòu)本身的高度不變性。一般的CNN由輸入層、卷積層、池化層、全連接層和輸出層組成,本文使用ResNet50作為網(wǎng)絡(luò)主干,考慮到輸出參數(shù)量較少的同時(shí)加入了殘差模塊,減少了網(wǎng)絡(luò)深度加深之后梯度消失問(wèn)題的影響[17]。網(wǎng)絡(luò)設(shè)置的輸入尺寸大小為256×256,和上文中提取的語(yǔ)譜圖大小一致;第一層卷積層之后輸出大小為128×128;然后通過(guò)四組殘差模塊,最后通過(guò)全連接層得到大小為Ncls×2 048的二維數(shù)組,Ncls為設(shè)定的鳥(niǎo)聲識(shí)別種類(lèi);卷積核大小設(shè)定均為3×3,池化層大小設(shè)定均為2×2×2。

    1.3 Transformer網(wǎng)絡(luò)模型

    在鳥(niǎo)聲識(shí)別中,不僅需要對(duì)每幀音頻信號(hào)進(jìn)行關(guān)注提取,還需要考慮每一幀信號(hào)在對(duì)應(yīng)位置的重要程度。為此對(duì)于上文中通過(guò)梅爾對(duì)數(shù)轉(zhuǎn)換提取獲得的MFCC混合特征向量,本文加入了Transformer網(wǎng)絡(luò)模型[18],通過(guò)該模型所帶有的多頭注意力(MHA)機(jī)制,尋找定位顯著性的鳥(niǎo)聲音頻表征特征。之前很多時(shí)間序列處理任務(wù)中都有加入注意力機(jī)制[19],但卻只能在每一步中只關(guān)注一個(gè)區(qū)域的特征信息,而Transformer網(wǎng)絡(luò)模型通過(guò)多個(gè)注意力模塊并行處理特征參數(shù),既能利用注意力機(jī)制提取信息,還能加快網(wǎng)絡(luò)的訓(xùn)練速度,得到兼顧上下文的全局序列特征。

    Transformer網(wǎng)絡(luò)主要由編碼器和解碼器兩部分組成。本文主要利用Transformer網(wǎng)絡(luò)中的的編碼器部分完成對(duì)MFCC混合特征向量的提取。Transformer網(wǎng)絡(luò)編碼器部分結(jié)構(gòu)如圖3所示,主要由MHA和多層感知機(jī)(MLP)組成,中間加入了殘差連接、層標(biāo)準(zhǔn)化(Layer Norm, LN)和Dropout層。

    圖3 Transformer編碼器網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The structure of Transformer encoder network

    對(duì)于輸入的MFCC混合特征向量X∈RN×F,首先需要進(jìn)行位置編碼來(lái)保證音頻幀按照時(shí)序順序正常輸入。本文采用正余弦位置編碼,計(jì)算公式為

    式中:p表示每一幀在整段信號(hào)中的絕對(duì)位置,q表示維度,d表示可輸入特征向量的最大維數(shù),目的是保證位置向量長(zhǎng)度和輸入特征向量大小一致,這里d=512,2q和2q+1用于表示位置奇偶性,對(duì)生成的位置編碼與原二維特征向量進(jìn)行相加操作得到新的輸入向量X'∈RN×()F+1。將加入位置標(biāo)記的特征向量導(dǎo)入到后續(xù)的MHA模塊中,本文的MHA使用了注意力機(jī)制:

    其中:Att(Q,K,V)函數(shù)可以看作將一個(gè)查詢(xún)(query)和一系列鍵值(keys-values)對(duì)映射為一個(gè)輸出的過(guò)程:X'×(WQ,WK,WV)→(Q,K,V),將新的輸入向量X'與權(quán)重矩陣WQ,WK,WV進(jìn)行乘積映射為一個(gè)query向量和一組keys-values向量。通過(guò)計(jì)算query向量和所有keys向量的點(diǎn)乘,之后將結(jié)果除以則是對(duì)每個(gè)輸入的音頻之間相關(guān)性得分進(jìn)行歸一化處理,使訓(xùn)練時(shí)梯度保持穩(wěn)定,其中dk為keys向量的維度。最后通過(guò)softmax函數(shù)將權(quán)重得分轉(zhuǎn)化為0到1之間的概率分布矩陣,乘上values向量后得到最終的輸出矩陣。

    但是單一的注意力機(jī)制只是局限于自身內(nèi)部的特征聯(lián)系,交互能力有限。而對(duì)于MHA來(lái)說(shuō),通過(guò)將上述的一組權(quán)重矩陣,擴(kuò)充為并行輸入使用多組權(quán)重,這樣可以使得模型在不同的時(shí)頻位置獲取信息,并通過(guò)上下文信息的交互獲取更豐富的音頻特征,進(jìn)一步增強(qiáng)了注意力機(jī)制中對(duì)突出部分特征信息的利用。這里的處理公式為

    其中:對(duì)于hi=Att(QWiQ,KWiK,VWiV),映射的權(quán)重矩陣WiQ∈Rd×dk,WiK∈Rd×dk,WiV∈Rd×dv。本文中設(shè)定注意力頭個(gè)數(shù)i=8,每個(gè)注意力頭滿(mǎn)足dv=di=64;通過(guò)WO作為拼接后的參數(shù)矩陣保證最后拼接得到的輸出矩陣與單一注意力機(jī)制計(jì)算得到的大小基本一致。

    通過(guò)MHA得到的輸出矩陣后續(xù)送入前饋網(wǎng)絡(luò)(Feed Forward Network, FFN),這里采用MLP模型作為前饋網(wǎng)絡(luò)的主干為,表達(dá)式為

