• <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 ?

    面向多姿態(tài)點(diǎn)云目標(biāo)的在線類增量學(xué)習(xí)

    2023-11-18 12:13:02張潤江郭杰龍王希豪
    液晶與顯示 2023年11期
    關(guān)鍵詞:災(zāi)難性姿態(tài)準(zhǔn)確率

    張潤江,郭杰龍,俞 輝,蘭 海,王希豪,魏 憲*

    (1.福州大學(xué) 電氣工程與自動(dòng)化學(xué)院,福建 福州 350108;2.中國科學(xué)院 福建物質(zhì)結(jié)構(gòu)研究所,福建 福州 350002;3.中國科學(xué)院 海西研究院 泉州裝備制造研究中心,福建 泉州 362000)

    1 引 言

    深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks,DNN)已經(jīng)在許多機(jī)器學(xué)習(xí)任務(wù)中取得了巨大的成功[1-3],這些任務(wù)都是基于獨(dú)立同分布(Independent Identically Distributed,IID)數(shù)據(jù)。這一設(shè)定違反了實(shí)際應(yīng)用中所面臨的非平穩(wěn)數(shù)據(jù)分布,如自動(dòng)駕駛、智能對話系統(tǒng)、智慧醫(yī)療和其他實(shí)時(shí)應(yīng)用。面對非IID 數(shù)據(jù),當(dāng)DNN 對新任務(wù)進(jìn)行再訓(xùn)練時(shí),神經(jīng)網(wǎng)絡(luò)在過去任務(wù)中的性能表現(xiàn)會(huì)迅速下降,這被稱為災(zāi)難性遺忘[4]。增量學(xué)習(xí)(Incremental Learning,IL)[5]的出現(xiàn) 使DNN 能夠在 學(xué)習(xí)新知識(shí)的同時(shí)保留先前獲得的知識(shí),使模型具有可塑性-穩(wěn)定性[6]。

    傳統(tǒng)的增量學(xué)習(xí)大都是以離線的方式訓(xùn)練模型,即通過重復(fù)訓(xùn)練多批次當(dāng)前任務(wù)的數(shù)據(jù)來增加模型的擬合效果。然而,由于隱私問題或者內(nèi)存限制,離線的設(shè)定不再適用。本文考慮了一項(xiàng)具有挑戰(zhàn)性的單次數(shù)據(jù)流任務(wù),即在線類增量學(xué) 習(xí)(Online Class-Incremental Learning,OCIL)[7]。OCIL 限制每個(gè)訓(xùn)練任務(wù)的樣本流只能看到一次,并且是非IID 的。

    以往IL 和OCIL 的研究對象都是具有固定姿態(tài)的樣本流,即每個(gè)樣本都預(yù)先進(jìn)行了矯正。這種設(shè)定對自動(dòng)駕駛等實(shí)時(shí)應(yīng)用是不負(fù)責(zé)任的,它們在真實(shí)情況中所面臨的數(shù)據(jù)流是各個(gè)姿態(tài)的,即樣本特征存在平移、旋轉(zhuǎn)對稱變換[8]。常用的數(shù)據(jù)擴(kuò)充方法[9]在面對OCIL 這種單次數(shù)據(jù)流時(shí)也變得不再適用,特別是3D 目標(biāo)姿態(tài)的高復(fù)雜性對網(wǎng)絡(luò)提出了更嚴(yán)格的要求。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)只具有平移等變性[10]而不具備旋轉(zhuǎn)等變性。在IL 任務(wù)中,除了新任務(wù)帶來的影響外,造成遺忘的另一個(gè)重要原因是網(wǎng)絡(luò)沒能提取到目標(biāo)足夠的幾何信息,而更多地關(guān)注到了一些無關(guān)特征,如固定的位置信息而不是目標(biāo)本身之間的結(jié)構(gòu)信息。保證遺忘率盡可能低首先要保證能夠?qū)W到更豐富的幾何特征,為此,我們基于李群引入旋轉(zhuǎn)等變機(jī)制[11-13]降低網(wǎng)絡(luò)受目標(biāo)姿態(tài)的影響。同時(shí),使用點(diǎn)云數(shù)據(jù)以坐標(biāo)和特征值的形式出現(xiàn),即,此設(shè)定可以方便網(wǎng)絡(luò)提取目標(biāo)的幾何信息,且通用于2D 和3D 的數(shù)據(jù)。

    常見的類增量學(xué)習(xí)方法大致分為3 大類:參數(shù)隔離方法[14-16]、正則化方法[17-19]和記憶重放方法[20-22]。參數(shù)隔離方法是通過擴(kuò)展網(wǎng)絡(luò)模型為代價(jià)提高網(wǎng)絡(luò)的可塑性,以適應(yīng)新的學(xué)習(xí)任務(wù)。隨著新類別的增加,該方法將會(huì)導(dǎo)致參數(shù)量線性增長,從而變得不可持續(xù)。正則化方法通過添加正則項(xiàng),在學(xué)習(xí)新的別類時(shí)約束參數(shù)的更新方向來避免災(zāi)難性遺忘。但正則化通常以犧牲可塑性為代價(jià),不僅會(huì)降低對新知識(shí)的接納程度,還增加了先前知識(shí)的遺忘率,往往表現(xiàn)不佳[23]。相比之下,記憶重放的方法已經(jīng)比較成熟,將舊任務(wù)數(shù)據(jù)流中的少量樣本存儲(chǔ)在存儲(chǔ)器中,并在新任務(wù)的訓(xùn)練中重放它們。該方法在許多具有挑戰(zhàn)性的場景中都具有最優(yōu)的表現(xiàn),在IL 中發(fā)揮著關(guān)鍵的作用。本文在研究中采用基于記憶重放的方法。

    基于以上問題,本文提出無視姿態(tài)重放方法,主要工作有:

    (1)考慮更符合現(xiàn)實(shí)情況的復(fù)雜設(shè)定,即面向多姿態(tài)目標(biāo)的在線類增量學(xué)習(xí)。

    (2)提出一個(gè)通用于2D 和3D 數(shù)據(jù)的OCIL模型?;诶钊阂胄D(zhuǎn)平移等變機(jī)制,使網(wǎng)絡(luò)能夠提取更豐富的幾何信息,減弱目標(biāo)姿態(tài)的影響,從而緩解災(zāi)難性遺忘。

    (3)提出基于損失變化的記憶重放策略,在圖像分類基準(zhǔn)數(shù)據(jù)集MNIST、RotMNIST、CIFAR-10 和trCIFAR-10,3D 點(diǎn)云基準(zhǔn)數(shù)據(jù)集ModelNet40 和trModelNet40 上進(jìn)行了實(shí)驗(yàn)。本文方法在目標(biāo)多姿態(tài)的設(shè)定下顯著優(yōu)于對比方法。

    2 相關(guān)基礎(chǔ)

    2.1 類增量學(xué)習(xí)

