• <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
    91国产中文字幕| 激情在线观看视频在线高清| www.自偷自拍.com| 黄色视频不卡| 69精品国产乱码久久久| 久久人妻av系列| 国产精品乱码一区二三区的特点 | 国产成人一区二区三区免费视频网站| 窝窝影院91人妻| 精品不卡国产一区二区三区| 国产一卡二卡三卡精品| 午夜福利在线观看吧| 可以免费在线观看a视频的电影网站| 黄色毛片三级朝国网站| 亚洲全国av大片| 岛国视频午夜一区免费看| 麻豆av在线久日| 成人亚洲精品av一区二区| 亚洲一区二区三区不卡视频| 成人三级黄色视频| 国产精品精品国产色婷婷| 女警被强在线播放| 窝窝影院91人妻| 老司机靠b影院| 国产91精品成人一区二区三区| 人成视频在线观看免费观看| 欧美成狂野欧美在线观看| 日韩一卡2卡3卡4卡2021年| 久久久久久亚洲精品国产蜜桃av| 91麻豆av在线| 国产精品99久久99久久久不卡| 国产真人三级小视频在线观看| 欧美日韩亚洲综合一区二区三区_| 国产国语露脸激情在线看| 久久青草综合色| 亚洲熟女毛片儿| 午夜福利一区二区在线看| 男女下面插进去视频免费观看| 国产区一区二久久| 亚洲va日本ⅴa欧美va伊人久久| 涩涩av久久男人的天堂| 一夜夜www| 日本vs欧美在线观看视频| 精品久久久久久久人妻蜜臀av | av超薄肉色丝袜交足视频| 婷婷丁香在线五月| 欧美精品亚洲一区二区| 欧美黄色片欧美黄色片| 操出白浆在线播放| 午夜日韩欧美国产| 亚洲成人精品中文字幕电影| 51午夜福利影视在线观看| 操美女的视频在线观看| 日韩国内少妇激情av| 亚洲成人精品中文字幕电影| 母亲3免费完整高清在线观看| 成人三级做爰电影| 少妇 在线观看| 婷婷六月久久综合丁香| 亚洲国产欧美一区二区综合| 91大片在线观看| 在线观看免费视频日本深夜| 一二三四社区在线视频社区8| 久久九九热精品免费| 91大片在线观看| 亚洲 欧美 日韩 在线 免费| 亚洲熟妇熟女久久| 人人妻人人澡人人看| 丁香六月欧美| 久久国产乱子伦精品免费另类| 免费看十八禁软件| 欧美另类亚洲清纯唯美| 激情视频va一区二区三区| 国产精品免费一区二区三区在线| 禁无遮挡网站| 看片在线看免费视频| 久久久久久人人人人人| 欧美日韩乱码在线| 亚洲精品国产一区二区精华液| 亚洲午夜精品一区,二区,三区| 亚洲国产看品久久| 午夜福利视频1000在线观看 | 免费高清在线观看日韩| 精品欧美一区二区三区在线| 国产精品1区2区在线观看.| 久久亚洲精品不卡| 99riav亚洲国产免费| 欧美久久黑人一区二区| 欧美+亚洲+日韩+国产| 黑丝袜美女国产一区| 免费不卡黄色视频| 女性被躁到高潮视频| 巨乳人妻的诱惑在线观看| 两个人视频免费观看高清| 亚洲精品国产一区二区精华液| 国产精品98久久久久久宅男小说| 国产黄a三级三级三级人| 操出白浆在线播放| 女性被躁到高潮视频| 男女做爰动态图高潮gif福利片 | 成年版毛片免费区| 91精品三级在线观看| 国产精品美女特级片免费视频播放器 | 男人舔女人下体高潮全视频| 18美女黄网站色大片免费观看| 天堂影院成人在线观看| 妹子高潮喷水视频| 久久人妻福利社区极品人妻图片| 久久伊人香网站| 亚洲精品一卡2卡三卡4卡5卡| 免费av毛片视频| 日韩高清综合在线| 真人做人爱边吃奶动态| 最好的美女福利视频网| 色播亚洲综合网| 日韩欧美在线二视频| 手机成人av网站| 一a级毛片在线观看| 日本a在线网址| 成人三级做爰电影| 