    其中:W1、W2為權(quán)重矩陣,b1、b2為偏置向量,MLP模型整體由兩個(gè)線(xiàn)性層和一個(gè)ReLU激活函數(shù)嵌套組成,輸出與前置LN層通過(guò)殘差連接輸入到最后一個(gè)全連接層,最終得到處理后大小為Ncls×C2的二維數(shù)組,其中Ncls為設(shè)定的鳥(niǎo)聲識(shí)別種類(lèi),C2為總幀數(shù),本文中C2=173。

    2 實(shí)驗(yàn)設(shè)置與分析

    2.1 鳥(niǎo)聲數(shù)據(jù)集

    為了驗(yàn)證所提出模型的有效性,本文選用Birdsdata[20]鳥(niǎo)鳴聲數(shù)據(jù)集和xeno-canto[21]鳥(niǎo)鳴聲數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。Birdsdata是2020年由北京百鳥(niǎo)數(shù)據(jù)科技公司最新發(fā)布的手工標(biāo)注自然聲音標(biāo)準(zhǔn)數(shù)據(jù)集,在國(guó)外期刊文獻(xiàn)中已被用于鳥(niǎo)聲的識(shí)別檢測(cè)。該數(shù)據(jù)集公開(kāi)收集了共20類(lèi)國(guó)內(nèi)常見(jiàn)的鳥(niǎo)類(lèi)鳴叫聲,共計(jì)14 311份wav音頻文件,且所提供的音頻數(shù)據(jù)均已經(jīng)過(guò)2 s標(biāo)準(zhǔn)化分割以及降噪處理。xenocanto鳥(niǎo)聲數(shù)據(jù)集作為BirdCLEF鳥(niǎo)聲識(shí)別競(jìng)賽的官方數(shù)據(jù)集,其數(shù)據(jù)來(lái)源于全球性野外鳥(niǎo)聲數(shù)據(jù)庫(kù)網(wǎng)站,具有一定的權(quán)威性。該數(shù)據(jù)集包含了44種歐亞地區(qū)且均為自然環(huán)境下錄制的常見(jiàn)鳥(niǎo)類(lèi)音頻,時(shí)長(zhǎng)在30 s~5 min不等且自帶有環(huán)境噪聲。本文需要將音頻文件手動(dòng)分割為2 s,并對(duì)原音頻中的空白部分進(jìn)行刪減,最后得到共計(jì)34 703份處理好的音頻文件。以上數(shù)據(jù)集采樣率均為44.1 kHz,各數(shù)據(jù)集包含的鳥(niǎo)鳴聲種類(lèi)和數(shù)量如表1和2所示。

    表1 Birdsdata數(shù)據(jù)集信息Table 1 The information of Birdsdata dataset

    表2 xeno-canto數(shù)據(jù)集部分信息Table 2 The partial information of xeno-canto dataset

    2.2 實(shí)驗(yàn)設(shè)置及評(píng)價(jià)標(biāo)準(zhǔn)

    本文中實(shí)驗(yàn)部分硬件操作系統(tǒng)為Ubuntu 20.04,GPU型號(hào)為GTX 2080Ti,CUDA版本為10.1,網(wǎng)絡(luò)模型的搭建全部采用Pytorch 1.8.0深度學(xué)習(xí)框架。在整體訓(xùn)練過(guò)程中,迭代次數(shù)(epoch)設(shè)置為100,對(duì)輸入數(shù)據(jù)的單次訓(xùn)練步長(zhǎng)(batch_size)設(shè)置為32,優(yōu)化器采用Adam算法更新權(quán)重參數(shù),學(xué)習(xí)率(learning_rate)采用階梯衰減方式,初始學(xué)習(xí)率設(shè)置為10-4,之后經(jīng)過(guò)總迭代數(shù)的56%和78%時(shí),均衰減為前一級(jí)學(xué)習(xí)率的0.1倍,Dropout層設(shè)置為0.2。

    本文將準(zhǔn)確率(Accuracy)和F1-score作為評(píng)估自身模型性能和對(duì)比其他模型的評(píng)價(jià)指標(biāo)。F1-score得分由精確率(Precision)和召回率(Recall)兩項(xiàng)指標(biāo)加權(quán)得到,評(píng)估公式為

    其中:NTP表示正樣本中分類(lèi)正確樣本數(shù),NFP和NFN分別表示正、負(fù)樣本中分類(lèi)錯(cuò)誤樣本數(shù)。具體實(shí)驗(yàn)中將整體數(shù)據(jù)集按照8∶2的比例劃分為訓(xùn)練集和測(cè)試集,然后采用五折交叉驗(yàn)證的方式分別進(jìn)行五次實(shí)驗(yàn),并記錄每一次訓(xùn)練完后的測(cè)試結(jié)果以及最后的平均結(jié)果。

    2.3 實(shí)驗(yàn)結(jié)果與分析

    首先對(duì)本文所提方法進(jìn)行實(shí)驗(yàn),將數(shù)據(jù)集分為A、B、C、D、E五等份,采用五折交叉驗(yàn)證的方式取其中四份作為訓(xùn)練集,一份作為測(cè)試集(例如將A、B、C、D作為訓(xùn)練集,E作為測(cè)試集,以此類(lèi)推),共五組實(shí)驗(yàn)。在Birdsdata數(shù)據(jù)上的識(shí)別準(zhǔn)確率評(píng)估結(jié)果如表3中所示。同時(shí)為避免實(shí)驗(yàn)結(jié)果存在偶然性,每組實(shí)驗(yàn)均在打亂訓(xùn)練集內(nèi)部順序的條件下重復(fù)五次,求出每組實(shí)驗(yàn)識(shí)別準(zhǔn)確率的均值及標(biāo)準(zhǔn)差。

