• <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 ?

    FRKDNet:基于知識蒸餾的特征提煉語義分割網(wǎng)絡

    2023-11-18 12:13:12蔣詩怡李丹楊范潤澤
    液晶與顯示 2023年11期
    關鍵詞:類間類別語義

    蔣詩怡,徐 楊,2*,李丹楊,范潤澤

    (1.貴州大學 大數(shù)據(jù)與信息工程學院,貴州 貴陽 550025;2.貴陽鋁鎂設計研究院有限公司,貴州 貴陽 550009)

    1 引 言

    語義分割的目的是為輸入圖像的每個像素進行分類,也是計算機視覺中一項基礎且富有挑戰(zhàn)性的任務,目前已廣泛應用到多個領域,如自動駕駛[1-2]、行人分割[3]、遙感監(jiān)測[4-5]等。近年來,由于深度學習在計算機視覺領域的成功,基于卷積神經網(wǎng)絡(Convolutional Neural Network,CNN)的方法大幅提高了語義分割的準確性。然而,基于CNN 的語義分割算法通常具有較高的計算成本,這也限制了網(wǎng)絡模型在實際中的應用與部署,特別是在對效率要求較高的現(xiàn)實任務中。

    為了解決上述問題,研究人員探索了網(wǎng)絡輕量化的方式。Paszke 等人[6]重新設計了網(wǎng)絡架構降低模型參數(shù)量,提高了推理速度。Zhao 等人[7]提出級聯(lián)特征融合單元和級聯(lián)標簽指導策略整合中等和高分辨率特征,提煉了粗糙的語義預測圖。盡管研究人員已經設計了優(yōu)秀的網(wǎng)絡來減少計算成本,但很難在精度和模型大小之間達到令人滿意的效果。針對這一問題,我們采用知識蒸餾(Knowledge Distillation,KD)[8]的策略,通過在訓練過程中蒸餾較大模型(教師網(wǎng)絡)的知識來提高高效輕量模型(學生網(wǎng)絡)的性能。

    KD 作為一種模型壓縮的方法,最初用于圖像分類任務中,其能夠顯著簡化繁瑣的模型。由于KD 的優(yōu)勢,一些語義分割方法使用KD 來減小模型的大小。這些方法讓學生網(wǎng)絡從教師網(wǎng)絡學習像素特征和類內特征的變化,具有代表性的是類內特征方差蒸餾(Intra-class Feature Variation Distillation,IFVD)[9],側重于將類內特征的差異從教師網(wǎng)絡轉移到學生網(wǎng)絡。通道知識蒸餾(Channel-wise Knowledge Distillation,CD)[10]強調在每個通道中提取最重要的區(qū)域。值得注意的是,語義分割是一項包含各種類別的像素級類別預測任務,因此在語義分割中,特征空間中的類間距離是普遍存在的。教師網(wǎng)絡借助眾多參數(shù)和復雜的網(wǎng)絡結構,在特征空間中具有較強的分類能力和較大的類間距離。但以往方法仍存在一定的問題:(1)以往的語義分割KD 方案忽略了將教師網(wǎng)絡特征空間中的類間距離與類內距離轉移到學生網(wǎng)絡;(2)由于學生網(wǎng)絡結構簡單,參數(shù)量較少,學生網(wǎng)絡不能像教師網(wǎng)絡那樣編碼豐富的位置特征信息;(3)教師網(wǎng)絡結構復雜,參數(shù)量大,輸出內容包括前景知識內容和背景噪聲,對學生網(wǎng)絡來說偽知識的判別也是知識蒸餾過程中的一大難題。為了解決上述問題,我們設計了基于知識蒸餾的特征提煉語義分割模型(Feature Refine Semantic Segmentation Network based on Knowledge Distillation,F(xiàn)RKDNet),首先設計了一種特征提煉方法(Feature Refine,F(xiàn)R),來分離蒸餾知識的前景內容與背景噪聲,在特征提煉的幫助下過濾偽知識,將更準確的特征內容傳遞給學生網(wǎng)絡。其次考慮在特征空間的隱式編碼中提取類間距離與類內距離,從而得到相應的特征坐標掩碼,分離相應的特征位置信息,學生網(wǎng)絡通過模擬特征位置信息來最小化與教師網(wǎng)絡特征位置的輸出從而提高學生網(wǎng)絡的分割精度。

    2 本文模型

    2.1 網(wǎng)絡結構

    本文提出一種基于教師-學生模型的知識蒸餾模型,總體模型架構如圖1 所示。整體架構由教師網(wǎng)絡、學生網(wǎng)絡、特征提煉模塊、類內距離計算模塊與類間距離計算模塊組成。對于教師網(wǎng)絡和學生網(wǎng)絡,我們使用經典的編碼器-解碼器結構提取圖像特征并輸出相應的像素分類概率分布特征圖。知識蒸餾一般需要一個強大的教師網(wǎng)絡,而要獲得更詳細的圖像特征,就需要一個足夠深的教師網(wǎng)絡。具體而言,我們將圖像分批輸入到教師網(wǎng)絡和學生網(wǎng)絡中進行訓練,獲得各自的輸出特征圖。針對以往知識蒸餾方法中教師網(wǎng)絡傳遞的知識復雜、特征與噪聲混合的情況,為了排除偽知識對蒸餾的影響,減少背景噪音,我們設計了知識提煉模塊將教師網(wǎng)絡輸出的特征圖中的顯著知識與背景噪聲分離開。在分離過程中,通過計算每個像素分類特征與當前所屬類別的信息熵差值并保留信息量大的顯著信息,從而得到新的特征提煉矩陣,并分別與教師網(wǎng)絡和學生網(wǎng)絡的原始輸出特征相乘得到含有顯著信息的特征圖。針對以往方法中忽略特征內部特性,不同類物體之間差別不明顯,同類物體之間特征不突出的問題,通過提出的類間距離計算模塊與類內距離計算模塊分別計算教師網(wǎng)絡與學生網(wǎng)絡的蒸餾損失,同時計算學生網(wǎng)絡的原始輸出與實際標簽的損失函數(shù),合并作為整個模型的損失函數(shù)一起反向傳播。