    一般情況下,類增量學(xué)習(xí)是涉及T個(gè)任務(wù)的順序?qū)W習(xí),這些任務(wù)由不同的類集組成,在不同學(xué)習(xí)階段逐漸增加,且須在任何一個(gè)訓(xùn)練任務(wù)t中對前t-1 個(gè)任務(wù)中所看到過的類能夠準(zhǔn)確分類[24-27],可以按以下方式設(shè)定:

    其中:C表示所有類別的集合;Tt表示C中分配給任務(wù)t的子集,其由分配函數(shù)Ψ決定表示類別c的樣本集;則表示任務(wù)t的樣本集,且=?。值得注意的是,不同類別c的樣本集數(shù)量Mc可以相同也可以不同,本文考慮Mc相同情況下的場景。

    2.2 等變性和不變性

    等變性:當(dāng)一個(gè)函數(shù)f:X→Y的定義域X被對稱群G作用,然后計(jì)算函數(shù)f所得到的結(jié)果等同于先計(jì)算函數(shù)f,然后計(jì)算應(yīng)用群G作用得到的結(jié)果一樣時(shí),我們稱函數(shù)f關(guān)于變換G是等變的,如公式(2)所示:

    其中,g∈G是對稱群G的一個(gè)群元素。

    不變性:同理,當(dāng)一個(gè)函數(shù)f:X→Y的定義域X被對稱群G作用,然后計(jì)算函數(shù)f所得到的結(jié)果同直接計(jì)算函數(shù)f得到的結(jié)果一樣時(shí),我們稱函數(shù)f關(guān)于變換G是不變的,如公式(3)所示:

    在分類任務(wù)中,我們期待的是對輸入進(jìn)行任何對稱變換,最終得到的結(jié)果不發(fā)生變化,即不變性。通常的解決辦法是將具有不變性的函數(shù)f與等變函數(shù)fk組合在一起,最終達(dá)到不變性。證明過程如式(4)所示[28]:

    其中:群表示π1,…,πK分別作用于函數(shù)f1,…,fK上,且fk關(guān) 于πk,πk-1等 變,即fk°πk-1=πk°fk,k∈{1,2,…,K},函數(shù)f關(guān)于πk不變,即f°πk=f,因此f°fK°…°f1是不變函數(shù)。

    群等變:深度學(xué)習(xí)中最常見的等變是卷積層的平移等變性,即Lt f(x)=f(x+t),然而卻不具備旋轉(zhuǎn)等變性,即Lr f(x)≠f(r°x)。為了能處理多姿態(tài)數(shù)據(jù),最初的辦法是數(shù)據(jù)擴(kuò)充[29-30]。2016 年,文獻(xiàn)[8]基于p4 群和p4m 群首次提出了具有旋轉(zhuǎn)對稱性的群等變卷積神經(jīng)網(wǎng)絡(luò)。從此,關(guān)于群等變性的研究吸引了許多學(xué)者的注意。例如文獻(xiàn)[11,31-32]提出基于SO(3)的三維旋轉(zhuǎn)群,文獻(xiàn)[33-34]提出基于SE(d)的平移旋轉(zhuǎn)群,文獻(xiàn)[35]提出基于R*×T(2)的平移放縮群等。

    2.3 點(diǎn)卷積

    本文使用通用于圖像和點(diǎn)云的點(diǎn)卷積網(wǎng)絡(luò)[36-37],其定義如公式(5)所示:

    其中:gθ:Rd→為卷積濾波器,f(·):Rd→為輸入特征圖,h(·):Rd→為輸出。

    離散化后如公式(6)所示:

    其中:V為積分空間體積,n為正交點(diǎn)的數(shù)量。在例如圖像的3×3 卷積層中,gθ對每個(gè)落在3×3網(wǎng)格上的點(diǎn):(-1,-1),(-1,0),…,(1,1)都有獨(dú)立的參數(shù)。

    3 無視姿態(tài)重放的在線類增量學(xué)習(xí)

    我們考慮一個(gè)單次數(shù)據(jù)流的類增量場景,它模擬了一個(gè)實(shí)際的設(shè)置,模型必須對每個(gè)傳入的示例執(zhí)行在線更新,而無需重復(fù)多次訓(xùn)練。在每個(gè)任務(wù)t到來時(shí),系統(tǒng)從數(shù)據(jù)流中接收一組新的樣本:其 中,bs 為每組 的樣本 個(gè)數(shù),xi為原輸入樣本,yi為樣本的標(biāo)簽??紤]到目標(biāo)的多姿態(tài)時(shí),其輸入表示為Tg xi,意為原樣本發(fā)生幾何變換(旋轉(zhuǎn)、平移)后的結(jié)果;g為SE(d)(d=2,3)群的一個(gè)群元素,是對應(yīng)幾何變換的群表示。

    模型結(jié)構(gòu)如圖1 所示,主要包含兩部分:(1)可以提取豐富的幾何特征的分類器θ;(2)基于損失變化的記憶重放。

    圖1 模型結(jié)構(gòu)圖Fig.1 Model structure diagram

    3.1 具有多姿態(tài)識(shí)別能力的分類器θ

    為了降低OCIL 任務(wù)中網(wǎng)絡(luò)受目標(biāo)姿態(tài)的影響,同時(shí)提取更豐富的幾何特征,減少災(zāi)難性遺忘,我們提出具有抗旋轉(zhuǎn)平移幾何變換能力的分類器,即圖1 中的θ。分類器為在骨干網(wǎng)絡(luò)PointNet++[38]上進(jìn)行的改造,主要加入3 部分:點(diǎn)云化處理、群等變點(diǎn)卷積層和群全局池化層。

    點(diǎn)云化處理負(fù)責(zé)將原輸入轉(zhuǎn)換成點(diǎn)云數(shù)據(jù),其過程如公式(7)所示:

    其中:x是原始輸入,當(dāng)輸入是圖像數(shù)據(jù)時(shí)d=2,當(dāng)輸入是3D 數(shù)據(jù)時(shí)d=3;y是原始輸入映射到高維空間后的點(diǎn)云化結(jié)果,即,xi是點(diǎn)云坐標(biāo),其原點(diǎn)為輸入樣本的幾何中心,fi為每個(gè)點(diǎn)所對應(yīng)的特征值。例如,在CIFAR-10 數(shù)據(jù)集中,xi為(-16,16),(-15,16),…,(16,-16),對應(yīng)原樣本圖片從左上角到右下角的坐標(biāo);fi是為原樣本圖片從左上角到右下角每個(gè)像素點(diǎn)所對應(yīng)的特征值。點(diǎn)云化處理后的高維信息同時(shí)包含了幾何位置和每個(gè)點(diǎn)的特征信息,使得數(shù)據(jù)特征更加豐富,從而能夠更好地提取幾何特征。