    表3 在Birdsdata數(shù)據(jù)集上識(shí)別準(zhǔn)確率評(píng)估結(jié)果Table 3 The evaluation results of recognition accuracy on Birdsdata dataset

    對(duì)于Birdsdata數(shù)據(jù)集來(lái)說(shuō),當(dāng)鳥(niǎo)聲數(shù)據(jù)量較夸大、種類(lèi)不是很復(fù)雜的情況下,各組樣本的五次實(shí)驗(yàn)準(zhǔn)確率波動(dòng)不大。本文所提出的網(wǎng)絡(luò)最高準(zhǔn)確率為99.1%,但是在以A,B,C,E作為訓(xùn)練集,D作為測(cè)試集訓(xùn)練時(shí)整體準(zhǔn)確率只有95.5%,說(shuō)明本文考慮的對(duì)每組實(shí)驗(yàn)樣本經(jīng)過(guò)五次實(shí)驗(yàn)求均值和標(biāo)準(zhǔn)差之后再求整體均值的方法是有效的,能在一定程度上減小偶然對(duì)識(shí)別結(jié)果性的影響,在最后得到的識(shí)別結(jié)果中Birdsdata數(shù)據(jù)集平均準(zhǔn)確率可以達(dá)到97.81%。

    表4為在xeno-canto數(shù)據(jù)集中識(shí)別準(zhǔn)確率的評(píng)估結(jié)果。對(duì)于xeno-canto數(shù)據(jù)集,由于鳥(niǎo)聲數(shù)據(jù)量分布較為不均勻且種類(lèi)繁多,并且音頻數(shù)據(jù)中帶有噪聲干擾,所以本文所提出的網(wǎng)絡(luò)整體準(zhǔn)確率比Birdsdata數(shù)據(jù)集有所下降,且各組樣本準(zhǔn)確率波動(dòng)相比于表3中結(jié)果也較為明顯,例如其中最高準(zhǔn)確率為93.25%,最低準(zhǔn)確率為83.18%,但最后得到的識(shí)別結(jié)果中xeno-canto數(shù)據(jù)集的平均準(zhǔn)確率也能達(dá)到89.47%。

    表4 在xeno-canto數(shù)據(jù)集中識(shí)別準(zhǔn)確率評(píng)估結(jié)果Table 4 The evaluation results of recognition accuracy on xeno-canto dataset

    為了體現(xiàn)本文所提出網(wǎng)絡(luò)的整體收斂效果以及損失優(yōu)化情況,從Birdsdata和xeno-canto兩個(gè)數(shù)據(jù)集評(píng)估結(jié)果各隨機(jī)抽取的一組實(shí)驗(yàn)過(guò)程中100次迭代后準(zhǔn)確率以及損失函數(shù)變化的曲線(xiàn)圖,如圖4所示。由圖4可以看出當(dāng)學(xué)習(xí)率為10-4時(shí),網(wǎng)絡(luò)在大約40次迭代后就可以初步收斂;在通過(guò)階梯學(xué)習(xí)率第一次衰減收縮之后(約55次迭代),網(wǎng)絡(luò)本身的識(shí)別準(zhǔn)確率還能有約5個(gè)百分點(diǎn)的提升;而在學(xué)習(xí)率第二次衰減收縮之后(約80次迭代),網(wǎng)絡(luò)的準(zhǔn)確率沒(méi)有明顯提升,也就說(shuō)明網(wǎng)絡(luò)整體已經(jīng)達(dá)到全局收斂。

    圖4 兩個(gè)鳥(niǎo)聲數(shù)據(jù)集上訓(xùn)練過(guò)程中識(shí)別準(zhǔn)確率和損失函數(shù)變化曲線(xiàn)Fig.4 Variation curves of the recognition accuracy and loss function in training process on the two bird sound datasets

    此外,為了驗(yàn)證本文所提方法的有效性,將本文方法與其他方法進(jìn)行了對(duì)比實(shí)驗(yàn)。

    (1) VGGNet方法[9]:提取鳥(niǎo)聲信號(hào)并通過(guò)STFT轉(zhuǎn)化為語(yǔ)譜圖,利用數(shù)據(jù)增強(qiáng)得到擴(kuò)充后的數(shù)據(jù)集,輸入到改進(jìn)后的VGGNet中進(jìn)行訓(xùn)練,最后通過(guò)全連接層得到鳥(niǎo)聲分類(lèi)的結(jié)果。

    (2) CRNN方法[10]:對(duì)音頻提取一維靜態(tài)對(duì)數(shù)梅爾(log-mel)頻譜值,升維處理后通過(guò)由CNN和GRU[22]組成的融合網(wǎng)絡(luò)得到鳥(niǎo)聲識(shí)別結(jié)果。

    (3) CNN-LSTM方法[11]:通過(guò)音頻得到log-Mel頻譜值轉(zhuǎn)化為MFCC靜態(tài)分量和Mel語(yǔ)譜圖,對(duì)MFCC靜態(tài)分量進(jìn)行升維操作后與語(yǔ)譜圖數(shù)組拼接輸入到CNN和LSTM級(jí)聯(lián)的網(wǎng)絡(luò),自適應(yīng)完成鳥(niǎo)聲識(shí)別。

    (4) BiLSTM-DenseNet方法[20]:將音頻中提取的對(duì)數(shù)梅爾(log-Mel)頻譜值轉(zhuǎn)換為梅爾語(yǔ)譜圖,輸入到由雙向LSTM和DesenNet并行拼接組成的神經(jīng)網(wǎng)絡(luò)中完成鳥(niǎo)聲識(shí)別。