久久婷婷成人综合色麻豆| 久久久久久国产a免费观看| 亚洲人成伊人成综合网2020| 老司机在亚洲福利影院| 久久久水蜜桃国产精品网| 国产成人一区二区三区免费视频网站| 九色亚洲精品在线播放| 国产三级黄色录像| 欧美另类亚洲清纯唯美| 午夜精品国产一区二区电影| 成在线人永久免费视频| 老司机福利观看| 欧美精品亚洲一区二区| 久久久国产精品麻豆| 性欧美人与动物交配| 成年版毛片免费区| 久久久久久久午夜电影| √禁漫天堂资源中文www| 一边摸一边做爽爽视频免费| 午夜福利免费观看在线| 人妻久久中文字幕网| 麻豆成人av在线观看| 国产精品一区二区三区四区久久 | 国产激情久久老熟女| 麻豆成人av在线观看| 变态另类丝袜制服| 成人三级做爰电影| 妹子高潮喷水视频| 最近最新中文字幕大全免费视频| 看免费av毛片| 亚洲精品久久成人aⅴ小说| 欧美乱妇无乱码| 亚洲av成人一区二区三| 色综合亚洲欧美另类图片| 如日韩欧美国产精品一区二区三区| 国产精品野战在线观看| 国产主播在线观看一区二区| 热99re8久久精品国产| 亚洲自偷自拍图片 自拍| 久久精品国产亚洲av香蕉五月| 久久性视频一级片| 无限看片的www在线观看| 国产高清激情床上av| 真人一进一出gif抽搐免费| 在线国产一区二区在线| 国产欧美日韩一区二区三| 一区在线观看完整版| 91在线观看av| 午夜a级毛片| 亚洲成av人片免费观看| 又黄又粗又硬又大视频| 午夜免费观看网址| 亚洲成国产人片在线观看| 亚洲一区中文字幕在线| 亚洲精品粉嫩美女一区| 一卡2卡三卡四卡精品乱码亚洲| 亚洲三区欧美一区| 精品国产乱码久久久久久男人| 国产精品永久免费网站| 国产av在哪里看| 免费搜索国产男女视频| 精品国产乱子伦一区二区三区| 日韩欧美国产一区二区入口| 在线观看免费日韩欧美大片| 欧美 亚洲 国产 日韩一| 丰满的人妻完整版| 免费在线观看亚洲国产| 国语自产精品视频在线第100页| 亚洲精品美女久久久久99蜜臀| 女警被强在线播放| 亚洲欧美激情在线| 亚洲无线在线观看| 69精品国产乱码久久久| 色老头精品视频在线观看| 免费在线观看完整版高清| 18禁黄网站禁片午夜丰满| 成人永久免费在线观看视频| 亚洲成人国产一区在线观看| 十分钟在线观看高清视频www| 国语自产精品视频在线第100页| 亚洲精品美女久久av网站| 狂野欧美激情性xxxx| 亚洲中文字幕日韩| 欧美成人性av电影在线观看| 精品高清国产在线一区| 国产精品免费一区二区三区在线| 欧美色欧美亚洲另类二区 | 日韩有码中文字幕| 黑人巨大精品欧美一区二区mp4| videosex国产| 天堂影院成人在线观看| 亚洲avbb在线观看| 黄色 视频免费看| 叶爱在线成人免费视频播放| 高潮久久久久久久久久久不卡| 国产99白浆流出| 少妇裸体淫交视频免费看高清 | 久久久久九九精品影院| 亚洲最大成人中文| 国产精品二区激情视频| 成人三级做爰电影| 日韩中文字幕欧美一区二区| 免费观看人在逋| 久久影院123| 韩国精品一区二区三区| 免费搜索国产男女视频| 午夜日韩欧美国产| 长腿黑丝高跟| √禁漫天堂资源中文www| 999久久久国产精品视频| 久久久久久久久久久久大奶| 国产亚洲精品一区二区www| 亚洲视频免费观看视频| 亚洲欧美精品综合久久99| 不卡一级毛片| 国产精品 国内视频| 亚洲中文日韩欧美视频| 日本精品一区二区三区蜜桃| 法律面前人人平等表现在哪些方面| 国产欧美日韩一区二区三区在线| 黄片大片在线免费观看| 欧美激情久久久久久爽电影 | 国产伦一二天堂av在线观看| 深夜精品福利| 