• <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 ?

    基于多尺度混合注意力機(jī)制的視頻摘要算法

    2023-12-04 11:13:18張喻恩李澤平
    關(guān)鍵詞:機(jī)制特征模型

    張喻恩,李澤平

    (貴州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 公共大數(shù)據(jù)國(guó)家重點(diǎn)實(shí)驗(yàn)室,貴州 貴陽(yáng) 550025)

    0 引 言

    目前視頻摘要主流使用的是方法是基于編碼器-解碼器架構(gòu)的深度學(xué)習(xí)算法,編解碼器通常使用的是RNN技術(shù),利用循環(huán)神經(jīng)網(wǎng)絡(luò)強(qiáng)大的處理序列信息的能力,從而能夠更好提取到時(shí)序特征。Zhang等[1]最先把長(zhǎng)短期記憶網(wǎng)絡(luò)應(yīng)用于視頻摘要的研究中,將視頻摘要視為序列到序列的問(wèn)題。Zhao等[2]提出一種分層的LSTM模型,提升了LSTM時(shí)序建模的能力,更好捕捉視頻幀的長(zhǎng)時(shí)間依賴性。如上所述,將編解碼器框架應(yīng)用到視頻摘要的任務(wù)中是可行有效的,但同時(shí)也暴露出了很多的缺點(diǎn):由于網(wǎng)絡(luò)訓(xùn)練過(guò)程中RNN存在著梯度消失、梯度爆炸等問(wèn)題,使得網(wǎng)絡(luò)訓(xùn)練更加難以進(jìn)行,權(quán)重也會(huì)因此確定不了;雖然考慮到了使用時(shí)序特征,但是提取到的視頻幀特征尺度太過(guò)單一;此外,忽略了視頻幀的通道和空間依賴性。最近,F(xiàn)ajtl等[3]提出,把RNN替換成注意力機(jī)制,只需要利用注意力機(jī)制就可以解決序列之間的轉(zhuǎn)換。受他們工作的啟發(fā),本文提出了一種基于多尺度混合注意力機(jī)制的視頻摘要算法,相較于使用RNN作為主干網(wǎng)絡(luò),利用注意力機(jī)制更容易實(shí)現(xiàn)并行計(jì)算。

    以下是本文的主要貢獻(xiàn):

    (1)提出了一種基于多尺度混合注意力機(jī)制的視頻摘要算法MHAVS,編碼器部分設(shè)計(jì)了一個(gè)金字塔空洞卷積模塊獲取視頻幀的多尺度特征,以及在解碼器中嵌入了混合注意力機(jī)制,利用通道注意力機(jī)制和空間注意力機(jī)制學(xué)習(xí)視頻幀的空間維度和通道維度依賴性,而且可以更容易實(shí)現(xiàn)并行計(jì)算。

    (2)在模型中加入了指針網(wǎng)絡(luò),指針網(wǎng)絡(luò)可以在任意的時(shí)間點(diǎn)注意到任意視頻中任何視頻幀,這樣的好處就是能夠有序的生成視頻幀的幀序列。