    本文方法與上述方法進(jìn)行對(duì)比,在兩個(gè)數(shù)據(jù)集中不同方法下的鳥(niǎo)聲識(shí)別準(zhǔn)確率和F1-score得分如表5所示。

    表5 在鳥(niǎo)聲數(shù)據(jù)集上不同方法的鳥(niǎo)聲識(shí)別結(jié)果Table 5 Bird sound recognition results of different methods on two bird sound datasets

    由表5可知,本文提出的CNN+Transformer網(wǎng)絡(luò)與上述方法相比,在兩個(gè)鳥(niǎo)聲數(shù)據(jù)集中識(shí)別準(zhǔn)確率均有了相應(yīng)的提升。在Birdsdata數(shù)據(jù)集上,CNN+Transformer網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率可達(dá)到97.81%,F(xiàn)1-score得分能達(dá)到97.69%,與VGGNet、CRNN、CNN-LSTM、BiLSTM-DenseNet等方法相比準(zhǔn)確率分別提升了4.57、3.05、2.23、5.61個(gè)百分點(diǎn)。在xeno-canto數(shù)據(jù)集上CNN+Transformer網(wǎng)絡(luò)的準(zhǔn)確率可達(dá)89.47%,F(xiàn)1-score得分可達(dá)到87.32%,與VGGNet、CRNN、CNN-LSTM、BiLSTM-DenseNet等方法相比準(zhǔn)確率分別提升了12.16、3.52、1.28、10.25個(gè)百分點(diǎn)。

    此外,為了證明本文中上下兩條分支各自對(duì)特征利用的有效性,實(shí)驗(yàn)中對(duì)CNN(ResNet50)以STFT語(yǔ)譜圖作為輸入、對(duì)Transformer網(wǎng)絡(luò)以MFCC混合特征向量作為輸入分別進(jìn)行實(shí)驗(yàn)。由實(shí)驗(yàn)結(jié)果可知,CNN(ResNet50)在Birdsdata和xenocanto數(shù)據(jù)集上的準(zhǔn)確率分別為95.57%和83.01%,而Transformer網(wǎng)絡(luò)在兩個(gè)數(shù)據(jù)集上的準(zhǔn)確率分別為95.91%和88.45%,均能達(dá)到和文獻(xiàn)[11]中方法接近或更優(yōu)的識(shí)別效果,可見(jiàn)CNN利用對(duì)局部特征的抓取能力以及Transformer網(wǎng)絡(luò)中所用到的多頭注意力機(jī)制,通過(guò)加強(qiáng)對(duì)重要位置的關(guān)注能在一定程度上提高識(shí)別的準(zhǔn)確率。因此,將兩種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行并聯(lián)得到的CNN+Transformer網(wǎng)絡(luò)最終能得到判別能力更強(qiáng)的融合特征,使得最終通過(guò)softmax分類(lèi)器得到的識(shí)別效果更好。此外,可以看到在兩個(gè)風(fēng)格不同的數(shù)據(jù)集上,本文所提出的方法均取得了較好的識(shí)別效果,說(shuō)明了CNN+Transformer網(wǎng)絡(luò)具有較強(qiáng)的魯棒性。

    表6為各文獻(xiàn)方法和本文方法的參數(shù)量對(duì)比,以及在Birdsdata數(shù)據(jù)集上訓(xùn)練時(shí)間(每一個(gè)epoch)的比較。

    表6 不同方法網(wǎng)絡(luò)參數(shù)量以及在Birdsdata數(shù)據(jù)集上訓(xùn)練時(shí)間對(duì)比Table 6 Comparison of the network parameters and training times of different methods on Birdsdata dataset

    由表6可知,本文所提方法網(wǎng)絡(luò)參數(shù)量略大于文獻(xiàn)[10-11]的網(wǎng)絡(luò),但是準(zhǔn)確率相比之下提高了2~3個(gè)百分點(diǎn)。此外,本文網(wǎng)絡(luò)的訓(xùn)練速度僅略微小于文獻(xiàn)[20]的方法,準(zhǔn)確率卻遠(yuǎn)高于該方法。綜合兩者來(lái)看,本文所提方法能基本做到在不增加較大計(jì)算量的基礎(chǔ)上,高效利用所提取的鳥(niǎo)聲特征,從而顯著提高網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率。

    3 結(jié) 論

    目前對(duì)于基于深度學(xué)習(xí)的鳥(niǎo)聲識(shí)別研究來(lái)說(shuō),如何有效利用從音頻信號(hào)中提取的各種時(shí)頻域特征信息是一個(gè)值得深入研究的問(wèn)題。本文提出的CNN+Transformer網(wǎng)絡(luò),通過(guò)對(duì)STFT語(yǔ)譜圖以及MFCC混合特征向量的提取,利用語(yǔ)譜圖包含的局部特征信息以及MFCC特征所具有的時(shí)頻域相關(guān)信息,結(jié)合網(wǎng)絡(luò)中CNN對(duì)局部細(xì)粒度頻譜特征的關(guān)注以及Transformer解碼器中多頭注意力機(jī)制對(duì)全局上下文時(shí)域信息的加權(quán)計(jì)算,最后篩選出具有較強(qiáng)判別性的鳥(niǎo)聲輸出特征。在Birdsdata數(shù)據(jù)集和xeno-canto數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn),平均識(shí)別準(zhǔn)確率均高于已有方法的平均識(shí)別準(zhǔn)確率,證明了本文所提出網(wǎng)絡(luò)模型的有效性。