    圖1 網(wǎng)絡模型結構Fig.1 Network structure of model

    2.2 特征提煉模塊

    特征提煉是一種過濾無用信息,提煉顯著信息的過程。在教師網(wǎng)絡蒸餾的知識中通常含有一些背景噪音,通過特征提煉選擇顯著且豐富的知識進行蒸餾與距離計算,從而減少在蒸餾與知識傳遞的過程中噪聲的影響。文獻[8]表明,可以引入與教師網(wǎng)絡相關的軟目標來引導學生網(wǎng)絡訓練。對于語義分割任務來說,每一個像素都會輸出一個像素分類概率,基于知識蒸餾的語義分割任務也是最小化像素間的概率誤差,因此我們認為網(wǎng)絡特征圖中像素對應的值與所屬類別對應的比例即為當前像素的類別貢獻,貢獻越大的即為顯著特征。將原始網(wǎng)絡輸出的特征圖中的像素值轉換為對應的類別預測概率,從而計算該像素點對整個類別預測的貢獻值,其中預測貢獻值為該像素值除以整個類別像素預測總和,如式(1)所示:

    其中p(x)為該像素的輸出值。對于教師網(wǎng)絡的輸出特征Ft∈RC×H×W,其中C為通道數(shù),H與W為空間維度,故先通過Softmax 函數(shù)將特征圖展開為二維形式并通過式(1)計算當前位置的貢獻值,與當前像素值相乘得到對應的顯著特征,如式(2)、(3)所示:

    其中:xi、xj為像素值,Q(x)為當前像素經過Softmax 函數(shù)后的所得值,M(x)為經過特征提煉后的新特征值。通過特征提煉,對特征貢獻大的像素點信息保留,對貢獻小的像素點剔除置0 處理,得到新的特征矩陣MF,最后將新特征矩陣與師生網(wǎng)絡輸出的原始特征圖相乘,可得顯著特征矩陣,如式(4)、(5)所示:

    其中:Ft、Fs為教師學生網(wǎng)絡的原始輸出矩陣,、為新的顯著特征矩陣。特征提煉模塊如圖2 所示。

    2.3 距離計算模塊

    2.3.1 類間距離計算模塊

    語義分割是基于像素的分類任務,相比于教師網(wǎng)絡而言,學生網(wǎng)絡的結構相對簡單,參數(shù)少,對應的識別精度較低,類間距離也會相應的較小。針對特征提煉后的特征圖,本文通過對應坐標來編碼類間類別距離,類別總數(shù)可表示為:

    其中:N代表圖像語義分割的類別總數(shù);ci表示第i類的相對位置,其是通過特征提煉所得到的平均值。設Di,j為第i類和第j類類別中心的歐氏距離,如式(7)所示:

    教師網(wǎng)絡的網(wǎng)絡深,參數(shù)量大。為了使學生網(wǎng)絡更好地在類間距離上模擬教師網(wǎng)絡,我們設計了類間距離損失函數(shù)Linter(T,S),T為教師網(wǎng)絡,S為學生網(wǎng)絡,如式(8)所示:

    2.3.2 類內距離計算模塊

    不同于分類網(wǎng)絡,分割網(wǎng)絡往往是區(qū)域內的像素通過預測展現(xiàn)分類結果。除了類間距離,對于每個類來說,不同的像素預測值也是包含信息的。從教師蒸餾來的先驗信息占有更大比例的數(shù)值往往會“引領”對應的類別,而分配在該類中過小的數(shù)值有可能在下一輪預測中分配到其他類別中。因此,我們希望能夠提取到相應的類內距離信息從而提高分割的準確度。定義類內距離損失函數(shù)Lintra(T,S)如式(9)所示:

    其中:E為第i類的邊緣像素特征點數(shù)量,ei表示第i類的邊緣特征點,ei0表示特征提煉得到的該類別對應特征點。距離計算模塊如圖3 所示。

    圖3 距離計算模塊Fig.3 Distance calculation module

    2.3.3 知識蒸餾損失函數(shù)設計

    對于整體知識蒸餾損失函數(shù)設計,我們采用與文獻[8]相似的計算方式。該方法通過分別計算教師網(wǎng)絡和學生網(wǎng)絡對應的輸出特征圖的內積得到自己的相似矩陣,然后使用均方差計算兩個相似矩陣,使得教師網(wǎng)絡和學生網(wǎng)絡在同一類別與不同類別的分類上產生相似的結果輸出,同時結合類間距離和類內距離,使學生網(wǎng)絡在對應的特征映射上保留與教師網(wǎng)絡相似的知識。因此,模型的損失函數(shù)由類間損失函數(shù)Linter、類內距離損失函數(shù)Lintra以及與標簽的交叉熵損失函數(shù)Lcls3 部分組成,如式(10)所示:

    其中:γ為平衡因子,ps為學生網(wǎng)絡的原始預測,g為真實標簽。整體算法偽代碼如算法1 所示。

    3 實驗結果及分析

    3.1 實驗設置及數(shù)據(jù)集介紹

    為了驗證所提出的基于知識蒸餾的語義分割模型的有效性,我們在兩個公開數(shù)據(jù)集上進行實驗:(1)Cityscape[11]是一個包含19 類城市道路場景的數(shù)據(jù)集,包含了2 975 張訓練圖像、500 張驗證圖像以及1 525 張測試圖像。(2)Pascal VOC[12]由1 464 張訓練圖像、1 449 張驗證圖像以及1 456 張測試圖像組成,是一個用來做圖像分割與目標檢測的數(shù)據(jù)集。實驗環(huán)境選擇CPU 為AMD Ryzen 9 處理器,內存為64G,GPU 使 用RTX3090,采用梯度下降法訓練模型,優(yōu)化器選擇Adam 并動態(tài)調整學習率,初始學習率設置為0.002。另外,由于數(shù)據(jù)集分類數(shù)與復雜程度不同,我們設置了不同的平衡因子。對于VOC 數(shù)據(jù)集,γ設置為0.5;對于Cityscapes,γ設置為0.4。

    為了更好地評估模型效果,我們選擇平均交并比(Mean Intersection over Union,MIoU)作為結果的評價標準。MIoU 如式(11)所示:

    其中:pij表示真實值為i,被預測為j的數(shù)量;k+1是類別個數(shù)(包含空類別);pii是真正的數(shù)量。MIoU 一般都是基于類別進行計算的,將每一類的IoU 計算后累加再進行平均得到基于全局的評價。

    對于網(wǎng)絡架構,在本文所有的實驗中選擇DeepLabV3+[13]作為語義分割網(wǎng)絡的主體架構。經 過ImageNet[14]預訓練 的ResNet101[15]作為教師模型的骨干網(wǎng)絡。對于學生模型,我們使用ResNet18 作為骨干網(wǎng)絡。

    3.2 消融實驗

    所設計的蒸餾損失共包含3個損失函數(shù):Linter、Lintra以及Lcls。為了驗證每一個損失函數(shù)的有效性,我們在Cityscapes 驗證集上進行了驗證實驗。教師網(wǎng)絡采用ResNet101 作為骨干網(wǎng)絡的Deep-LabV3+,學生網(wǎng)絡選擇ResNet18 作為骨干網(wǎng)絡的DeepLabV3+,實驗結果如表1 所示。其中,T代表教師網(wǎng)絡,S代表學生網(wǎng)絡。從表1 中可以看出,特征提煉模塊的添加使得分割精度提高至74.33%,類間距離損失函數(shù)Linter使模型分割精度由74.33%提高到75.61%,類內距離損失函數(shù)Lintra也使網(wǎng)絡分割精度提高了近0.7%。使用本文設計的蒸餾模型后,整體的分割精度達到76.53%,接近教師網(wǎng)絡77.76%的準確度。實驗證明我們提出的特征提煉模塊與蒸餾損失函數(shù)是有效的;(1)特征提煉模塊具有較好的分離特征與背景噪聲的能力,并對類內差異與類間距離有著較明顯的分割效果;(2)通過類內距離與類間距離分割獲得了更豐富的教師網(wǎng)絡知識,較基準網(wǎng)絡提高了6.17%。綜上所述,我們提出的方法提高了教師網(wǎng)絡對學生網(wǎng)絡的知識輸出,改善了師生網(wǎng)絡間知識的傳遞。

    表1 消融實驗Tab.1 Ablation experiment

    調整損失函數(shù)中的平衡因子γ是提高整體網(wǎng)絡性能的關鍵。在針對平衡因子的消融實驗中,在Pascal VOC 數(shù)據(jù)集 中,將γ設置為0.3、0.4、0.5 和0.6;在Cityscapes 數(shù)據(jù)集中,將γ設置為0.3、0.4、0.5。實驗結果如圖4 所示,可以看出,在Pascal VOC 數(shù)據(jù)集上的實驗中,γ=0.3 時,整個知識蒸餾的提升效果并不顯著;而當γ=0.6時,知識蒸餾的權重過高,自身預測結果對比真實標簽的損失函數(shù)影響過低,忽略了真實值對整體模型的監(jiān)督。Cityscapes 數(shù)據(jù)集的表現(xiàn)同樣如此,γ=0.4 時的效果最好。

    圖4 超參數(shù)消融實驗結果Fig.4 Results of hyperparameter ablation experiment

    3.3 對比實驗

    3.3.1 針對Cityscapes 數(shù)據(jù)集的對比實驗

    為了進一步驗證本文提出方法的有效性,我們與主流的蒸餾方法進行對比,如SKD(Knowledge adaptation for efficient semantic segmentation)[16]、SKDD(Structured knowledge distillation for dense prediction)[17]、IFVD[9]以及CD[10],實驗在相同的網(wǎng)絡主架構上進行,實驗結果如表2 所示。由于不同的知識蒸餾方法均不改變原始原生網(wǎng)絡架構,故學生網(wǎng)絡對應不同方法的參數(shù)量與計算量均為14.07M 與270.5G。

    表2 不同方法的對比實驗Tab.2 Comparison of experimental results of different methods

    從表2 可以看出,學生網(wǎng)絡的分割結果與教師網(wǎng)絡相差甚微,其中模型參數(shù)量與每秒浮點運算次數(shù)(FLOPs)差別明顯,在知識蒸餾后學生網(wǎng)絡的分割效果得到了提高。與主流的知識蒸餾方法相比,我們所提出的方法的分割效果在原始的學生模型中有著顯著的提高,在Pascal VOC 與Cityscapes 數(shù)據(jù)集上分別有2.04%與4.45%的提升,由此能夠證明我們提出的方法在多個數(shù)據(jù)集中有著更好的分割性能。