    (3)在現(xiàn)有的兩個(gè)公開(kāi)的視頻數(shù)據(jù)集TVSum和SumMe上,本文與其它視頻摘要算法相比取得了較好的性能。

    1 相關(guān)工作

    視頻摘要的研究是指從一段長(zhǎng)視頻中提取出關(guān)鍵幀或者關(guān)鍵的視頻鏡頭組合成摘要。視頻摘要的最開(kāi)始的研究方法是基于非深度學(xué)習(xí)的,包括字典學(xué)習(xí)、聚類、稀疏編碼等方法。而隨著現(xiàn)在深度學(xué)習(xí)發(fā)展的越來(lái)越好,深度學(xué)習(xí)廣泛的應(yīng)用在視頻摘要任務(wù)中,這也是在于卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)很強(qiáng)大的特征提取器,以及循環(huán)神經(jīng)網(wǎng)絡(luò)所擁有的強(qiáng)大的時(shí)序信息建模的能力。各種實(shí)驗(yàn)結(jié)果表明,把深度學(xué)習(xí)[4-6]應(yīng)用到視頻摘要的研究中也取得了最好的性能,目前看來(lái),深度學(xué)習(xí)仍將主導(dǎo)著視頻摘要任務(wù)。文獻(xiàn)[7]為了利用視頻中的多模態(tài)信息,使用雙流LSTM網(wǎng)絡(luò)融合音頻特征和視覺(jué)特征,加入音頻特征能更好的表達(dá)原始視頻的內(nèi)容。Chu等[8]將卷積LSTM與典型的CNN的深度表征結(jié)合起來(lái),通過(guò)處理原始幀和它們的光流圖來(lái)提取空間和時(shí)間信息,并在標(biāo)簽分布學(xué)習(xí)過(guò)程中學(xué)習(xí)幀的重要性。為了捕捉長(zhǎng)距離的高階依賴關(guān)系,Zhao等[9]使用LSTM網(wǎng)絡(luò)編碼幀級(jí)依賴關(guān)系以及圖卷積神經(jīng)網(wǎng)絡(luò)編碼鏡頭級(jí)依賴關(guān)系。Yuan等[10]提出了一種融合語(yǔ)義信息的模型,把語(yǔ)義和視覺(jué)信息結(jié)合起來(lái)生成文本摘要,同時(shí)也生成視頻摘要。由于視頻的數(shù)據(jù)太小導(dǎo)致訓(xùn)練出來(lái)的網(wǎng)絡(luò)泛化性能比較差,zhao等[11]設(shè)計(jì)了一種方法,通過(guò)將視頻摘要任務(wù)和視頻重構(gòu)任務(wù)作為基礎(chǔ)來(lái)訓(xùn)練網(wǎng)絡(luò),網(wǎng)絡(luò)的核心使用的是RNN摘要生成器,性能也得到了提高。除此之外,還有研究將強(qiáng)化學(xué)習(xí)和視頻摘任務(wù)相結(jié)合,DR-DSNsup[12]使用深度強(qiáng)化學(xué)習(xí)的策略網(wǎng)絡(luò)訓(xùn)練視頻摘要,注重摘要的代表性和多樣性。3DST-UNet[13]使用U-Net網(wǎng)絡(luò)編碼輸入視頻的時(shí)空信息,再結(jié)合強(qiáng)化學(xué)習(xí)預(yù)測(cè)視頻幀的行動(dòng)。視頻是由幀-鏡頭-視頻組成的,為了能夠獲取視頻的自然結(jié)構(gòu)信息,HMT[14]使用分層Transformer捕捉幀和鏡頭之間的依賴關(guān)系。

    最近,基于注意力機(jī)制的視頻摘要技術(shù)越來(lái)越受歡迎。Lebron等[15]在LSTM的基礎(chǔ)上,引入了一種注意力機(jī)制來(lái)模擬用戶興趣的時(shí)間演化。然后,使用這些信息來(lái)獲取幀的重要性分?jǐn)?shù),并選擇關(guān)鍵幀來(lái)構(gòu)建視頻摘要。Ji等[16]將注意力機(jī)制進(jìn)行擴(kuò)展,集成了一個(gè)語(yǔ)義保持嵌入網(wǎng)絡(luò),該網(wǎng)絡(luò)利用定制的語(yǔ)義保持損失評(píng)估解碼器的輸出與視頻語(yǔ)義保持的關(guān)系。Fu等[17]將注意力機(jī)制和生成對(duì)抗網(wǎng)絡(luò)結(jié)合起來(lái),提出了一種對(duì)抗學(xué)習(xí)的監(jiān)督視頻摘要方法??梢钥闯鲎⒁饬C(jī)制在視頻摘要研究中都起到了很重要的作用,也發(fā)揮出了強(qiáng)大的性能,因此我們使用注意力機(jī)制對(duì)視頻摘要任務(wù)進(jìn)行探究。