    猜你喜歡
    語(yǔ)譜鳥(niǎo)聲特征向量
    清晨,我們走在林子里
    草堂(2023年1期)2023-09-25 08:44:48
    二年制職教本科線(xiàn)性代數(shù)課程的幾何化教學(xué)設(shè)計(jì)——以特征值和特征向量為例
    克羅內(nèi)克積的特征向量
    七種鳥(niǎo)聲
    江南詩(shī)(2020年1期)2020-02-25 14:12:56
    HR-DCGAN方法的帕金森聲紋樣本擴(kuò)充及識(shí)別研究
    基于時(shí)頻域特征的場(chǎng)景音頻研究
    一類(lèi)特殊矩陣特征向量的求法
    閑情
    詩(shī)潮(2017年12期)2018-01-08 07:25:20
    語(yǔ)譜圖二次傅里葉變換特定人二字漢語(yǔ)詞匯識(shí)別
    EXCEL表格計(jì)算判斷矩陣近似特征向量在AHP法檢驗(yàn)上的應(yīng)用
    一进一出好大好爽视频| 国产亚洲av嫩草精品影院| 99精品久久久久人妻精品| 亚洲一区高清亚洲精品| 91九色精品人成在线观看| 悠悠久久av| 国产高清激情床上av| 日本免费a在线| 国产真实乱freesex| 观看免费一级毛片| 精品不卡国产一区二区三区| 我的女老师完整版在线观看| 美女cb高潮喷水在线观看| 亚洲国产精品久久男人天堂| 欧美不卡视频在线免费观看| 久久精品国产自在天天线| 我要看日韩黄色一级片| 亚洲人成伊人成综合网2020| 国产熟女xx| 亚洲精品亚洲一区二区| 国产精品自产拍在线观看55亚洲| 久久99热6这里只有精品| 天堂av国产一区二区熟女人妻| av在线蜜桃| 精品一区二区免费观看| 99久久无色码亚洲精品果冻| 久久久久精品国产欧美久久久| 熟妇人妻久久中文字幕3abv| 少妇被粗大猛烈的视频| 久久6这里有精品| 首页视频小说图片口味搜索| 欧美精品啪啪一区二区三区| 3wmmmm亚洲av在线观看| 亚洲五月天丁香| 男人狂女人下面高潮的视频| 激情在线观看视频在线高清| 久久精品久久久久久噜噜老黄 | 成年免费大片在线观看| 日日摸夜夜添夜夜添av毛片 | 麻豆国产97在线/欧美| 亚洲av免费高清在线观看| 日韩欧美国产在线观看| 亚洲第一区二区三区不卡| 久久久久久久久大av| 性插视频无遮挡在线免费观看| 婷婷丁香在线五月| 国产精品98久久久久久宅男小说| 色吧在线观看| 别揉我奶头~嗯~啊~动态视频| 免费观看精品视频网站| 亚洲中文字幕一区二区三区有码在线看| 国产精品久久久久久精品电影| 色播亚洲综合网| 成人亚洲精品av一区二区| 亚洲欧美日韩东京热| 亚洲美女黄片视频| 欧美zozozo另类| 老司机福利观看| 婷婷亚洲欧美| 国产精品,欧美在线| 成人无遮挡网站| 色尼玛亚洲综合影院| 国语自产精品视频在线第100页| 少妇被粗大猛烈的视频| 免费观看的影片在线观看| 观看免费一级毛片| 欧美日韩黄片免| 男女床上黄色一级片免费看| 老司机午夜十八禁免费视频| 日本熟妇午夜| 亚洲综合色惰| 精品人妻熟女av久视频| 国产伦一二天堂av在线观看| 一区福利在线观看| 国产成人影院久久av| 国产在视频线在精品| 欧美区成人在线视频| 国产精品免费一区二区三区在线| 可以在线观看的亚洲视频| 免费一级毛片在线播放高清视频| 亚洲美女黄片视频| 久久天躁狠狠躁夜夜2o2o| 99久久成人亚洲精品观看| 一级黄色大片毛片| 精品久久国产蜜桃| 亚洲成a人片在线一区二区| 91狼人影院| 精品久久久久久,| 成人午夜高清在线视频| 国产 一区 欧美 日韩| 亚洲专区国产一区二区| 天堂√8在线中文| 日韩 亚洲 欧美在线| 少妇的逼水好多| 久久人人精品亚洲av| 51午夜福利影视在线观看| 亚洲人成网站在线播| 婷婷精品国产亚洲av| 九九久久精品国产亚洲av麻豆| 欧美xxxx黑人xx丫x性爽| 日韩欧美国产在线观看| 成人国产一区最新在线观看| 岛国在线免费视频观看| 久久国产精品人妻蜜桃| 男人舔奶头视频| 深爱激情五月婷婷| 久久伊人香网站| 九九在线视频观看精品| 国产精品日韩av在线免费观看| 国产日本99.