    我們在Cityscapes 測試集上對比了一些輕量化網(wǎng)絡模型,實驗結果如表3 所示。

    表3 不同方法在Cityscapes 測試集上的對比實驗Tab.3 Comparative experiment of different methods in Cityscapes

    本文設計的特征提煉模塊細化了內部特征,充分分離了前景特征與背景噪聲,不額外添加網(wǎng)絡計算量。與教師網(wǎng)絡相比,我們的參數(shù)量與FLOPs 大幅降低,分割精度僅降低了1.21%。與其他輕量化模型相比,我們所設計的模型有著顯著優(yōu)勢。類內距離計算模塊與類間距離計算模塊使得蒸餾傳遞的知識更加細化,特征內部特性更加清晰,經過知識蒸餾后的網(wǎng)絡模型分割精度比絕大部分輕量化模型都更高。與ICNet相比,我們的參數(shù)量只有其1/2,分割精度卻比ICNet 高7%;與RefineNet 相比,參數(shù)量大幅降低。學生網(wǎng)絡在分割精度相對較高的同時,參數(shù)量與FLOPs 都明顯更輕量化。

    為了更直觀地對比圖像分割的性能差異,我們對原始學生網(wǎng)絡,CD[10]以及所提出的模型進行分割可視化,結果如圖5 所示。

    圖5 Cityscapes 分割結果可視化Fig.5 Segmentation results of Cityscapes

    根據(jù)分割結果可以看出,由于本文提出特征提煉的方法,分離了蒸餾知識的前景內容與背景噪聲,同時在特征空間的隱式編碼中提取類間距離和類內距離作為蒸餾損失,在圖像類別相近或內容重疊的部分相比于CD 分割的效果更好,如Cityscapes 中第三行的路邊欄桿所示,有著更清楚的劃分。

    另外,我們還在Cityscapes 驗證集上對比了不同類別的MIoU,實驗結果如圖6 所示。

    從圖6 中可以看到,所設計的方法對于每個小類別有著更好的分割表現(xiàn)。得益于對類間距離、類內距離知識蒸餾效果的提升,所設計的方法對一些重疊位置信息的內容有著更好的表現(xiàn),如騎手、小汽車、自行車等。騎手的分割精度相比于IFVD 提升近7%,比CD提高了1.8%;自行車的分割精度比IFVD 提高了5%,比CD 提升了4.3%。

    3.3.2 針對Pascal VOC 數(shù)據(jù)集的對比實驗

    我們在Pascal VOC 驗證集上對比了不同網(wǎng)絡的參數(shù)和精度,如OCRNet(Object-contextual representations for semantic segmentation)[22]、DeeplabV3+[13]、FCN(Fully Convolutional Networks)[20]、ANN(Asymmetric non-local neural networks)[23]和PSPNet-ResNet101[24]。通過知識提煉以及類間與類內距離的蒸餾損失函數(shù)設計,DeeplabV3+-ResNet18 分別比FCN 和ANN 提高了7.81%和1.03%。實驗結果如圖7 所示。

    圖7 Pascal VOC 驗證集分割結果對比Fig.7 Comparison of segmentation results of Pascal VOC validation

    同時,我們采用ResNet18 與MobileNetV2 作為學生網(wǎng)絡在驗證集上驗證了所設計方法的有效性,實驗結果如圖8 所示。

    圖8 不同骨干網(wǎng)絡對比Fig.8 Comparison of different backbone networks

    當以MobileNetV2 作為學生網(wǎng)絡的骨干時,本文方法比知識蒸餾的原始網(wǎng)絡模型的分割準確率提高了4%,比IFVD 和CD 分別提高了2.1%和0.7%。在以ResNet18為骨干網(wǎng)絡的模型中,對比原始網(wǎng)絡,本文方法提高了2.03%;對比IFVD與CD,本文方法分別提高了1.52%與0.12%。我們同樣也對分割結果進行了可視化對比,如圖9所示。

    圖9 Pascal VOC 分割結果可視化Fig.9 Segmentation results of Pascal VOC

    可以看到,由于使用了類間距離與類內距離作為蒸餾損失,在空間位置相近的物體分割中,本文方法表現(xiàn)得更加優(yōu)秀,如第二行自行車與人體邊界的劃分,第三行中遠處建筑物的分割。

    4 結 論

    本文提出的基于知識蒸餾的特征提煉語義分割模型能夠更好地分離蒸餾知識的有效內容和噪聲,更準確地將特征信息傳遞給學生網(wǎng)絡。同時,本文網(wǎng)絡在特征空間的隱式編碼中提取類間距離與類內距離,從而獲取到相應的特征位置信息,之后學生網(wǎng)絡通過模擬特征位置信息來最小化與教師網(wǎng)絡特征位置的輸出,從而提高了學生網(wǎng)絡的分割精度。實驗結果表明,本文提出的方法在Pascal VOC 數(shù)據(jù)集上的MIoU 達到74.19%,在Cityscapes 數(shù)據(jù)集上的MIoU 達到76.53%,分別比原始學生網(wǎng)絡提高了2.04%和4.48%,具有較好的語義分割效果,證明了本文方法的有效性。