    群等變點(diǎn)卷積層負(fù)責(zé)對網(wǎng)絡(luò)進(jìn)行平移旋轉(zhuǎn)等變性改進(jìn)。將點(diǎn)云化信息映射到更高維的空間以提取特征,是使網(wǎng)絡(luò)抗旋轉(zhuǎn)平移幾何變換的關(guān)鍵,其定義由公式(8)和公式(9)給出:

    其 中:g∈SE(d),d=2 適用于xi∈R2,d=3 適用 于xi∈R3,{ui∈SE(d):u0=x},ni=|nbhd(i)|為每個(gè)點(diǎn)鄰域中的點(diǎn)數(shù)。公式(8)只適用于點(diǎn)卷積的第一層,其將輸入從歐式空間映射到了SE(d)所在的李代數(shù)空間,即:Z2?SE(d);公式(9)適用于除第一層以外的所有點(diǎn)卷積層,其在李代數(shù)空間進(jìn)行映射,即SE(d)?SE(d)。值得注意的是,在考慮姿態(tài)的在線類增量學(xué)習(xí)設(shè)定下,xi在不同時(shí)刻表現(xiàn)為不同的Tg xi,即同一個(gè)樣本每次出現(xiàn)都會(huì)表現(xiàn)為不同的姿態(tài)(發(fā)生了不同的平移和旋轉(zhuǎn))。另外,由于SE(d)群是連續(xù)群,并不能窮舉g的所有的情況,我們使用哈爾測度μ進(jìn)行均勻采樣。

    點(diǎn)云化處理后,顯式地蘊(yùn)含了位置信息和特征信息。而群等變點(diǎn)卷積層則能夠?qū)⑤斎胗成涞絊E(d)所在的李代數(shù)空間,該空間融合了樣本不同位置和角度的特征,能夠使網(wǎng)絡(luò)不受目標(biāo)姿態(tài)的影響。同時(shí),點(diǎn)卷積能夠使每個(gè)點(diǎn)鄰域范圍內(nèi)的特征進(jìn)行聚合,表征一定范圍內(nèi)的幾何信息,從而使網(wǎng)絡(luò)能夠提取更豐富的幾何特征。

    群等變點(diǎn)卷積層的具體實(shí)現(xiàn)算法流程如算法1 所示,其關(guān)于旋轉(zhuǎn)和平移變換是等變的,證明過程如式(10)所示:

    其中:Lt f表示對輸入進(jìn)行t(旋轉(zhuǎn)平移)變換,第一行到第二行令x=tx。證明結(jié)果滿足公式(2)中等變性的定義。

    群全局池化層與普通的池化層類似,包括最大池化和平均池化等,本文使用了全局最大池化(GlobalMaxPooling,GP),其定義如公式(11)所示:

    其中,gU是SE(d)的子群U上的一個(gè)g變換。對GP 層的輸入進(jìn)行對稱變化,其輸出總是不變的,即GP 具有不變性,滿足公式(3),放在網(wǎng)絡(luò)的最后用來使模型整體達(dá)到不變性的效果,相當(dāng)于公式(4)中的f,其示意圖如圖2 所示,ki∈gU。

    圖2 全局最大池化層Fig.2 Global maximum pooling layer

    3.2 基于損失變化的記憶重放

    為了應(yīng)對OCIL 挑戰(zhàn),基于記憶重放的方法在固定內(nèi)存中儲(chǔ)存少量訪問過的數(shù)據(jù),并在未來的任務(wù)中進(jìn)行回放,都取得了很好的成效[7,39-40]。我們分配一個(gè)固定內(nèi)存大小的記憶存儲(chǔ)器M(容量為M),當(dāng)樣本流到達(dá)時(shí),使用隨機(jī)采樣[41]來保證記憶的多樣性,同時(shí),儲(chǔ)存了每個(gè)樣本最近一次的損失L,即存儲(chǔ)器中為為了保證M 中的樣本均衡,在每個(gè)新類到達(dá)時(shí)舍棄一部分舊樣本來儲(chǔ)存新樣本,并保證每個(gè)類別的數(shù)量相同。

    記憶重放涉及的關(guān)鍵一步是回放樣本的選擇,我們采用與[7,42]類似的假設(shè),即模型應(yīng)該優(yōu)先回放被忘記的樣本,以減少對早期任務(wù)類別的災(zāi)難性遺忘。算法2 描述了具體的重放過程。在時(shí)刻t,舊模型θold從數(shù)據(jù)流D中接收一批數(shù)據(jù),根據(jù)損失L1執(zhí)行更新產(chǎn)生臨時(shí)模型θtemp,如公式(12)和公式(13)所示:

    其中:?為交叉熵?fù)p失函數(shù),α為學(xué)習(xí)率。接著從存儲(chǔ)器中抽取n2≥n1組數(shù)據(jù),根據(jù)臨時(shí)模型θtemp計(jì)算損失L2,并與Lm進(jìn)行比較,挑出損失變化最大的n1組L2用于更新θtemp,從而產(chǎn)生新模型θnew,如公式(14)和公式(15)所示:

    4 實(shí)驗(yàn)結(jié)果與分析

    4.1 實(shí)驗(yàn)數(shù)據(jù)集

    我們使用MNIST[43]、RotMNIST[44]、CIFAR-10[45]、trCIFAR-10、ModelNet40[46]和trModel-Net40 數(shù)據(jù)集來評(píng)估本文提出的方法。其中,Rot-MNIST 數(shù)據(jù)集由62 000個(gè)隨機(jī)旋轉(zhuǎn)的MNIST 數(shù)字組成,旋轉(zhuǎn)角度從SO(2)中均勻采樣。trCIFAR-10 和trModelNet40 為我們對CIFAR-10 和Model-Net40 進(jìn)行隨機(jī)的平移和旋轉(zhuǎn)的幾何變換,模擬真實(shí)多姿態(tài)場景。MNIST、CIFAR-10、Model-Net40 用于固定姿態(tài)目標(biāo)實(shí)驗(yàn),如圖3(a)所示。RotMNIST、trCIFAR-10、trModelNet40 用于多姿態(tài)目標(biāo)的實(shí)驗(yàn),如圖3(b)所示。我們列出了每個(gè)數(shù)據(jù)集的實(shí)驗(yàn)設(shè)置:

    圖3 固定姿態(tài)目標(biāo)(a)與多姿態(tài)目標(biāo)(b)Fig.3 Fixed posture target(a)and multi-posture target(b)

    (1)MNIST 和RotMNIST:按照每2 類為一個(gè)任務(wù),分為5 個(gè)不同的任務(wù);將圖片轉(zhuǎn)為特征值為像素值的2D 點(diǎn)云輸入,即,其中xi∈R2,fi∈R。遵從文獻(xiàn)[7]的設(shè)定,每項(xiàng)任務(wù)分配1 000 個(gè)樣本用于訓(xùn)練。