    2 模 型

    有監(jiān)督視頻摘要研究可以視為一個(gè)序列到序列的預(yù)測(cè)問(wèn)題,基于此,設(shè)計(jì)了一個(gè)基于多尺度混合注意力機(jī)制的視頻摘要算法,采用的是編碼器-解碼器架構(gòu)。本文模型結(jié)構(gòu)如圖1所示。編碼器網(wǎng)絡(luò)使用卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet提取圖像特征,然后通過(guò)金字塔空洞卷積模塊提取多尺度特征,在增大感受野同時(shí)不會(huì)提高參數(shù)計(jì)算量,采用Concatenate操作進(jìn)行特征融合,接著利用1×1的卷積將特征信息進(jìn)一步融合。解碼器網(wǎng)絡(luò)嵌入混合注意力機(jī)制來(lái)捕獲視頻幀之間局部特征的聯(lián)系,結(jié)合局部特征獲取全局上下文特征,并且建模視頻幀的重要性得分,并通過(guò)動(dòng)態(tài)規(guī)劃根據(jù)鏡頭得分選擇對(duì)應(yīng)的鏡頭,同時(shí)使用指針網(wǎng)絡(luò)生成優(yōu)勢(shì)摘要,組合成最終的視頻摘要。

    圖1 基于多尺度混合注意力機(jī)制的視頻摘要算法模型

    2.1 視頻幀特征提取

    輸入原始視頻的序列,通過(guò)神經(jīng)網(wǎng)絡(luò)提取特征,處理成特征向量。模型輸入特征序X={x1,x2,...,xT},T為原始視頻的幀數(shù)。我們需要對(duì)多個(gè)不同幀的重要性得分進(jìn)行建模,然后將其轉(zhuǎn)換為鏡頭得分,最后選擇相應(yīng)的視頻鏡頭形成最終摘要。模型的輸出序列為Y={y1,y2,…,yT}。其中yT∈(0,1]。我們的特征提取器使用的是GoogLeNet網(wǎng)絡(luò),這個(gè)網(wǎng)絡(luò)是一個(gè)預(yù)訓(xùn)練好的網(wǎng)絡(luò),是通過(guò)ImageNet獲取到的。通過(guò)GoogLeNet網(wǎng)絡(luò)的pool5層提取視頻幀的特征xt。這個(gè)過(guò)程描述為

    ft=CNN(xt)

    (1)

    其中,ft∈1024,CNN(·) 代表卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet,那一段視頻里的特征就可以用F={f1,f2,…,fT} 表示。

    2.2 具有金字塔空洞卷積模塊的編碼器網(wǎng)絡(luò)

    傳統(tǒng)的視頻摘要方法提取到的視頻幀的圖像特征都是單一尺度的,這樣提取到的特征是不完整的,圖像的特征信息得不到充分的利用,會(huì)漏掉許多有用的信息,每個(gè)神經(jīng)元的感受野都是相同的,沒(méi)有考慮到多尺度特征對(duì)視頻摘要質(zhì)量的影響。為了解決這個(gè)問(wèn)題,本算法采用了金字塔空洞卷積模塊提取不同尺度的圖像特征。在增大感受野的情況下,也不會(huì)提升網(wǎng)絡(luò)參數(shù)的運(yùn)算量,圖2展示的是金字塔空洞卷積模塊的結(jié)構(gòu)。由5個(gè)并行的分支組成,包括4個(gè)空洞卷積以及全局平均池化層。其中3個(gè)空洞卷積的大小為3×3,其中膨脹系數(shù)分別為1,6,12,18。每個(gè)卷積后面都添加了BN層和Relu激活函數(shù)。全局平均池化層的作用是過(guò)濾掉不相關(guān)的特征,篩選出更多有用的特征。接著利用Concatenate操作進(jìn)行不同尺度特征圖的融合操作,然后通過(guò)1×1卷積對(duì)特征信息進(jìn)一步融合,輸出視頻幀的多尺度特征。

    圖2 金字塔空洞卷積模塊

    2.3 具有混合注意力機(jī)制的解碼器網(wǎng)絡(luò)