免费观看| 国产伦一二天堂av在线观看| 男女做爰动态图高潮gif福利片| 性色avwww在线观看| 99热这里只有是精品50| av天堂在线播放| 国产伦人伦偷精品视频| 高清在线国产一区| 日本免费一区二区三区高清不卡| 男女之事视频高清在线观看| 久久久久精品国产欧美久久久| 国产午夜福利久久久久久| 国产精品日韩av在线免费观看| 夜夜夜夜夜久久久久| 亚洲最大成人中文| 久久久久久久久久黄片| 97超级碰碰碰精品色视频在线观看| 亚洲,欧美,日韩| 国产精品野战在线观看| 国内少妇人妻偷人精品xxx网站| 成人特级av手机在线观看| 国产亚洲欧美98| 婷婷亚洲欧美| 麻豆国产97在线/欧美| 夜夜夜夜夜久久久久| 99久久九九国产精品国产免费| 久久这里只有精品中国| 成人性生交大片免费视频hd| 搡老熟女国产l中国老女人| 丁香欧美五月| 男人和女人高潮做爰伦理| 在线国产一区二区在线| 国产男靠女视频免费网站| 69人妻影院| 丰满人妻熟妇乱又伦精品不卡| 动漫黄色视频在线观看| 国内毛片毛片毛片毛片毛片| 国产大屁股一区二区在线视频| 老熟妇仑乱视频hdxx| 欧美性猛交╳xxx乱大交人| 首页视频小说图片口味搜索| 不卡一级毛片| 日韩欧美免费精品| 日本一本二区三区精品| 2021天堂中文幕一二区在线观| 色播亚洲综合网| 成人美女网站在线观看视频| 美女免费视频网站| 欧美色视频一区免费| 99久久99久久久精品蜜桃| 男女下面进入的视频免费午夜| 嫁个100分男人电影在线观看| 成人欧美大片| 亚洲乱码一区二区免费版| 日本 欧美在线| 久久人妻av系列| 又粗又爽又猛毛片免费看| 国产高清有码在线观看视频| 中文字幕久久专区| 亚洲国产精品999在线| 精品久久久久久久末码| 人人妻人人看人人澡| 丁香欧美五月| 亚洲成人久久爱视频| 特级一级黄色大片| АⅤ资源中文在线天堂| 亚洲人成网站在线播| 亚洲中文字幕一区二区三区有码在线看| 听说在线观看完整版免费高清| 亚洲美女搞黄在线观看 | av天堂中文字幕网| 亚洲内射少妇av| 亚洲欧美精品综合久久99| 全区人妻精品视频| 一个人免费在线观看电影| 尤物成人国产欧美一区二区三区| 日韩欧美国产一区二区入口| 毛片女人毛片| 欧美精品啪啪一区二区三区| 亚洲18禁久久av| 国产视频内射| 午夜福利在线观看免费完整高清在 | 色播亚洲综合网| 免费观看精品视频网站| 男女做爰动态图高潮gif福利片| 精品一区二区三区视频在线| 精品福利观看| or卡值多少钱| 国产大屁股一区二区在线视频| 午夜免费成人在线视频| 一本久久中文字幕| 亚洲最大成人中文| 最近视频中文字幕2019在线8| 国内久久婷婷六月综合欲色啪| 国内少妇人妻偷人精品xxx网站| 亚洲av熟女| 怎么达到女性高潮| 日韩欧美一区二区三区在线观看| 最新在线观看一区二区三区| 1000部很黄的大片| 免费大片18禁| 国产av麻豆久久久久久久| 国产不卡一卡二| 精品欧美国产一区二区三| 久久久久久久久久成人| 亚洲精品粉嫩美女一区| 亚洲第一电影网av| 成人三级黄色视频| 老司机午夜十八禁免费视频| 亚洲成人久久性| 狠狠狠狠99中文字幕| 免费人成在线观看视频色| 一a级毛片在线观看| 国产淫片久久久久久久久 | 嫩草影院精品99| 亚洲国产精品久久男人天堂| 少妇人妻一区二区三区视频| 1024手机看黄色片| 三级男女做爰猛烈吃奶摸视频| 乱人视频在线观看| 精品国内亚洲2022精品成人| 亚洲综合色惰| 欧美3d第一页| 亚洲专区中文字幕在线| 色精品久久人妻99蜜桃| 欧美日韩瑟瑟在线播放| 亚洲最大成人av| 久久人妻av系列| 美女免费视频网站| 夜夜夜夜夜久久久久| 亚洲一区二区三区色噜噜| 69av精品久久久久久| 人妻丰满熟妇av一区二区三区| 在线观看一区二区三区| 麻豆av噜噜一区二区三区| 三级国产精品欧美在线观看| 久久久久久久精品吃奶| 亚洲中文日韩欧美视频| 十八禁网站免费在线| 亚洲人成网站在线播| 久久久久亚洲av毛片大全| 日本一二三区视频观看| 国产免费男女视频| 亚洲av电影在线进入| 精品久久久久久久久久免费视频| 国产欧美日韩一区二区三| 免费在线观看成人毛片| 国产一级毛片七仙女欲春2| 日本a在线网址| 波多野结衣巨乳人妻| 我的女老师完整版在线观看| 国内久久婷婷六月综合欲色啪| 亚洲乱码一区二区免费版| 午夜精品久久久久久毛片777| .国产精品久久| 日韩欧美免费精品| 亚洲午夜理论影院| 成人特级av手机在线观看| 十八禁国产超污无遮挡网站| 欧美bdsm另类| 一级黄片播放器| 色哟哟哟哟哟哟| 男女视频在线观看网站免费| 亚洲一区二区三区不卡视频| 少妇的逼好多水| 国产久久久一区二区三区| 日韩精品青青久久久久久| 欧美性猛交黑人性爽| 精品99又大又爽又粗少妇毛片 | av在线观看视频网站免费| 好男人在线观看高清免费视频| 亚洲av五月六月丁香网| 嫩草影院新地址| 午夜视频国产福利| 少妇的逼好多水| 久久久久久久亚洲中文字幕 | 国产成人a区在线观看| 久久精品国产自在天天线| 亚洲欧美激情综合另类| 91久久精品电影网| 精品一区二区三区视频在线| 三级国产精品欧美在线观看| 男插女下体视频免费在线播放| 国产精品乱码一区二三区的特点| 国产精品精品国产色婷婷| 窝窝影院91人妻| 亚洲,欧美精品.