    (2)CIFAR-10 和trCIFAR-10:按照每2 類為一個(gè)任務(wù),分為5 個(gè)不同的任務(wù)。將圖片轉(zhuǎn)為特征值為像素值的2D 點(diǎn)云輸入,即其中xi∈R2,fi∈R3。遵從文獻(xiàn)[7]的設(shè)定,每項(xiàng)任務(wù)分配9 500 個(gè)樣本用于訓(xùn)練。

    (3)ModelNet40 和trModelNet40:按照每4 類為一個(gè)任務(wù),分為10 個(gè)不同的任務(wù);點(diǎn)云輸入為其 中xi∈R3,fi=1。由 于Model-Net40 數(shù)據(jù)集不同類的樣本數(shù)量不同,故取每類的80%用于訓(xùn)練,即共有9 843 個(gè)數(shù)據(jù)流用于訓(xùn)練。

    4.2 實(shí)驗(yàn)環(huán)境

    本文所有實(shí)驗(yàn)都在同一學(xué)習(xí)環(huán)境下進(jìn)行,如表1 所示。

    表1 實(shí)驗(yàn)環(huán)境Tab.1 Experimental environment

    4.3 基線和評(píng)價(jià)指標(biāo)

    對于固定姿態(tài)目標(biāo)和多姿態(tài)目標(biāo)的實(shí)驗(yàn),我們考慮了以下設(shè)定作為評(píng)價(jià)基線:

    (1)finte-tuning:微調(diào),在新任務(wù)到達(dá)時(shí)連續(xù)訓(xùn)練,不采用任何防遺忘策略,作為實(shí)驗(yàn)對照下限;

    (2)iid online:所有任務(wù)數(shù)據(jù)同時(shí)出現(xiàn)并訓(xùn)練一次;

    (3)iid offline:允許數(shù)據(jù)多次出現(xiàn)重復(fù)訓(xùn)練,作為實(shí)驗(yàn)的上限。

    這些基線所使用的分類器都是3.1 節(jié)中具有多姿態(tài)識(shí)別能力的分類器。為了評(píng)估不同方法的效果,我們引入兩個(gè)評(píng)價(jià)指標(biāo):最終平均準(zhǔn)確率(AvgACC)和平均遺忘率(AvgF)[41]。

    4.4 實(shí)驗(yàn)分析

    我們在2D 數(shù)據(jù)集上進(jìn)行了評(píng)估,即MNIST、RotMNIST、CIFAR-10 和trCIFAR-10。除 了4.3 節(jié)中提到的基線外,本節(jié)還使用了其他兩種基于記憶重放的類增量學(xué)習(xí)方法作為面向2D 數(shù)據(jù)的對照實(shí)驗(yàn):ER[41]和ER-MIR[7]。我們統(tǒng)一了記憶存儲(chǔ)器的容量M=500,且每批數(shù)據(jù)只迭代1 次。每組實(shí)驗(yàn)進(jìn)行了20 次并取平均值,結(jié)果如表2 所示。

    表2 2D 圖像數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果Tab.2 Experimental results on 2D image data

    可以看到,當(dāng)面對固定姿態(tài)目標(biāo)MNIST 時(shí),本文方法的AvgACC 和AvgF 分別為88.0%和4.1%,均優(yōu)于ER 和ER-MIR 方法,且AvgACC 與基線iid online 接近,說明本文方法可以有效緩解災(zāi)難性遺忘,實(shí)現(xiàn)任務(wù)之間的穩(wěn)定性。當(dāng)面對固定姿態(tài)目標(biāo)CIFAR-10時(shí),本文方法的AvgACC 明顯優(yōu)于ER,與ER-MIR 相比也僅差3.7%,但AvgF明顯優(yōu)于ER 和ER-MIR,證明本文方法可以很大程度緩解災(zāi)難性遺忘。

    而當(dāng)面對多目標(biāo)姿態(tài)RotMNIST 時(shí),ER 和ER-MIR 與它們在MNIST 中的表現(xiàn)相比具有顯著的變化,AvgACC分別下降了59.0%和56.9%,AvgF 也分別增加了24.6%和23.4%,說明ER和ER-MIR 在面對多姿態(tài)目標(biāo)時(shí)均不能學(xué)習(xí)到有效信息,且遺忘率明顯增加,并不適用于真實(shí)場景。而本文方法與在MNIST 中的表現(xiàn)相比,AvgACC只下降了約1.9%,AvgF只增加了0.4%。在20 次的實(shí)驗(yàn)中,本文方法的AvgACC 均保持在85%以上,證明本文方法可以有效抵抗目標(biāo)姿態(tài)所帶來的影響,且對災(zāi)難遺忘有明顯的緩解作用。當(dāng)面對多目標(biāo)姿態(tài)trCIFAR-10 時(shí),本文方法的表現(xiàn)與上面所述一致,受目標(biāo)姿態(tài)影響很小,AvgACC 只降低了約2.2%,AvgF 只增加了1%。而ER 和ER-MIR 在面對多姿態(tài)目標(biāo)trCIFAR-10時(shí)的AvgACC 不及它們在固定姿態(tài)目標(biāo)CIFAR-10 中表現(xiàn)的1/2。雖然AvgF 并沒有很大變化,甚至ER 在trCIFAR-10 中的AvgF 要略低于在CIFAR-10 中的AvgF,但這是由于ER 本身在學(xué)習(xí)中的最高準(zhǔn)確率很低所導(dǎo)致。

    圖4中列出了本文方法和ER-MIR方法中每個(gè)任務(wù)在不同時(shí)期的分類精度對比。如圖4(a~d)所示,當(dāng)面對數(shù)據(jù)集MNIST 時(shí),本文方法和ERMIR 的表現(xiàn)不相上下,每類任務(wù)的最終準(zhǔn)確率都與最初的準(zhǔn)確率相比并沒有太大變化,說明本文方法和ER-MIR 在面對固定姿態(tài)目標(biāo)時(shí)都能提取有效的特征,并對災(zāi)難性遺忘有很好的抵抗力,面對OCIL 這種嚴(yán)格的設(shè)定能保證穩(wěn)定性。而當(dāng)面對RotMNIST 時(shí),ER-MIR 變得不再穩(wěn)定,在后續(xù)任務(wù)中發(fā)生了災(zāi)難性遺忘,每類任務(wù)的最終準(zhǔn)確率與初始準(zhǔn)確率相比有明顯的差距,下降到了20%~45%,遠(yuǎn)不及它在MNIST 中的表現(xiàn)。相比之下,本文方法在面對RotMNIST 時(shí)仍能保證最終準(zhǔn)確率與初始準(zhǔn)確率很小的差距,維持在76%~97%,且與在MNIST 中的表現(xiàn)相差無幾,證明本文方法并不受目標(biāo)姿態(tài)的影響,在OCIL 任務(wù)中有效緩解災(zāi)難性遺忘,具有很好的穩(wěn)定性。