    自注意力層的作用是關(guān)注到與整個(gè)視頻序列關(guān)系最密切的局部依賴特征,使得模型學(xué)習(xí)到全局上下文依賴信息,過(guò)濾掉模型的不相關(guān)信息,減少了一定的計(jì)算量。在自注意力機(jī)制的基礎(chǔ)之上,我們?cè)O(shè)計(jì)了一種混合注意力機(jī)制,包括空間注意力機(jī)制和通道注意力機(jī)制,可以捕獲到視頻幀空間維度和通道維度的依賴關(guān)系。自注意力機(jī)制為每個(gè)視頻幀獲取一個(gè)權(quán)重分?jǐn)?shù),權(quán)重代表了各個(gè)視頻幀在原始視頻里面的重要程度。

    2.3.1 空間注意力機(jī)制

    在空間注意力機(jī)制模塊中,利用空間注意力矩陣建模視頻幀圖像特征不同像素之間的空間依賴關(guān)系,并為每個(gè)視頻幀圖像特征分配不同的注意力權(quán)重。空間注意力機(jī)制將視頻幀長(zhǎng)距離的上下文依賴信息作為局部特征進(jìn)行編碼,充分利用局部特征信息。結(jié)構(gòu)如圖3所示,輸入的特征圖為Z,尺寸為C×H×W。分別通過(guò)3個(gè)膨脹系數(shù)為2的空洞卷積,獲得3個(gè)尺寸為C×H×W的特征圖Za,Zb,Zc。對(duì)特征圖Za分別進(jìn)行Reshape與Transpose操作將尺寸轉(zhuǎn)換為N×C,N=H×W。對(duì)特征圖Zb進(jìn)行Reshape操作將尺寸轉(zhuǎn)換為C×N,N=H×W,接著使用矩陣乘法將得到的特征圖Za和Zb相乘,獲得兩個(gè)像素特征之間的強(qiáng)關(guān)聯(lián)矩陣,然后進(jìn)行softmax操作得到空間注意力圖M,尺寸為N×N。計(jì)算公式如式(2)中所示。接下來(lái),對(duì)特征圖Zc進(jìn)行Reshape操作將尺寸變化為C×N,N=H×W。接著使用矩陣乘法將特征圖Zc和M的轉(zhuǎn)置相乘之后,再乘上一個(gè)權(quán)重系數(shù)γ,將所得到的特征進(jìn)行Reshape操作將尺寸轉(zhuǎn)換為C×H×W,再與原始特征圖Z進(jìn)行相加操作得到最終的輸出P。計(jì)算公式如式(3)中所示

    圖3 空間注意力機(jī)制

    (2)

    (3)

    其中,Mij代表i位置對(duì)j位置特征的關(guān)聯(lián)強(qiáng)度,兩個(gè)位置的特征之間的關(guān)聯(lián)強(qiáng)度有越強(qiáng),Mij所取得的數(shù)值就會(huì)越大。權(quán)重系數(shù)γ初始化為0,在訓(xùn)練中自動(dòng)學(xué)習(xí)權(quán)重。從式(2)中可以看出,獲得的輸出p的特征是將所有特征和原始特征進(jìn)行加權(quán)求和得到的。

    2.3.2 通道注意力機(jī)制

    通道注意力機(jī)制模塊可以捕獲視頻幀特征圖通道維度之間的相互依賴關(guān)系,獲得視頻幀通道維度上的注意力權(quán)重,通道注意力機(jī)制對(duì)通道之間的依賴關(guān)系進(jìn)行建模,捕捉通道維度下的特征信息。結(jié)構(gòu)如圖4所示。輸入的特征圖為Z,尺寸為C×H×W。對(duì)特征圖Z進(jìn)行Reshape操作得到特征圖Z2,尺寸為C×N,N=H×W以及Reshape與Transpose操作得到特征圖Z1,尺寸為N×C。接著使用矩陣乘法將特征圖Z2和Z1相乘,然后進(jìn)行softmax操作得到通道注意力圖Q,尺寸為C×C。計(jì)算公式如式(4)所示。接著對(duì)特征圖Z進(jìn)行Reshape操作得到特征圖Z3,尺寸為C×N,N=H×W,使用矩陣乘法將通道注意力圖Q的轉(zhuǎn)置與特征圖Z3相乘之后,再乘上一個(gè)權(quán)重系數(shù)θ,將所得到的特征進(jìn)行Reshape操作將尺寸轉(zhuǎn)換為C×H×W,在與原始特征圖Z進(jìn)行相加操作得到最終的輸出T,計(jì)算公式如式(5)所示