久久伊人香网站| av中文乱码字幕在线| 禁无遮挡网站| 欧美不卡视频在线免费观看 | 欧美日本中文国产一区发布| 久久热在线av| 国产av一区二区精品久久| aaaaa片日本免费| 黄网站色视频无遮挡免费观看| 一夜夜www| 国产精品野战在线观看| 亚洲成av片中文字幕在线观看| 色av中文字幕| 亚洲美女黄片视频| 波多野结衣一区麻豆| 亚洲一区中文字幕在线| 一夜夜www| 91精品国产国语对白视频| 少妇被粗大的猛进出69影院| 自拍欧美九色日韩亚洲蝌蚪91| 欧美一区二区精品小视频在线| 色播亚洲综合网| 亚洲av成人一区二区三| 亚洲精品国产精品久久久不卡| 精品久久久久久成人av| 久久人人精品亚洲av| 精品欧美国产一区二区三| 岛国在线观看网站| 琪琪午夜伦伦电影理论片6080| 亚洲欧洲精品一区二区精品久久久| 人人妻,人人澡人人爽秒播| 亚洲五月婷婷丁香| 久久国产精品影院| 狠狠狠狠99中文字幕| 看黄色毛片网站| 国产精品二区激情视频| svipshipincom国产片| 午夜影院日韩av| 免费在线观看黄色视频的| 亚洲五月色婷婷综合| 少妇裸体淫交视频免费看高清 | e午夜精品久久久久久久| 精品国产超薄肉色丝袜足j| 欧美在线一区亚洲| 久久精品亚洲熟妇少妇任你| 日韩欧美免费精品| 91在线观看av| 成在线人永久免费视频| 精品国产国语对白av| 老汉色av国产亚洲站长工具| 夜夜躁狠狠躁天天躁| 久久精品aⅴ一区二区三区四区| 国产97色在线日韩免费| 久久久久亚洲av毛片大全| 真人一进一出gif抽搐免费| 麻豆成人av在线观看| 大型av网站在线播放| 久久精品国产综合久久久| 国产精品一区二区三区四区久久 | 热re99久久国产66热| 国产免费av片在线观看野外av| 99精品久久久久人妻精品| 国产成人av激情在线播放| 狂野欧美激情性xxxx| 又黄又粗又硬又大视频| 一区二区日韩欧美中文字幕| 这个男人来自地球电影免费观看| 午夜日韩欧美国产| 亚洲国产精品999在线| 欧美在线一区亚洲| 中文字幕久久专区| 亚洲 国产 在线| 国产成人精品久久二区二区91| 夜夜躁狠狠躁天天躁| 99国产极品粉嫩在线观看| av在线天堂中文字幕| 色尼玛亚洲综合影院| 成人三级黄色视频| 亚洲欧美精品综合久久99| 国产亚洲精品第一综合不卡| 欧美丝袜亚洲另类 | 国产亚洲av嫩草精品影院| 国语自产精品视频在线第100页| 精品国产乱码久久久久久男人| 热re99久久国产66热| 19禁男女啪啪无遮挡网站| 亚洲欧美日韩高清在线视频| 欧美黑人欧美精品刺激| 亚洲欧洲精品一区二区精品久久久| 亚洲片人在线观看| 成人亚洲精品av一区二区| 国产成人系列免费观看| 少妇的丰满在线观看| 国产男靠女视频免费网站| 一区在线观看完整版| 999久久久精品免费观看国产| 这个男人来自地球电影免费观看| 亚洲熟女毛片儿| 老鸭窝网址在线观看| 国产成+人综合+亚洲专区| 午夜福利免费观看在线| 在线观看舔阴道视频| 国产一区二区在线av高清观看| 9色porny在线观看| 99精品欧美一区二区三区四区| 正在播放国产对白刺激| 午夜免费观看网址| 国产日韩一区二区三区精品不卡| 黄片小视频在线播放| 日本三级黄在线观看| 久久国产精品男人的天堂亚洲| 国产麻豆69| 久久婷婷成人综合色麻豆| 黄片大片在线免费观看| 欧美亚洲日本最大视频资源| 别揉我奶头~嗯~啊~动态视频| 国产一级毛片七仙女欲春2 | 欧美最黄视频在线播放免费| 欧美激情极品国产一区二区三区| 看黄色毛片网站| 亚洲无线在线观看| 亚洲一区二区三区不卡视频| 黄频高清免费视频| 