    如圖4(e~h)所示,當(dāng)面對CIFAR-10 這種更有挑戰(zhàn)的數(shù)據(jù)集時(shí),本文方法和ER-MIR 雖然都有一定的遺忘,但它們的最終準(zhǔn)確率也都能保持在33%以上。而當(dāng)面對trCIFAR-10 時(shí),ERMIR 的第一個(gè)任務(wù)和第二個(gè)任務(wù)的最終準(zhǔn)確率下降至10%以下,第三個(gè)任務(wù)的準(zhǔn)確率也下降到了20%以下,均發(fā)生了嚴(yán)重的遺忘。相比之下,本文方法依舊能和在CIFAR-10 中的表現(xiàn)一樣,有效地消除了目標(biāo)姿態(tài)所帶來的影響,具有相對較好的穩(wěn)定性。

    從圖4 中還可以看到,本文方法在這4 種數(shù)據(jù)集中每類任務(wù)的最終準(zhǔn)確率相差不超過22%(分別為12%,22%,19%,18%),并沒有出現(xiàn)由于單任務(wù)準(zhǔn)確率高而提高平均準(zhǔn)確率的現(xiàn)象,說明本文方法在OCIL 任務(wù)中不僅不受目標(biāo)姿態(tài)的影響,還有很好的平衡性。

    為了驗(yàn)證本文方法性能,我們進(jìn)一步在3D數(shù)據(jù)集ModelNet40 上進(jìn)行了實(shí)驗(yàn)。在我們的了解中,并沒有發(fā)現(xiàn)面向3D 數(shù)據(jù)的OCIL 的相關(guān)研究,因此,本部分的對照實(shí)驗(yàn)只采用3.3 節(jié)中所提到的基線實(shí)驗(yàn)。同時(shí),設(shè)定記憶存儲(chǔ)器的容量M=4 000,即每個(gè)任務(wù)存儲(chǔ)200 個(gè)樣本,且每批數(shù)據(jù)依舊只迭代1 次來保持online 的設(shè)定。每組實(shí)驗(yàn)進(jìn)行了20 次并取平均值,結(jié)果如表3 所示??梢钥吹?,本文方法在面對多姿態(tài)目標(biāo)trModel-Net40 時(shí)的性能與固定姿態(tài)目標(biāo)ModelNet40 的AvgACC 和AvgF 都相差不大,分別約為4%和2%,且AvgACC 超過了基線idd online 的結(jié)果,證明本文方法在面對3D 目標(biāo)時(shí)也可以做到無視目標(biāo)的姿態(tài),同時(shí)對災(zāi)難性遺忘有很大程度的緩解。

    表3 3D 數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果對比Tab.3 Experimental results on 3D data

    為了評(píng)估不同姿態(tài)對OCIL 任務(wù)的影響,我們在MNIST 數(shù)據(jù)集上進(jìn)行了補(bǔ)充實(shí)驗(yàn),如圖5 所示。其中,橫軸表示樣本的姿態(tài)變化范圍,如“60”表示數(shù)據(jù)流在[-60°,60°]范圍內(nèi)隨機(jī)旋轉(zhuǎn),以此類推,來模擬樣本姿態(tài)的豐富程度。從圖5 可以明顯看到,隨著角度變化范圍的增大,ER 方法和ER-MIR 方法的AvgACC 逐漸下降,尤其在60°后有顯著的下降,并最終下降到基線fine-tuning附近,可見樣本姿態(tài)對傳統(tǒng)方法有較大的影響。相比之下,本文方法的AvgACC 隨著角度變化范圍的增大只有較小的波動(dòng),波動(dòng)范圍保持在3%以內(nèi),證明本文方法可以在很大程度上降低目標(biāo)姿態(tài)的影響,有很好的穩(wěn)定性。

    圖5 MNIST 不同姿態(tài)的結(jié)果Fig.5 Results of MNIST with different postures

    5 結(jié) 論

    與傳統(tǒng)增量學(xué)習(xí)不同,本文考慮了更切合實(shí)際的復(fù)雜場景,即面向多姿態(tài)目標(biāo)的在線類增量學(xué)習(xí),該設(shè)定加劇了災(zāi)難性遺忘。為了解決這個(gè)問題,本文提出了通用于2D 和3D 數(shù)據(jù)的在線類增量學(xué)習(xí)方法。該算法的網(wǎng)絡(luò)框架基于SE(d)李群引入旋轉(zhuǎn)平移等變機(jī)制,使網(wǎng)絡(luò)可以更好地提取目標(biāo)的幾何信息,從而使模型不受目標(biāo)姿態(tài)的影響,增加模型的可塑性。本文還提出了基于損失變化的記憶重放方法,能夠配合我們的分類器緩解災(zāi)難性遺忘,在穩(wěn)定性和可塑性直接得到很好的權(quán)衡。本文方法在MNIST、RotMNIST、CIFAR-10、trCIFAR-10、ModelNet40 和trModel-Net40 數(shù)據(jù)集上進(jìn)行多次實(shí)驗(yàn)并獲得了有競爭力的結(jié)果,其中AvgACC 除了在CIFAR-10 表現(xiàn)略低于ER-MIR 外,其余都取得了最好的結(jié)果,分別為88.0%,86.1%,42.6%,40.4%,52.8%,48.8%;AvgF 則在所有情況下都為最優(yōu),分別為4.1%,4.5%,19.3%,20.3%,22.0%,24.0%。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法的有效性,能夠同時(shí)做到不受目標(biāo)姿態(tài)的影響并緩解災(zāi)難性遺忘。