    圖4 通道注意力機(jī)制

    (4)

    (5)

    其中,Qji代表i通道對(duì)j通道特征的關(guān)聯(lián)強(qiáng)度,兩個(gè)通道的特征之間的關(guān)聯(lián)強(qiáng)度有越強(qiáng),Qji所取得的數(shù)值就會(huì)越大。權(quán)重系數(shù)θ初始化為0,在訓(xùn)練中自動(dòng)學(xué)習(xí)權(quán)重。從式(4)中可以看出,獲得的輸出T的特征是將所有特征和原始特征進(jìn)行加權(quán)求和得到的。使得通道特征圖之間的長(zhǎng)期語(yǔ)義依賴關(guān)聯(lián)關(guān)系得到提高。特征圖的可識(shí)別性也大大增加。

    為了獲得更好的全局上下文依賴信息,對(duì)兩個(gè)輸出進(jìn)行了卷積操作之后,進(jìn)行Concatenate操作將兩個(gè)注意力機(jī)制特征輸出結(jié)果進(jìn)行融合,通過(guò)全連接層進(jìn)行輸出視頻幀重要性分?jǐn)?shù)。

    2.4 指針網(wǎng)絡(luò)

    傳統(tǒng)的視頻摘要方法中存在視頻幀被多次進(jìn)行分割使用以及在選取關(guān)鍵幀時(shí)將候選幀排除在外的問(wèn)題,而且輸入的視頻幀序列往往與輸出的視頻幀序列長(zhǎng)度是不一致的,這會(huì)在一定程度上造成生成視頻摘要質(zhì)量變差。為了解決這個(gè)問(wèn)題,我們引入了指針網(wǎng)絡(luò)。在選擇視頻幀的迭代過(guò)程中,指針網(wǎng)絡(luò)能選擇輸入幀序列中權(quán)重最大的幀作為輸出,而輸出的視頻幀是來(lái)自輸入序列的,而且可以自適應(yīng)輸入視頻幀序列的長(zhǎng)度。指針網(wǎng)絡(luò)表達(dá)式為

    (6)

    p(x1),…p(xi)=Softmax(ci)

    (7)

    其中,xi是輸入的視頻序列,ht是注意力機(jī)制中的隱藏狀態(tài),W1和W2是可學(xué)習(xí)的權(quán)重參數(shù),式(7)輸出選擇結(jié)果。

    2.5 損失函數(shù)

    視頻摘要任務(wù)是從原始視頻中選取一段視頻幀作為視頻摘要,也就是說(shuō),相對(duì)于非關(guān)鍵幀,這些關(guān)鍵幀的數(shù)量就比較少,因而各類別間存在著很大的不均衡性,也就是樣本不平衡。針對(duì)這個(gè)問(wèn)題我們使用損失函數(shù)Focal Loss,這個(gè)損失函數(shù)是處理樣本數(shù)不平衡的方法。損失函數(shù)定義如下

    (8)

    2.6 獲取鏡頭得分

    本文研究的是動(dòng)態(tài)視頻摘要,所以最終是把關(guān)鍵鏡頭組合成視頻摘要。模型輸出的是需要將其轉(zhuǎn)化為關(guān)鍵鏡頭得分的視頻幀重要性分?jǐn)?shù)。首先,把視頻進(jìn)行分段,本文采用的是基于內(nèi)核的時(shí)序分割算法(kernel temporal segmentation,KTS),然后將視頻分割為不同內(nèi)容的場(chǎng)景。關(guān)鍵鏡頭的分?jǐn)?shù)pi是由幀級(jí)重要性分?jǐn)?shù)求和取平均值計(jì)算出來(lái)的。我們最終選取的是關(guān)鍵鏡頭的子集,通過(guò)最大化關(guān)鍵鏡頭得分的同時(shí),生成的視頻摘要的總長(zhǎng)不能超過(guò)原始視頻總長(zhǎng)的15%。因?yàn)橐曨l摘要的工作中要將視頻鏡頭的分最大化,相當(dāng)于是一個(gè)NP難的問(wèn)題,所以選擇0/1背包算法選取對(duì)應(yīng)的關(guān)鍵鏡頭組成視頻摘要。此過(guò)程可形式化為