    猜你喜歡
    類間類別語義
    基于OTSU改進的布匹檢測算法研究
    基于貝葉斯估計的多類間方差目標提取*
    語言與語義
    基于類間相對均勻性的紙張表面缺陷檢測
    基于改進最大類間方差法的手勢分割方法研究
    自動化學報(2017年4期)2017-06-15 20:28:55
    “上”與“下”語義的不對稱性及其認知闡釋
    服務類別
    新校長(2016年8期)2016-01-10 06:43:59
    認知范疇模糊與語義模糊
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    在线看a的网站| 首页视频小说图片口味搜索| 真人做人爱边吃奶动态| 亚洲国产欧美日韩在线播放| 99re6热这里在线精品视频| 一级片免费观看大全| 18禁黄网站禁片午夜丰满| 亚洲精品国产色婷婷电影| 在线十欧美十亚洲十日本专区| 国产精品影院久久| 日韩熟女老妇一区二区性免费视频| 成人手机av| 国产亚洲午夜精品一区二区久久| 亚洲午夜精品一区,二区,三区| 99国产极品粉嫩在线观看| 成年人免费黄色播放视频| 黄片大片在线免费观看| 国产片内射在线| 久久久久网色| 欧美av亚洲av综合av国产av| 国产精品av久久久久免费| 免费在线观看黄色视频的| 国产精品一区二区免费欧美 | 亚洲av国产av综合av卡| 色综合欧美亚洲国产小说| 99九九在线精品视频| 狠狠精品人妻久久久久久综合| 欧美黄色片欧美黄色片| 如日韩欧美国产精品一区二区三区| 高清在线国产一区| 热re99久久精品国产66热6| 国产精品久久久人人做人人爽| 亚洲国产精品一区二区三区在线| 美女扒开内裤让男人捅视频| 老司机在亚洲福利影院| 成年动漫av网址| 国产伦人伦偷精品视频| 欧美日韩成人在线一区二区| 欧美亚洲 丝袜 人妻 在线| 国产成人影院久久av| 亚洲欧美成人综合另类久久久| 夜夜夜夜夜久久久久| 成人手机av| 在线观看免费日韩欧美大片| 人人妻人人澡人人看| 久久性视频一级片| 波多野结衣一区麻豆| 国产国语露脸激情在线看| 免费久久久久久久精品成人欧美视频| 午夜久久久在线观看| 久久国产精品人妻蜜桃| 精品第一国产精品| 日本av手机在线免费观看| 黑人操中国人逼视频| 亚洲一区中文字幕在线| 亚洲精品在线美女| 国产又色又爽无遮挡免| 欧美成狂野欧美在线观看| 久久午夜综合久久蜜桃| 建设人人有责人人尽责人人享有的| 日韩欧美一区二区三区在线观看 | 一个人免费看片子| 中文字幕人妻丝袜制服| 2018国产大陆天天弄谢| 一边摸一边做爽爽视频免费| 国产精品九九99| 在线观看免费午夜福利视频| 在线观看舔阴道视频| 99久久人妻综合| 亚洲av日韩精品久久久久久密| 精品国产乱码久久久久久小说| 日日夜夜操网爽| 天天躁夜夜躁狠狠躁躁| 国产免费福利视频在线观看| 丰满人妻熟妇乱又伦精品不卡| 日韩 亚洲 欧美在线| 久久久精品免费免费高清| 久久久久久久久久久久大奶| 91大片在线观看| 午夜两性在线视频| 精品人妻熟女毛片av久久网站| 亚洲色图 男人天堂 中文字幕| 黑人欧美特级aaaaaa片| 999久久久国产精品视频| 成年人免费黄色播放视频| 久久精品久久久久久噜噜老黄| 免费一级毛片在线播放高清视频 | 80岁老熟妇乱子伦牲交| 国产男女超爽视频在线观看| 日本vs欧美在线观看视频| 欧美乱码精品一区二区三区| 午夜影院在线不卡| 久久免费观看电影| 久久久久国产一级毛片高清牌| av网站在线播放免费| 亚洲国产精品一区三区| 午夜91福利影院| 9191精品国产免费久久| 9191精品国产免费久久| 亚洲一区中文字幕在线| 嫩草影视91久久| 国产精品二区激情视频| 精品一区二区三区四区五区乱码| 欧美国产精品va在线观看不卡| 啦啦啦免费观看视频1| 90打野战视频偷拍视频| 久久精品国产亚洲av高清一级| 欧美日韩一级在线毛片| 大码成人一级视频| 熟女少妇亚洲综合色aaa.| av天堂久久9| 黑人操中国人逼视频| 在线亚洲精品国产二区图片欧美| 国产亚洲精品久久久久5区| 欧美一级毛片孕妇| 精品国产超薄肉色丝袜足j| 国产一区二区三区综合在线观看| 国产97色在线日韩免费| 一边摸一边做爽爽视频免费| 国产精品自产拍在线观看55亚洲 | 波多野结衣一区麻豆| 在线观看免费高清a一片| 精品亚洲成国产av| av超薄肉色丝袜交足视频| 亚洲国产精品一区三区| videos熟女内射| 亚洲av日韩在线播放| 国产亚洲午夜精品一区二区久久| 韩国高清视频一区二区三区| 欧美日韩亚洲综合一区二区三区_| 久久久国产一区二区| 久热爱精品视频在线9| 欧美激情 高清一区二区三区| 最黄视频免费看| netflix在线观看网站| 在线观看一区二区三区激情| 国产黄频视频在线观看| netflix在线观看网站| 精品一区二区三卡| 欧美日韩一级在线毛片| 曰老女人黄片| www.av在线官网国产| 性少妇av在线| 亚洲欧美日韩另类电影网站| 91成年电影在线观看| 国产男人的电影天堂91| 国产精品久久久久久精品古装| 国产精品.