    猜你喜歡
    災(zāi)難性姿態(tài)準(zhǔn)確率
    科學(xué)家說地球變暖速度比以前認(rèn)為的要快,而避免災(zāi)難性后果的窗口期即將結(jié)束
    英語文摘(2021年10期)2021-11-22 08:02:26
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    攀爬的姿態(tài)
    全新一代宋的新姿態(tài)
    汽車觀察(2018年9期)2018-10-23 05:46:40
    跑與走的姿態(tài)
    中國自行車(2018年8期)2018-09-26 06:53:44
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    綜合發(fā)力 化解災(zāi)難性醫(yī)療風(fēng)險(xiǎn)
    中國媒體在災(zāi)難性新聞報(bào)道中的改進(jìn)與不足
    新聞傳播(2015年13期)2015-07-18 11:00:41
    每晚都被弄得嗷嗷叫到高潮| 亚洲七黄色美女视频| 激情在线观看视频在线高清| 97碰自拍视频| 一个人免费在线观看的高清视频| 亚洲国产色片| 国产探花在线观看一区二区| 999精品在线视频| 久久精品夜夜夜夜夜久久蜜豆| 少妇裸体淫交视频免费看高清| 成人性生交大片免费视频hd| 99热这里只有是精品50| 国产成人欧美在线观看| 黄色丝袜av网址大全| 亚洲无线观看免费| 亚洲成人精品中文字幕电影| 一个人免费在线观看的高清视频| 夜夜夜夜夜久久久久| 99久久精品一区二区三区| 亚洲成人免费电影在线观看| 波多野结衣高清无吗| 亚洲熟妇熟女久久| 午夜精品在线福利| 亚洲在线自拍视频| 精品国产亚洲在线| 亚洲18禁久久av| 久久久久国内视频| 久久人妻av系列| 亚洲欧美精品综合一区二区三区| 91麻豆精品激情在线观看国产| 99久久无色码亚洲精品果冻| 欧美另类亚洲清纯唯美| 久久香蕉精品热| 久久久成人免费电影| 色播亚洲综合网| 成人鲁丝片一二三区免费| 一区二区三区国产精品乱码| 国产三级中文精品| 香蕉丝袜av| 国产97色在线日韩免费| 亚洲专区字幕在线| 亚洲片人在线观看| 色精品久久人妻99蜜桃| 久久国产精品人妻蜜桃| 亚洲成人免费电影在线观看| 国产黄a三级三级三级人| 久久久色成人| 国产成人精品久久二区二区免费| 亚洲精品在线观看二区| 极品教师在线免费播放| 欧美另类亚洲清纯唯美| 国产精品98久久久久久宅男小说| 国产免费av片在线观看野外av| 欧美在线一区亚洲| 制服人妻中文乱码| 国产高潮美女av| 哪里可以看免费的av片| 精品熟女少妇八av免费久了| 在线观看舔阴道视频| 亚洲av成人不卡在线观看播放网| 久久久久久久午夜电影| 免费在线观看成人毛片| 少妇熟女aⅴ在线视频| 五月伊人婷婷丁香| 成人无遮挡网站| 伦理电影免费视频| 麻豆久久精品国产亚洲av| 国产成年人精品一区二区| 给我免费播放毛片高清在线观看| 成人欧美大片| 日韩欧美国产一区二区入口| 国产黄色小视频在线观看| 狂野欧美激情性xxxx| 免费在线观看视频国产中文字幕亚洲| 啦啦啦免费观看视频1| 91在线精品国自产拍蜜月 | 麻豆国产av国片精品| 夜夜躁狠狠躁天天躁| 我的老师免费观看完整版| 久久精品影院6| 好男人在线观看高清免费视频| 亚洲 欧美一区二区三区| 亚洲成人久久性| 19禁男女啪啪无遮挡网站| 精品一区二区三区视频在线 | 欧美日韩黄片免| 亚洲av美国av| 午夜激情福利司机影院| 亚洲一区二区三区不卡视频| 亚洲国产看品久久| 黄片大片在线免费观看| 免费观看精品视频网站| 2021天堂中文幕一二区在线观| 在线观看美女被高潮喷水网站 | 午夜亚洲福利在线播放| 国产人伦9x9x在线观看| 悠悠久久av| АⅤ资源中文在线天堂| 成年免费大片在线观看| 一级黄色大片毛片| 视频区欧美日本亚洲| x7x7x7水蜜桃| 白带黄色成豆腐渣| 岛国视频午夜一区免费看| 一本一本综合久久| 亚洲无线观看免费| avwww免费| 免费看十八禁软件| 麻豆一二三区av精品| 国产精品久久久久久亚洲av鲁大| 啪啪无遮挡十八禁网站| 国产高清三级在线| 亚洲美女黄片视频| 亚洲国产精品成人综合色| 色尼玛亚洲综合影院| 国产亚洲精品久久久久久毛片| 男女床上黄色一级片免费看| 亚洲一区高清亚洲精品| 国产乱人伦免费视频| 国产欧美日韩一区二区三| 后天国语完整版免费观看| 免费一级毛片在线播放高清视频| 亚洲国产看品久久| 18美女黄网站色大片免费观看| www国产在线视频色| 亚洲专区字幕在线| 黄色女人牲交| bbb黄色大片| 久久精品亚洲精品国产色婷小说| 亚洲av美国av| 免费看日本二区| 曰老女人黄片| 亚洲国产欧美人成| 蜜桃久久精品国产亚洲av| 在线观看免费视频日本深夜| 久久香蕉国产精品| 美女扒开内裤让男人捅视频| 亚洲专区中文字幕在线| 99国产综合亚洲精品| 色综合欧美亚洲国产小说| 老司机在亚洲福利影院| 国产一区二区在线av高清观看| 亚洲成a人片在线一区二区| 成人高潮视频无遮挡免费网站| 黄色女人牲交| 亚洲成a人片在线一区二区| 岛国在线观看网站| 国产精品日韩av在线免费观看| 国产精品日韩av在线免费观看| 99久久国产精品久久久| 亚洲专区国产一区二区| 亚洲狠狠婷婷综合久久图片| 亚洲av电影不卡..