| 亚洲国产精品久久男人天堂| 热99在线观看视频| 午夜福利成人在线免费观看| 久久国产乱子免费精品| 国产成人欧美在线观看| 人人妻人人澡欧美一区二区| 日本一二三区视频观看| 日本黄色视频三级网站网址| 午夜免费激情av| 欧美绝顶高潮抽搐喷水| 舔av片在线| 啦啦啦观看免费观看视频高清| 最新中文字幕久久久久| 麻豆av噜噜一区二区三区| 国产三级中文精品| 18禁黄网站禁片午夜丰满| 亚洲 欧美 日韩 在线 免费| 国产成人影院久久av| 亚洲av二区三区四区| 性色av乱码一区二区三区2| 丁香六月欧美| www.999成人在线观看| 黄色丝袜av网址大全| 日韩中字成人| 婷婷丁香在线五月| 少妇丰满av| 久久久国产成人精品二区| 亚洲精品在线观看二区| 亚洲人与动物交配视频| 在线观看av片永久免费下载| 狂野欧美白嫩少妇大欣赏| 国内精品美女久久久久久| 久久久久国内视频| 变态另类成人亚洲欧美熟女| 欧美黑人巨大hd| 国产精品国产高清国产av| 日本免费a在线| 色5月婷婷丁香| 淫秽高清视频在线观看| 国产亚洲精品av在线| 亚洲国产欧美人成| 亚洲av中文字字幕乱码综合| 淫秽高清视频在线观看| 国产熟女xx| 最近视频中文字幕2019在线8| 人人妻人人看人人澡| 国产精品日韩av在线免费观看| 欧美最黄视频在线播放免费| 女生性感内裤真人,穿戴方法视频| 亚洲在线观看片| 99热只有精品国产| 精品一区二区三区av网在线观看| 国产精品一区二区三区四区久久| 欧美一级a爱片免费观看看| 国产私拍福利视频在线观看| 老女人水多毛片| 男人舔女人下体高潮全视频| 日本在线视频免费播放| 免费av毛片视频| 亚洲国产精品久久男人天堂| 国产私拍福利视频在线观看| 淫妇啪啪啪对白视频| 亚洲av美国av| 高潮久久久久久久久久久不卡| 丰满人妻一区二区三区视频av| 欧美日韩亚洲国产一区二区在线观看| 草草在线视频免费看| 蜜桃久久精品国产亚洲av| 久久精品久久久久久噜噜老黄 | 小说图片视频综合网站| 午夜福利视频1000在线观看| 国产一级毛片七仙女欲春2| 亚洲av免费高清在线观看| 亚洲中文字幕一区二区三区有码在线看| 青草久久国产| 一区二区三区高清视频在线| 少妇人妻精品综合一区二区 | 桃红色精品国产亚洲av| 国产精品一区二区性色av| 亚洲欧美日韩高清专用| 91字幕亚洲| 国产美女午夜福利| 午夜影院日韩av| 男人狂女人下面高潮的视频| 中文字幕人成人乱码亚洲影| 国产久久久一区二区三区| 国产免费av片在线观看野外av| 国产成人啪精品午夜网站| 九九久久精品国产亚洲av麻豆| 色尼玛亚洲综合影院| 久久久久久久久大av| 久久国产精品人妻蜜桃| 国产成人福利小说| 午夜日韩欧美国产| 免费观看人在逋| 成人高潮视频无遮挡免费网站| av视频在线观看入口| 亚洲色图av天堂| 18美女黄网站色大片免费观看| 国产精品1区2区在线观看.| 亚洲五月天丁香| 99视频精品全部免费 在线| 免费观看的影片在线观看| av在线蜜桃| 国产成人aa在线观看| 欧美又色又爽又黄视频| 国产v大片淫在线免费观看| 色噜噜av男人的天堂激情| 欧美另类亚洲清纯唯美| 色综合亚洲欧美另类图片| 精品人妻一区二区三区麻豆 | 999久久久精品免费观看国产| 桃红色精品国产亚洲av| 国内少妇人妻偷人精品xxx网站| 午夜激情福利司机影院| 亚洲精品日韩av片在线观看| 高清在线国产一区| 亚洲自偷自拍三级| 日韩欧美在线乱码| 性色av乱码一区二区三区2| 婷婷亚洲欧美| 禁无遮挡网站| 嫩草影视91久久| 99久久精品国产亚洲精品| 97人妻精品一区二区三区麻豆| 精品日产1卡2卡| 久久99热这里只有精品18| 国产高清三级在线| 亚洲精品粉嫩美女一区| 一本综合久久免费| 91久久精品国产一区二区成人| 在线观看66精品国产| 给我免费播放毛片高清在线观看| 大型黄色视频在线免费观看| 首页视频小说图片口味搜索| 久久婷婷人人爽人人干人人爱| 最近最新中文字幕大全电影3| www.999成人在线观看| 少妇的逼水好多| 天美传媒精品一区二区| 欧美日韩综合久久久久久 | 女人被狂操c到高潮| 少妇丰满av| 国产大屁股一区二区在线视频| 长腿黑丝高跟| 韩国av一区二区三区四区| 日本a在线网址| 在线a可以看的网站| 男人和女人高潮做爰伦理| 嫩草影视91久久| 一级av片app| 久久99热这里只有精品18| 成人美女网站在线观看视频| 最近视频中文字幕2019在线8| 成人高潮视频无遮挡免费网站| 欧美xxxx黑人xx丫x性爽| av在线蜜桃| xxxwww97欧美| 九九久久精品国产亚洲av麻豆| 久久久精品大字幕| 听说在线观看完整版免费高清| 国内精品一区二区在线观看| 99久久久亚洲精品蜜臀av| 成人av在线播放网站| 最好的美女福利视频网| 亚洲av电影不卡..