久久久| 午夜老司机福利片| 国产精品1区2区在线观看. | 乱人伦中国视频| 99精国产麻豆久久婷婷| av天堂久久9| 狠狠精品人妻久久久久久综合| 91av网站免费观看| 一级毛片女人18水好多| 巨乳人妻的诱惑在线观看| 亚洲一区二区三区欧美精品| 精品久久久精品久久久| 久久毛片免费看一区二区三区| 99香蕉大伊视频| 美国免费a级毛片| 国产精品香港三级国产av潘金莲| 黄色片一级片一级黄色片| 亚洲自偷自拍图片 自拍| 久热这里只有精品99| 欧美精品一区二区免费开放| 在线 av 中文字幕| 性高湖久久久久久久久免费观看| 欧美精品av麻豆av| 午夜视频精品福利| 欧美精品一区二区大全| 久久 成人 亚洲| 天天躁狠狠躁夜夜躁狠狠躁| 大陆偷拍与自拍| 久久久国产成人免费| 正在播放国产对白刺激| 午夜福利影视在线免费观看| 婷婷成人精品国产| 涩涩av久久男人的天堂| 久久av网站| 精品福利永久在线观看| 国产男女内射视频| 亚洲精品av麻豆狂野| 国产精品久久久久久精品电影小说| 天天躁夜夜躁狠狠躁躁| 人妻一区二区av| 亚洲一码二码三码区别大吗| 国产国语露脸激情在线看| 精品一区二区三区av网在线观看 | 久久热在线av| 亚洲精品一卡2卡三卡4卡5卡 | 天天操日日干夜夜撸| av网站在线播放免费| 一区二区三区乱码不卡18| 18禁观看日本| 国产一区二区三区综合在线观看| 狠狠狠狠99中文字幕| 欧美日韩福利视频一区二区| 午夜免费鲁丝| 丝袜在线中文字幕| 麻豆av在线久日| 亚洲中文日韩欧美视频| kizo精华| 亚洲综合色网址| 久久久久久免费高清国产稀缺| 亚洲性夜色夜夜综合| 正在播放国产对白刺激| 搡老岳熟女国产| 国产av又大| 老司机影院成人| 十八禁网站网址无遮挡| 精品欧美一区二区三区在线| 久久久久久久国产电影| 桃红色精品国产亚洲av| www日本在线高清视频| 高清视频免费观看一区二区| 亚洲成国产人片在线观看| 日韩中文字幕欧美一区二区| 交换朋友夫妻互换小说| 日日摸夜夜添夜夜添小说| 美女午夜性视频免费| 欧美日韩视频精品一区| 成人18禁高潮啪啪吃奶动态图| 一区二区三区激情视频| 国产福利在线免费观看视频| 中文字幕高清在线视频| 国产欧美日韩精品亚洲av| av又黄又爽大尺度在线免费看| 在线观看www视频免费| 日韩欧美免费精品| 日日摸夜夜添夜夜添小说| 久热这里只有精品99| 一区二区av电影网| 亚洲熟女毛片儿| 久久人妻福利社区极品人妻图片| 午夜福利视频精品| 欧美老熟妇乱子伦牲交| 99久久精品国产亚洲精品| 精品少妇一区二区三区视频日本电影| 天堂中文最新版在线下载| 国产99久久九九免费精品| 国产主播在线观看一区二区| 亚洲伊人久久精品综合| 999久久久国产精品视频| 免费看十八禁软件| 欧美日韩av久久| 亚洲人成77777在线视频| 久久午夜综合久久蜜桃| 久热这里只有精品99| 久久久精品国产亚洲av高清涩受| 一区二区三区激情视频| 老鸭窝网址在线观看| 久久精品国产综合久久久| 欧美激情 高清一区二区三区| 日韩中文字幕视频在线看片| 嫩草影视91久久| 桃红色精品国产亚洲av| 国产精品99久久99久久久不卡| 国产精品自产拍在线观看55亚洲 | 成年女人毛片免费观看观看9 | 国产91精品成人一区二区三区 | 国产熟女午夜一区二区三区| 我的亚洲天堂| 不卡一级毛片| 19禁男女啪啪无遮挡网站| 99精品久久久久人妻精品| 中文字幕高清在线视频| 亚洲,欧美精品.| 欧美黄色淫秽网站| 狠狠精品人妻久久久久久综合| 18在线观看网站| 夜夜骑夜夜射夜夜干| 十八禁网站免费在线| 免费av中文字幕在线| 97在线人人人人妻| 日本wwww免费看| 蜜桃国产av成人99| 久久精品亚洲av国产电影网| 亚洲欧美精品综合一区二区三区| 天天操日日干夜夜撸| 丰满少妇做爰视频| 国产三级黄色录像| 亚洲情色 制服丝袜| h视频一区二区三区| 桃花免费在线播放| 黑人巨大精品欧美一区二区蜜桃| 亚洲一卡2卡3卡4卡5卡精品中文| 国产亚洲av高清不卡| 国产成人精品久久二区二区91| 亚洲av成人一区二区三| 亚洲精品国产精品久久久不卡| 亚洲精品国产色婷婷电影| 巨乳人妻的诱惑在线观看| 极品人妻少妇av视频| 成人av一区二区三区在线看 | 韩国精品一区二区三区| 午夜精品久久久久久毛片777| 久热爱精品视频在线9| 亚洲欧美一区二区三区黑人| 一区二区三区乱码不卡18| 国产一区二区激情短视频 | 精品国产一区二区三区久久久樱花| 淫妇啪啪啪对白视频 | 亚洲成国产人片在线观看| 自线自在国产av| 青草久久国产| av免费在线观看网站| 日韩欧美免费精品| 高清欧美精品videossex| 国产精品.