在线观看| 亚洲专区中文字幕在线| 成人无遮挡网站| 欧美大码av| 免费在线观看影片大全网站| 制服丝袜大香蕉在线| 丰满人妻熟妇乱又伦精品不卡| av在线蜜桃| 欧美性猛交╳xxx乱大交人| 久久久国产成人精品二区| 亚洲最大成人中文| 国产高清视频在线观看网站| 首页视频小说图片口味搜索| 变态另类成人亚洲欧美熟女| 露出奶头的视频| 成人亚洲精品av一区二区| 熟女电影av网| 男女之事视频高清在线观看| 免费观看精品视频网站| 婷婷六月久久综合丁香| 国产精品久久视频播放| 国产午夜精品论理片| 久久久成人免费电影| 99精品久久久久人妻精品| 国产熟女xx| 久久精品aⅴ一区二区三区四区| 99在线视频只有这里精品首页| 黄色丝袜av网址大全| 亚洲在线自拍视频| 99热这里只有精品一区 | 亚洲精品美女久久av网站| 日韩av在线大香蕉| 俺也久久电影网| 久久午夜综合久久蜜桃| 国内精品美女久久久久久| 黄片小视频在线播放| 日韩高清综合在线| 成人亚洲精品av一区二区| 亚洲专区国产一区二区| 久久久成人免费电影| 午夜精品久久久久久毛片777| 可以在线观看毛片的网站| 欧美又色又爽又黄视频| 久久久久久大精品| 成人亚洲精品av一区二区| 在线观看舔阴道视频| 男女下面进入的视频免费午夜| 亚洲精华国产精华精| 国产高清三级在线| 成人国产一区最新在线观看| 久久天堂一区二区三区四区| 两性夫妻黄色片| 99精品在免费线老司机午夜| 精品电影一区二区在线| 久久精品国产亚洲av香蕉五月| 欧美性猛交╳xxx乱大交人| 嫩草影院入口| 精品久久久久久成人av| 精品不卡国产一区二区三区| 男人舔奶头视频| 欧美日韩中文字幕国产精品一区二区三区| 久久久久国内视频| 欧美日韩福利视频一区二区| 日本一本二区三区精品| 成人永久免费在线观看视频| 不卡一级毛片| 男女做爰动态图高潮gif福利片| cao死你这个sao货| 久久久久精品国产欧美久久久| 亚洲国产日韩欧美精品在线观看 | 亚洲欧美日韩东京热| 国产成人系列免费观看| 免费观看人在逋| 国产美女午夜福利| 一本精品99久久精品77| 在线a可以看的网站| 日韩人妻高清精品专区| 国产91精品成人一区二区三区| 日日干狠狠操夜夜爽| www.熟女人妻精品国产| 中文字幕最新亚洲高清| 欧美最黄视频在线播放免费| 国产欧美日韩精品一区二区| 99国产精品一区二区三区| 国产真人三级小视频在线观看| 欧美日韩乱码在线| 男女之事视频高清在线观看| 国产精品av视频在线免费观看| 国产成人影院久久av| 日韩大尺度精品在线看网址| 久久国产精品影院| 亚洲精品美女久久av网站| 熟女人妻精品中文字幕| 激情在线观看视频在线高清| 啦啦啦韩国在线观看视频| 亚洲成人久久性| 露出奶头的视频| 国产成人欧美在线观看| 欧美不卡视频在线免费观看| 丁香欧美五月| 久久久久九九精品影院| 99热这里只有是精品50| 成人av一区二区三区在线看| 欧美性猛交黑人性爽| 老司机午夜十八禁免费视频| 亚洲成av人片在线播放无| 欧美av亚洲av综合av国产av| 69av精品久久久久久| 国内久久婷婷六月综合欲色啪| 久久香蕉精品热| 19禁男女啪啪无遮挡网站| 日本撒尿小便嘘嘘汇集6| 中文资源天堂在线| 日本精品一区二区三区蜜桃| av黄色大香蕉| 久久亚洲精品不卡| 欧美成人免费av一区二区三区| 久久久久久九九精品二区国产| 亚洲av五月六月丁香网| 国产私拍福利视频在线观看| 亚洲av电影不卡..在线观看| 搡老岳熟女国产| 三级毛片av免费| 精品一区二区三区视频在线观看免费| 精品久久久久久久末码| 亚洲国产精品合色在线| 性色av乱码一区二区三区2| 麻豆一二三区av精品| 日韩欧美三级三区| 国产aⅴ精品一区二区三区波| 久久国产乱子伦精品免费另类| 国产欧美日韩一区二区精品| 久久精品91蜜桃| 99久久无色码亚洲精品果冻| 国产毛片a区久久久久| 国产精品精品国产色婷婷| 精品一区二区三区av网在线观看| 日韩欧美三级三区| 久久人妻av系列| 午夜a级毛片| 两人在一起打扑克的视频| 悠悠久久av| 俺也久久电影网| 亚洲色图av天堂| 极品教师在线免费播放| 欧美日本视频| 国产精品自产拍在线观看55亚洲| 亚洲av片天天在线观看| 90打野战视频偷拍视频| 午夜日韩欧美国产| 亚洲中文av在线| 亚洲人成网站高清观看| 97超视频在线观看视频| 99久国产av精品| 三级国产精品欧美在线观看 | 亚洲成av人片在线播放无| 长腿黑丝高跟| 天堂网av新在线| 一进一出好大好爽视频| 高清在线国产一区| 色综合亚洲欧美另类图片| 亚洲欧美精品综合久久99| 亚洲真实伦在线观看| 在线观看日韩欧美| 18禁观看日本| 一进一出抽搐动态| 18禁观看日本| 中文字幕精品亚洲无线码一区| 人妻夜夜爽99麻豆av| 久久久久九九精品影院| 亚洲 欧美 日韩 在线 免费| 黄片大片在线免费观看| 午夜两性在线视频| 亚洲五月婷婷丁香| 精品国产超薄肉色丝袜足j| 在线观看午夜福利视频| 中文亚洲av片在线观看爽| 亚洲五月天丁香| 又黄又爽又免费观看的视频| 69av精品久久久久久| 国产精品乱码一区二三区的特点| 午夜亚洲福利在线播放| 欧美精品啪啪一区二区三区| 狠狠狠狠99中文字幕| 韩国av一区二区三区四区| 亚洲精品国产精品久久久不卡| 天堂网av新在线| 亚洲av免费在线观看| 久久午夜综合久久蜜桃| 男女床上黄色一级片免费看| 免费在线观看日本一区| 哪里可以看免费的av片| 天堂av国产一区二区熟女人妻| 亚洲精品美女久久av网站| 亚洲av成人精品一区久久| 1024香蕉在线观看| xxxwww97欧美| 久久国产精品影院| 极品教师在线免费播放| 少妇的丰满在线观看| 亚洲欧美日韩东京热| 日韩欧美三级三区| 97超级碰碰碰精品色视频在线观看| 国产精品99久久99久久久不卡| 丁香欧美五月| 麻豆av在线久日| 小蜜桃在线观看免费完整版高清| 久久精品夜夜夜夜夜久久蜜豆| 欧美日韩一级在线毛片| 成年版毛片免费区| 国产一区二区在线av高清观看| 成人亚洲精品av一区二区| 日本免费一区二区三区高清不卡| 亚洲欧美日韩卡通动漫| 免费在线观看日本一区| 欧美在线黄色| 99精品久久久久人妻精品| 国产精品99久久99久久久不卡| 成人特级av手机在线观看| 蜜桃久久精品国产亚洲av| 此物有八面人人有两片| 午夜福利在线观看吧| 欧美乱码精品一区二区三区| 久久中文看片网| 99久国产av精品| 欧美+亚洲+日韩+国产| 又大又爽又粗| 国产伦一二天堂av在线观看| 欧美日韩乱码在线| 老熟妇乱子伦视频在线观看| 99riav亚洲国产免费| 在线观看免费视频日本深夜| 美女cb高潮喷水在线观看 | 热99re8久久精品国产| 亚洲av成人不卡在线观看播放网| 亚洲一区高清亚洲精品| 色在线成人网| 欧美日韩亚洲国产一区二区在线观看| 在线永久观看黄色视频| 久久久精品大字幕| 国产精品日韩av在线免费观看| 国产av麻豆久久久久久久| 久久久久久久午夜电影| 久久精品亚洲精品国产色婷小说| cao死你这个sao货| 亚洲成人免费电影在线观看| 99精品久久久久人妻精品| 91字幕亚洲| 很黄的视频免费| 女人高潮潮喷娇喘18禁视频| 91麻豆av在线| 色综合亚洲欧美另类图片| 国产综合懂色| 日韩三级视频一区二区三区| 国产亚洲精品综合一区在线观看| 一个人免费在线观看电影 | 久久午夜亚洲精品久久| 午夜福利高清视频| 两人在一起打扑克的视频| 丁香欧美五月| 国产高清videossex| 国产私拍福利视频在线观看| 99精品在免费线老司机午夜| 最近视频中文字幕2019在线8| 国产精品99久久久久久久久| 久久亚洲真实| 999久久久精品免费观看国产| 国产真实乱freesex| www.