在线观看| 国产精品免费一区二区三区在线| 少妇的逼水好多| 最近中文字幕高清免费大全6 | 国产一级毛片七仙女欲春2| 午夜激情福利司机影院| 男女下面进入的视频免费午夜| eeuss影院久久| 直男gayav资源| 天堂√8在线中文| 色5月婷婷丁香| 亚洲五月天丁香| 每晚都被弄得嗷嗷叫到高潮| 色视频www国产| 男人舔女人下体高潮全视频| 人妻丰满熟妇av一区二区三区| 最近视频中文字幕2019在线8| 成年版毛片免费区| 国模一区二区三区四区视频| 亚洲专区国产一区二区| 一进一出抽搐动态| 婷婷色综合大香蕉| 夜夜躁狠狠躁天天躁| 欧美性猛交╳xxx乱大交人| 成人国产综合亚洲| 欧美成狂野欧美在线观看| 亚洲精品亚洲一区二区| 内地一区二区视频在线| 亚洲熟妇熟女久久| 欧美乱色亚洲激情| 亚洲精华国产精华精| 三级国产精品欧美在线观看| 国产单亲对白刺激| 美女高潮喷水抽搐中文字幕| 亚洲成av人片在线播放无| 51午夜福利影视在线观看| 在线观看免费视频日本深夜| 亚洲人与动物交配视频| 热99在线观看视频| 国产激情偷乱视频一区二区| 最近中文字幕高清免费大全6 | 又粗又爽又猛毛片免费看| 人妻久久中文字幕网| 亚洲av免费在线观看| 日日摸夜夜添夜夜添av毛片 | 蜜桃亚洲精品一区二区三区| 国产精品,欧美在线| 9191精品国产免费久久| 一区二区三区免费毛片| 国产精品久久久久久亚洲av鲁大| 中文字幕免费在线视频6| 欧美黑人欧美精品刺激| 好看av亚洲va欧美ⅴa在| 久久久久国内视频| 国产av在哪里看| av黄色大香蕉| 国产一区二区亚洲精品在线观看| 成年版毛片免费区| 亚洲人与动物交配视频| 国产精品av视频在线免费观看| 精品国内亚洲2022精品成人| 51午夜福利影视在线观看| 欧美日韩黄片免| 成年女人毛片免费观看观看9| 88av欧美| 亚洲,欧美,日韩| 午夜免费激情av| 91字幕亚洲| 亚洲一区高清亚洲精品| 美女高潮喷水抽搐中文字幕| 内射极品少妇av片p| 在现免费观看毛片| 精品久久久久久,| 亚洲人成网站高清观看| 免费大片18禁| 亚洲一区二区三区色噜噜| 亚洲第一欧美日韩一区二区三区| 亚洲自偷自拍三级| 人妻制服诱惑在线中文字幕| 1024手机看黄色片| 亚洲成人精品中文字幕电影| 亚洲在线观看片| 狠狠狠狠99中文字幕| 身体一侧抽搐| 极品教师在线视频| 色哟哟·www| 网址你懂的国产日韩在线| 成人性生交大片免费视频hd| 国产高清激情床上av| 日韩欧美在线乱码| 99riav亚洲国产免费| 久久人人精品亚洲av| 精品一区二区三区av网在线观看| 69人妻影院| 欧美一区二区精品小视频在线| 蜜桃久久精品国产亚洲av| 欧美性猛交黑人性爽| 在线观看免费视频日本深夜| 成人鲁丝片一二三区免费| 国产精品一区二区三区四区久久| 亚洲国产精品合色在线| 一进一出抽搐动态| 亚洲av.av天堂| 欧美乱色亚洲激情| 精品一区二区三区视频在线| av欧美777| 可以在线观看毛片的网站| 嫩草影院入口| 欧美又色又爽又黄视频| 十八禁国产超污无遮挡网站| 两个人视频免费观看高清| 亚洲成人久久性| 校园春色视频在线观看| 久久久久久国产a免费观看| 麻豆成人av在线观看| 色视频www国产| 国产欧美日韩精品亚洲av| 精品福利观看| 桃色一区二区三区在线观看| 日本精品一区二区三区蜜桃| 亚洲最大成人中文| 狂野欧美白嫩少妇大欣赏| 免费电影在线观看免费观看| 亚洲va日本ⅴa欧美va伊人久久| 能在线免费观看的黄片| 一进一出好大好爽视频| 熟妇人妻久久中文字幕3abv| 国产人妻一区二区三区在| 婷婷六月久久综合丁香| 亚洲无线观看免费| 麻豆成人午夜福利视频| 精品一区二区免费观看| 熟妇人妻久久中文字幕3abv| 精品熟女少妇八av免费久了| 香蕉av资源在线| 亚洲欧美日韩东京热| 热99re8久久精品国产| 亚洲av美国av| 亚洲色图av天堂| 成年免费大片在线观看| 99在线人妻在线中文字幕| 麻豆成人av在线观看| 老司机午夜福利在线观看视频| 久久精品综合一区二区三区| 国产老妇女一区| 精品午夜福利视频在线观看一区| 久久久久久久午夜电影| 久久精品91蜜桃| 国产成人啪精品午夜网站| 国内毛片毛片毛片毛片毛片| 一进一出抽搐gif免费好疼| 国产成人欧美在线观看| 亚洲av日韩精品久久久久久密| 亚洲电影在线观看av|