久久久| 黄色a级毛片大全视频| 蜜桃在线观看..| 国产激情久久老熟女| 一个人免费看片子| 爱豆传媒免费全集在线观看| 涩涩av久久男人的天堂| 成人国产av品久久久| 国产主播在线观看一区二区| 国产精品免费大片| 美女午夜性视频免费| 久久久久久亚洲精品国产蜜桃av| 精品亚洲成国产av| 18禁裸乳无遮挡动漫免费视频| 91字幕亚洲| 波多野结衣一区麻豆| 一区二区三区激情视频| 国产精品成人在线| 亚洲精品国产区一区二| 国产熟女午夜一区二区三区| 久久久久久人人人人人| 久久香蕉激情| 久久久久久久国产电影| 午夜老司机福利片| av天堂在线播放| 午夜精品久久久久久毛片777| 妹子高潮喷水视频| 一区在线观看完整版| 精品国产超薄肉色丝袜足j| 丝袜人妻中文字幕| 丰满饥渴人妻一区二区三| 亚洲欧美精品自产自拍| 亚洲国产欧美在线一区| 侵犯人妻中文字幕一二三四区| 他把我摸到了高潮在线观看 | 一区在线观看完整版| 高潮久久久久久久久久久不卡| 午夜精品国产一区二区电影| 久久中文字幕一级| svipshipincom国产片| 成人av一区二区三区在线看 | 久久久国产欧美日韩av| 欧美黄色淫秽网站| 日本欧美视频一区| av网站在线播放免费| 伊人久久大香线蕉亚洲五| 狠狠婷婷综合久久久久久88av| 精品一区在线观看国产| 丝瓜视频免费看黄片| 91av网站免费观看| av一本久久久久| 国产精品久久久久久精品电影小说| 亚洲成人国产一区在线观看| 亚洲国产av影院在线观看| 手机成人av网站| 亚洲久久久国产精品| 中文字幕色久视频| 动漫黄色视频在线观看| 中文字幕人妻丝袜制服| 精品一区二区三区av网在线观看 | 99热全是精品| 老司机影院毛片| 高清在线国产一区| 极品少妇高潮喷水抽搐| 在线观看免费日韩欧美大片| 夜夜骑夜夜射夜夜干| 亚洲精品美女久久久久99蜜臀| 91麻豆av在线| av线在线观看网站| 亚洲成国产人片在线观看| 国产一区有黄有色的免费视频| 欧美精品一区二区大全| 97精品久久久久久久久久精品| 欧美在线一区亚洲| 五月天丁香电影| cao死你这个sao货| 亚洲欧美精品综合一区二区三区| 欧美日韩成人在线一区二区| 老司机靠b影院| 最黄视频免费看| 999久久久国产精品视频| 人人妻人人澡人人看| 日韩欧美国产一区二区入口| 99热网站在线观看| 日韩视频在线欧美| 国产高清videossex| 亚洲第一青青草原| 啦啦啦在线免费观看视频4| 日韩三级视频一区二区三区| 9191精品国产免费久久| 亚洲精品中文字幕一二三四区 | 男人添女人高潮全过程视频| av一本久久久久| 久久亚洲国产成人精品v| 青青草视频在线视频观看| 老汉色av国产亚洲站长工具| 王馨瑶露胸无遮挡在线观看| 日本a在线网址| 五月天丁香电影| 母亲3免费完整高清在线观看| 又紧又爽又黄一区二区| 波多野结衣一区麻豆| 亚洲专区中文字幕在线| 性少妇av在线| 日韩 欧美 亚洲 中文字幕| 欧美国产精品一级二级三级| 男女床上黄色一级片免费看| 中文字幕高清在线视频| 欧美日韩亚洲综合一区二区三区_| 亚洲va日本ⅴa欧美va伊人久久 | 欧美精品啪啪一区二区三区 | 两性午夜刺激爽爽歪歪视频在线观看 | 伦理电影免费视频| 国产欧美日韩精品亚洲av| 午夜福利视频精品| 性色av乱码一区二区三区2| a 毛片基地| 欧美亚洲 丝袜 人妻 在线| 欧美亚洲日本最大视频资源| 日本vs欧美在线观看视频| 搡老岳熟女国产| 国产精品 欧美亚洲| 黄片小视频在线播放| av国产精品久久久久影院| 久久女婷五月综合色啪小说| 十八禁高潮呻吟视频| 最近最新中文字幕大全免费视频| 国产1区2区3区精品| 亚洲第一青青草原| 色综合欧美亚洲国产小说| 乱人伦中国视频| 久9热在线精品视频| 亚洲三区欧美一区| 在线看a的网站| 日日爽夜夜爽网站| 久久狼人影院| bbb黄色大片| 啦啦啦啦在线视频资源| 最近最新免费中文字幕在线| 夜夜骑夜夜射夜夜干| 亚洲av日韩精品久久久久久密| 国产日韩一区二区三区精品不卡| 日韩电影二区| 成人国产av品久久久| 亚洲成人免费电影在线观看| 