    (9)

    (10)

    式中:pi是第i個(gè)鏡頭,li是是第i個(gè)鏡頭的長(zhǎng)度,yi,j是第i個(gè)鏡頭里第j幀的幀級(jí)重要性分?jǐn)?shù)。ui∈{0,1} 是代表能不能被選為關(guān)鍵鏡頭,k為鏡頭的數(shù)目,L為視頻的總長(zhǎng)。

    3 實(shí)驗(yàn)及結(jié)果分析

    在上文中,把模型的結(jié)構(gòu)以及有關(guān)的工作進(jìn)行了詳細(xì)的介紹,現(xiàn)在開(kāi)始把重點(diǎn)轉(zhuǎn)向?qū)嶒?yàn)階段的細(xì)節(jié)介紹上,其中包括所采用的數(shù)據(jù)集、評(píng)價(jià)標(biāo)準(zhǔn)、參數(shù)設(shè)置以及分析對(duì)比。

    3.1 實(shí)驗(yàn)設(shè)計(jì)

    3.1.1 數(shù)據(jù)集

    我們?cè)趦蓚€(gè)公開(kāi)的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),包括TvSum、SumMe。TvSum和 SumMe數(shù)據(jù)集是現(xiàn)存的帶有標(biāo)記的符合視頻摘要任務(wù)研究的數(shù)據(jù)集。視頻的播放時(shí)間在1 min到7 min不等,每個(gè)視頻都進(jìn)行了標(biāo)記,由15~18個(gè)用戶完成。TvSum數(shù)據(jù)集包括來(lái)源于10個(gè)不同主題的YouTube的50段視頻。每個(gè)主題包含5個(gè)視頻,主題包括美食節(jié)目、寵物護(hù)理等,視頻的播放時(shí)間在1 min到11 min不等。TvSum數(shù)據(jù)集由20個(gè)用戶進(jìn)行了標(biāo)記并且含有標(biāo)注得分。詳細(xì)數(shù)據(jù)見(jiàn)表1。

    表1 數(shù)據(jù)集具體信息

    3.1.2 評(píng)價(jià)指標(biāo)

    本文評(píng)估所生成的視頻摘要遵循文獻(xiàn)中的方法是為了和以往的工作進(jìn)行對(duì)比。使用F-score值評(píng)價(jià)算法生成的摘要和用戶選取的摘要的相似性。假設(shè)模型生成的摘要用R表示,人工選取的摘要用G表示,兩者的重疊部分為O。精準(zhǔn)率P和召回率R計(jì)算方法如下

    (11)

    (12)

    F-score為精確率和召回率的加權(quán)平均值,計(jì)算方法為

    (13)

    3.1.3 實(shí)驗(yàn)設(shè)置

    我們采納了zhang等[1]的建議,在TvSum和SumMe數(shù)據(jù)集上使用5折交叉驗(yàn)證,數(shù)據(jù)生成隨機(jī)的5組訓(xùn)練集以及測(cè)試集,用80%的數(shù)據(jù)作為訓(xùn)練集,20%的數(shù)據(jù)作為測(cè)試集,這么做不僅能防止模型產(chǎn)生過(guò)擬合,而且也能提升模型的性能。本文使用的特征提取網(wǎng)絡(luò)是GoogLeNet,這個(gè)網(wǎng)絡(luò)是一個(gè)預(yù)訓(xùn)練好的網(wǎng)絡(luò),是通過(guò)ImageNet獲取到的。每個(gè)視頻進(jìn)行采樣時(shí),幀率為2 fps,每一幀的圖像特征維數(shù)為1024。Epoch的最大值設(shè)置為300,學(xué)習(xí)率是0.000 05,還有生成的視頻摘要長(zhǎng)度不能超過(guò)原始視頻的15%。另外,從文獻(xiàn)[13]的研究中可知,選擇F-score值的平均值作為TvSum數(shù)據(jù)集的評(píng)估指標(biāo),選擇F-score值的最大值作為數(shù)據(jù)集SumMe的評(píng)估指標(biāo)。