9热在线视频观看99| av视频在线观看入口| 欧美性长视频在线观看| av网站免费在线观看视频| 亚洲午夜精品一区,二区,三区| 69av精品久久久久久| 国产精品久久视频播放| 亚洲欧美精品综合一区二区三区| 午夜福利在线观看吧| 精品少妇一区二区三区视频日本电影| 日本 欧美在线| 一二三四在线观看免费中文在| 老鸭窝网址在线观看| 国产精品免费视频内射| 日韩高清综合在线| 久久婷婷成人综合色麻豆| 桃红色精品国产亚洲av| 亚洲成人久久性| 一区在线观看完整版| 午夜视频精品福利| 久久久精品国产亚洲av高清涩受| 精品人妻1区二区| 桃色一区二区三区在线观看| 欧美av亚洲av综合av国产av| 国产亚洲欧美精品永久| 两个人免费观看高清视频| 正在播放国产对白刺激| 一二三四社区在线视频社区8| 99精品在免费线老司机午夜| 国产精品爽爽va在线观看网站 | 777久久人妻少妇嫩草av网站| 最近最新免费中文字幕在线| 亚洲国产精品合色在线| 在线观看午夜福利视频| 老汉色∧v一级毛片| 一级作爱视频免费观看| 国产欧美日韩一区二区三区在线| av片东京热男人的天堂| 免费少妇av软件| 色综合欧美亚洲国产小说| 午夜福利欧美成人| 日韩欧美国产在线观看| 日韩三级视频一区二区三区| 色综合婷婷激情| 香蕉丝袜av| 久久久久国产精品人妻aⅴ院| 久久久久久久精品吃奶| 亚洲欧美激情在线| 国产精品美女特级片免费视频播放器 | 在线观看午夜福利视频| 丝袜在线中文字幕| 久久这里只有精品19| 亚洲自拍偷在线| 一卡2卡三卡四卡精品乱码亚洲| av视频免费观看在线观看| 91大片在线观看| 国产欧美日韩精品亚洲av| 久久 成人 亚洲| 国产成人精品在线电影| 国产精品乱码一区二三区的特点 | 亚洲专区国产一区二区| 电影成人av| 日韩中文字幕欧美一区二区| 国产精品美女特级片免费视频播放器 | 十八禁人妻一区二区| 欧美日韩黄片免| 欧美日韩福利视频一区二区| 国产亚洲精品第一综合不卡| 午夜成年电影在线免费观看| 天堂动漫精品| 亚洲国产日韩欧美精品在线观看 | 国产精品久久电影中文字幕| 免费在线观看完整版高清| 可以在线观看毛片的网站| 久久久久久大精品| 757午夜福利合集在线观看| 视频在线观看一区二区三区| 999精品在线视频| 久久这里只有精品19| 亚洲第一av免费看| 国产av一区在线观看免费| 天堂动漫精品| 国产亚洲精品一区二区www| 亚洲aⅴ乱码一区二区在线播放 | 亚洲专区国产一区二区| 一级作爱视频免费观看| 日韩成人在线观看一区二区三区| 黄色丝袜av网址大全| 长腿黑丝高跟| 国产成+人综合+亚洲专区| 久久久久久久久久久久大奶| 久久婷婷成人综合色麻豆| 热99re8久久精品国产| 97人妻精品一区二区三区麻豆 | 日日爽夜夜爽网站| 丝袜美腿诱惑在线| 国语自产精品视频在线第100页| 久久九九热精品免费| 亚洲av成人不卡在线观看播放网| 精品久久蜜臀av无| 亚洲av美国av| 91在线观看av| 久久精品91无色码中文字幕| 丝袜在线中文字幕| 久久精品国产99精品国产亚洲性色 | 日韩av在线大香蕉| 亚洲电影在线观看av| 久久这里只有精品19| 午夜福利欧美成人| 亚洲欧美日韩高清在线视频| 久久人妻福利社区极品人妻图片| 精品少妇一区二区三区视频日本电影| 日本一区二区免费在线视频| 日韩 欧美 亚洲 中文字幕| 欧美大码av| 国产一区二区激情短视频| 不卡av一区二区三区| 这个男人来自地球电影免费观看| 男人舔女人的私密视频| 欧美一级毛片孕妇| 亚洲,欧美精品.