欧美在线一区亚洲| 国产精品久久久久成人av| 老司机影院毛片| 国产1区2区3区精品| 在线精品无人区一区二区三| av一本久久久久| h视频一区二区三区| 精品久久蜜臀av无| 精品人妻一区二区三区麻豆| 18禁黄网站禁片午夜丰满| 18禁观看日本| 中文精品一卡2卡3卡4更新| 人妻 亚洲 视频| 久久综合国产亚洲精品| 天天添夜夜摸| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲欧美日韩另类电影网站| 亚洲人成电影免费在线| 亚洲第一av免费看| 亚洲情色 制服丝袜| 91成年电影在线观看| 女性被躁到高潮视频| 在线观看免费日韩欧美大片| 99国产极品粉嫩在线观看| 国产精品免费大片| 日韩,欧美,国产一区二区三区| av电影中文网址| 亚洲精品自拍成人| 天天躁夜夜躁狠狠躁躁| 2018国产大陆天天弄谢| 精品人妻熟女毛片av久久网站| 精品久久久精品久久久| 亚洲精品日韩在线中文字幕| 欧美+亚洲+日韩+国产| 老司机午夜福利在线观看视频 | 亚洲人成77777在线视频| 亚洲国产精品成人久久小说| 久久久国产成人免费| 一个人免费看片子| 久久热在线av| 欧美日韩亚洲综合一区二区三区_| 国产精品99久久99久久久不卡| 久9热在线精品视频| tube8黄色片| 中国国产av一级| 亚洲人成77777在线视频| 午夜激情av网站| 欧美日韩视频精品一区| 亚洲国产毛片av蜜桃av| 中国国产av一级| 精品久久久久久久毛片微露脸 | 中文字幕人妻丝袜制服| 国产亚洲一区二区精品| 成人国产av品久久久| 亚洲国产精品一区二区三区在线| 国产无遮挡羞羞视频在线观看| 日韩制服骚丝袜av| 久久久欧美国产精品| 一级毛片精品| 在线看a的网站| 国产一级毛片在线| 91麻豆av在线| 日本黄色日本黄色录像| 免费在线观看视频国产中文字幕亚洲 | 欧美日韩国产mv在线观看视频| cao死你这个sao货| 亚洲专区国产一区二区| 中国美女看黄片| 黄网站色视频无遮挡免费观看| 国产av又大| 午夜视频精品福利| 日本vs欧美在线观看视频| 国产日韩欧美在线精品| 亚洲成国产人片在线观看| 极品少妇高潮喷水抽搐| 国产麻豆69| 极品少妇高潮喷水抽搐| 少妇的丰满在线观看| 久久国产精品男人的天堂亚洲| 大片电影免费在线观看免费| 国产又爽黄色视频| 亚洲国产欧美在线一区| 精品一区二区三卡| 亚洲avbb在线观看| 他把我摸到了高潮在线观看 | 免费一级毛片在线播放高清视频 | 日本欧美视频一区| av又黄又爽大尺度在线免费看| 午夜福利乱码中文字幕| 窝窝影院91人妻| 亚洲av日韩在线播放| 亚洲国产欧美日韩在线播放| 高清av免费在线| 五月开心婷婷网| 老熟妇乱子伦视频在线观看 | 国产无遮挡羞羞视频在线观看| e午夜精品久久久久久久| 国产伦理片在线播放av一区| 一本久久精品| 久久精品亚洲av国产电影网| 亚洲伊人色综图| 久久久久精品国产欧美久久久 | 亚洲精品av麻豆狂野| 国产精品久久久久久人妻精品电影 | 男女午夜视频在线观看| 久久人人爽av亚洲精品天堂| 欧美精品亚洲一区二区| 视频区图区小说| 欧美午夜高清在线| 一本综合久久免费| 亚洲熟女精品中文字幕| av欧美777| 亚洲成人手机| 一区二区三区精品91| 欧美精品高潮呻吟av久久| 久久青草综合色| 男女下面插进去视频免费观看| 久久久久久久国产电影| 亚洲精品国产色婷婷电影| 一二三四社区在线视频社区8| 成年人午夜在线观看视频| 最黄视频免费看| 久久精品国产亚洲av香蕉五月 | 亚洲色图综合在线观看| 99国产精品一区二区蜜桃av | 国产成人欧美| 日本猛色少妇xxxxx猛交久久| 国产精品一区二区在线观看99| 亚洲中文字幕日韩| 国产男人的电影天堂91| 19禁男女啪啪无遮挡网站| 久久精品亚洲熟妇少妇任你| 久久精品久久久久久噜噜老黄| 热99久久久久精品小说推荐| 午夜福利影视在线免费观看| 69精品国产乱码久久久| 国产免费av片在线观看野外av| 久久午夜综合久久蜜桃| 51午夜福利影视在线观看| 悠悠久久av| 国产麻豆69| 一本一本久久a久久精品综合妖精| 五月天丁香电影| 久久这里只有精品19| 宅男免费午夜| 老司机影院成人| 菩萨蛮人人尽说江南好唐韦庄| 久久中文看片网| 美女国产高潮福利片在线看| 国产一区二区在线观看av| 中文字幕人妻丝袜一区二区| 欧美日韩精品网址| 少妇人妻久久综合中文| 在线精品无人区一区二区三| 成年人午夜在线观看视频| 欧美日韩视频精品一区| 午夜福利一区二区在线看| 亚洲自偷自拍图片 自拍| 国产国语露脸激情在线看| 亚洲av美国av|