自偷自拍.com| 女人被狂操c到高潮| 看非洲黑人一级黄片| 欧美高清性xxxxhd video| 国产成人免费观看mmmm| 成人一区二区视频在线观看| 噜噜噜噜噜久久久久久91| 伦精品一区二区三区| 日日干狠狠操夜夜爽| 免费av不卡在线播放| 最近手机中文字幕大全| 1000部很黄的大片| 1024手机看黄色片| 国产av在哪里看| 18禁动态无遮挡网站| 久久精品夜夜夜夜夜久久蜜豆| 欧美成人免费av一区二区三区| 精品久久久久久电影网 | 九九热线精品视视频播放| 日日摸夜夜添夜夜添av毛片| 亚洲av熟女| 小说图片视频综合网站| 亚洲国产精品成人久久小说| 日产精品乱码卡一卡2卡三| 晚上一个人看的免费电影| 久久久成人免费电影| 真实男女啪啪啪动态图| 亚洲国产欧美人成| 一个人看视频在线观看www免费| 一个人观看的视频www高清免费观看| 精品少妇黑人巨大在线播放 | 国产精品一区二区性色av| 欧美bdsm另类| 亚洲av不卡在线观看| 国产一区二区三区av在线| 亚洲美女搞黄在线观看| 亚洲国产欧美在线一区| 中文资源天堂在线| 一级毛片久久久久久久久女| 夫妻性生交免费视频一级片| 午夜爱爱视频在线播放| 哪个播放器可以免费观看大片| 国产在线一区二区三区精 | 天堂影院成人在线观看| 精品久久国产蜜桃| 欧美高清成人免费视频www| av视频在线观看入口| 夜夜看夜夜爽夜夜摸| 狂野欧美白嫩少妇大欣赏| 国产 一区精品| 国产在线一区二区三区精 | 午夜久久久久精精品| 精品久久久久久久久av| 亚洲欧美日韩东京热| 国语对白做爰xxxⅹ性视频网站| 午夜福利高清视频| 女的被弄到高潮叫床怎么办| av又黄又爽大尺度在线免费看 | 国产av不卡久久| av在线亚洲专区| 18禁在线无遮挡免费观看视频| 大话2 男鬼变身卡| 超碰97精品在线观看| 久久这里只有精品中国| 日韩一区二区视频免费看| 在线观看美女被高潮喷水网站| av福利片在线观看| 亚洲欧美一区二区三区国产| 久久精品久久久久久噜噜老黄 | 国产精品精品国产色婷婷| 网址你懂的国产日韩在线| 2021少妇久久久久久久久久久| 婷婷色麻豆天堂久久 | 国产成人福利小说| 伊人久久精品亚洲午夜| 禁无遮挡网站| 国产三级在线视频| 在线播放国产精品三级| 国产精品三级大全| 久久久久国产网址| 国产老妇伦熟女老妇高清| av在线观看视频网站免费| 直男gayav资源| 成年女人永久免费观看视频| 黄色配什么色好看| 麻豆成人午夜福利视频| eeuss影院久久| 夜夜爽夜夜爽视频| 久久99热这里只频精品6学生 | 日日摸夜夜添夜夜爱| 全区人妻精品视频| 免费在线观看成人毛片| 99热网站在线观看| 亚洲欧美成人精品一区二区| 好男人视频免费观看在线| ponron亚洲| 成人亚洲精品av一区二区| 国产亚洲91精品色在线| 天天一区二区日本电影三级| 亚洲欧美日韩高清专用| av国产免费在线观看| 夜夜爽夜夜爽视频| 精品免费久久久久久久清纯| 日本黄色视频三级网站网址| 色视频www国产| 最近最新中文字幕免费大全7| 在线播放无遮挡| 欧美成人一区二区免费高清观看| 成人毛片60女人毛片免费| 人妻系列 视频| 99热网站在线观看| 国产又色又爽无遮挡免| 日韩欧美精品免费久久| 午夜福利在线在线| 国产亚洲av片在线观看秒播厂 | 国产高清有码在线观看视频| 亚洲第一区二区三区不卡| 亚洲欧美一区二区三区国产| 亚洲真实伦在线观看| 久久精品国产99精品国产亚洲性色| eeuss影院久久| 国产精品久久电影中文字幕| 看非洲黑人一级黄片| 久久久久久久国产电影| 黄片wwwwww| 欧美极品一区二区三区四区| 日韩欧美精品v在线| 国产单亲对白刺激| 亚洲成人中文字幕在线播放| 国产精品久久电影中文字幕| 国产成人免费观看mmmm| 中文字幕久久专区| 色综合站精品国产| 麻豆成人av视频| 两个人视频免费观看高清| 亚洲经典国产精华液单| 一边摸一边抽搐一进一小说| 午夜福利在线观看免费完整高清在| av女优亚洲男人天堂| 午夜日本视频在线| 免费看日本二区| 搡女人真爽免费视频火全软件| 日韩欧美国产在线观看| 精品午夜福利在线看| 美女被艹到高潮喷水动态| 我要看日韩黄色一级片| 国产探花极品一区二区| 一个人观看的视频www高清免费观看| 在线a可以看的网站| 中文乱码字字幕精品一区二区三区 | 国产中年淑女户外野战色| 欧美bdsm另类| 成人欧美大片| 成人无遮挡网站| 国产精品无大码| 欧美97在线视频| 男女视频在线观看网站免费| 日韩av在线免费看完整版不卡| 精品人妻一区二区三区麻豆| 精品久久久久久久久av| 三级经典国产精品| 建设人人有责人人尽责人人享有的 | 亚洲va在线va天堂va国产| 亚洲真实伦在线观看| 欧美一级a爱片免费观看看| 99国产精品一区二区蜜桃av| 午夜日本视频在线| 中文字幕人妻熟人妻熟丝袜美| 观看美女的网站| 纵有疾风起免费观看全集完整版 | 99热这里只有精品一区| 淫秽高清视频在线观看| 中文亚洲av片在线观看爽| 99久国产av精品| a级毛片免费高清观看在线播放| 国产熟女欧美一区二区| 久热久热在线精品观看| 丰满乱子伦码专区| 亚洲电影在线观看av| 欧美极品一区二区三区四区| 国产精品爽爽va在线观看网站| 成年女人看的毛片在线观看| 国产91av在线免费观看| 国产精品精品国产色婷婷| 人妻夜夜爽99麻豆av| 亚洲精品一区蜜桃| 国产黄色小视频在线观看| 日韩一本色道免费dvd| 久久久a久久爽久久v久久| 亚洲aⅴ乱码一区二区在线播放| 日本五十路高清| 天堂网av新在线| 99久久无色码亚洲精品果冻| av播播在线观看一区| 日韩一区二区视频免费看|