| 亚洲中文日韩欧美视频| 一个人观看的视频www高清免费观看 | 亚洲av成人av| 国产亚洲精品一区二区www| 亚洲五月天丁香| ponron亚洲| 自拍欧美九色日韩亚洲蝌蚪91| 欧美黄色片欧美黄色片| 欧美日本视频| 色精品久久人妻99蜜桃| 久久人人97超碰香蕉20202| 成年女人毛片免费观看观看9| 亚洲成人国产一区在线观看| 国产亚洲精品av在线| 亚洲黑人精品在线| 亚洲国产欧美日韩在线播放| 久久久久国产一级毛片高清牌| 午夜福利,免费看| 亚洲国产欧美网| 日本 欧美在线| 日本免费一区二区三区高清不卡 | 十八禁网站免费在线| 欧美日本视频| 99riav亚洲国产免费| 乱人伦中国视频| 丰满人妻熟妇乱又伦精品不卡| 国产午夜精品久久久久久| 欧美日韩瑟瑟在线播放| 制服诱惑二区| 波多野结衣av一区二区av| 91大片在线观看| 黄色视频,在线免费观看| 麻豆成人av在线观看| 久久久精品国产亚洲av高清涩受| 国产av一区二区精品久久| 99国产精品99久久久久| 最近最新免费中文字幕在线| 亚洲av成人不卡在线观看播放网| 亚洲第一电影网av| 亚洲无线在线观看| 精品少妇一区二区三区视频日本电影| 免费在线观看亚洲国产| 国产私拍福利视频在线观看| 香蕉久久夜色| 禁无遮挡网站| 国产在线观看jvid| 我的亚洲天堂| 满18在线观看网站| 一区二区三区高清视频在线| 老司机福利观看| 国产午夜精品久久久久久| 老熟妇乱子伦视频在线观看| 国产国语露脸激情在线看| 两个人免费观看高清视频| 热re99久久国产66热| 久久精品91无色码中文字幕| 乱人伦中国视频| 中文字幕最新亚洲高清| 嫩草影院精品99| 亚洲三区欧美一区| 久久精品国产99精品国产亚洲性色 | 国产色视频综合| 国产精品久久久av美女十八| 国产99久久九九免费精品| av视频在线观看入口| 久久久久久人人人人人| 多毛熟女@视频| 色综合站精品国产| 国产精品亚洲一级av第二区| 亚洲成a人片在线一区二区| 免费在线观看完整版高清| 无限看片的www在线观看| 后天国语完整版免费观看| 久久狼人影院| 99国产精品99久久久久| 这个男人来自地球电影免费观看| 久久久国产欧美日韩av| 一级毛片女人18水好多| 久久久久久久久久久久大奶| 人人妻,人人澡人人爽秒播| 最近最新中文字幕大全电影3 | 给我免费播放毛片高清在线观看| 波多野结衣av一区二区av| 怎么达到女性高潮| 亚洲黑人精品在线| 人人妻,人人澡人人爽秒播| 久久热在线av| 日本 欧美在线| 人人妻人人澡欧美一区二区 | 国产av精品麻豆| 精品一区二区三区视频在线观看免费| 中文字幕色久视频| 国产黄a三级三级三级人| 一二三四在线观看免费中文在| e午夜精品久久久久久久| www.999成人在线观看| www日本在线高清视频| av福利片在线| 久久天堂一区二区三区四区| 丝袜美足系列| 久久九九热精品免费| 男人舔女人下体高潮全视频| 亚洲av成人一区二区三| 久久午夜亚洲精品久久| av欧美777| 精品高清国产在线一区| 91国产中文字幕| 日韩精品免费视频一区二区三区| 国产亚洲精品综合一区在线观看 | av超薄肉色丝袜交足视频| 男女午夜视频在线观看| 久久青草综合色| 欧美成人一区二区免费高清观看 | xxx96com| 亚洲国产精品成人综合色| 亚洲少妇的诱惑av| 精品久久久久久久久久免费视频| 日韩av在线大香蕉| 涩涩av久久男人的天堂| 久久热在线av| 啪啪无遮挡十八禁网站| av中文乱码字幕在线| 精品国内亚洲2022精品成人| 亚洲五月天丁香| 国产成人系列免费观看| 中文字幕高清在线视频| 久久久久九九精品影院|