    3.2 比較與分析

    3.2.1 模型比較

    為了驗(yàn)證本文模型性能,我們選擇了幾個(gè)使用廣泛的視頻摘要模型進(jìn)行對(duì)比。對(duì)比的模型性能都是基于原始論文的效果。

    同等實(shí)驗(yàn)條件下,通過(guò)表2我們可以得出,模型的性能優(yōu)于以前的視頻摘要模型。具體而言,本文所用方法在SumMe數(shù)據(jù)集上比當(dāng)前的方法的F-score值提升了1%,本文所用方法在TvSum數(shù)據(jù)集上比當(dāng)前對(duì)比的方法的F-score值提升了1.3%,如上所述,充分表明了本文所使用的方法進(jìn)行視頻摘要任務(wù)的研究是有效果的。

    表2 模型結(jié)果對(duì)比/%

    3.2.2 消融實(shí)驗(yàn)

    本文以SunMe數(shù)據(jù)集為例,通過(guò)消融實(shí)驗(yàn)驗(yàn)證視頻摘要算法中各個(gè)模塊對(duì)算法性能的影響,DCP為金字塔空洞卷積模塊,SAM為空間注意力機(jī)制,CAM為通道注意力機(jī)制,PN為指針網(wǎng)絡(luò)。

    表3顯示了不同模塊對(duì)算法性能的影響,使用不同的模塊時(shí),F(xiàn)-score的得分會(huì)逐步提高,同時(shí)使用4個(gè)模塊時(shí),算法取得了最好的效果。

    表3 SumMe不同模塊消融實(shí)驗(yàn)結(jié)果對(duì)比/%

    表4展示的是模塊中不同膨脹系數(shù)對(duì)算法的影響,結(jié)果表明,膨脹系數(shù)的不斷增加使得感受野逐漸擴(kuò)大,能夠使得模型獲取到更多的不同尺度的上下文特征,從而提高算法的性能。但如果膨脹系數(shù)過(guò)大,則會(huì)導(dǎo)致算法的性能降低。從表中可以看出,膨脹系數(shù)從(1,6,12,18)變成(1,12,24,36)時(shí),算法性能突然下降,這是由于膨脹系數(shù)太大,從而導(dǎo)致大量的無(wú)用信息,降低算法的性能。

    表4 DCP模塊中不同膨脹系數(shù)對(duì)算法的影響/%

    3.2.3 定性結(jié)果

    通過(guò)可視化本文模型生成摘要的準(zhǔn)確性,能夠更加直接觀察到模型所生成摘要的質(zhì)量。我們以TvSum數(shù)據(jù)集為基準(zhǔn),繪制了視頻16的真實(shí)值與預(yù)測(cè)值的對(duì)比圖。灰色線條代表的是人工標(biāo)注的重要性得分,也就是圖中的真實(shí)值,黑色線條代表的是本文模型所預(yù)測(cè)的幀級(jí)重要性得分,也就是圖中的預(yù)測(cè)值。從圖5我們可以得出,本文模型所預(yù)測(cè)的重要性得分和人工所標(biāo)注的重要性得分曲線的走勢(shì)基本相同,說(shuō)明了本文模型所預(yù)測(cè)的得分基本趨近于真實(shí)得分。這也反映出本文模型的有效性。

    圖5 視頻16預(yù)測(cè)值與真實(shí)值對(duì)比

    除此之外,我們還選擇數(shù)據(jù)集TvSum中的一個(gè)關(guān)于“自行車花式挑戰(zhàn)”的視頻來(lái)展示本文模型所生成視頻摘要的概況。原始視頻內(nèi)容中有除了有車手做了自行車技巧之外,很大一部分都是主持人在介紹自行車的相關(guān)知識(shí)。如圖6所示,采用直方圖能夠更直接的顯示,灰色部分代表的是真實(shí)的重要性得分,黑色部分表示模型選取的鏡頭。通過(guò)觀察圖中的最高峰值可知,模型所選取的摘要和人工所選取的摘要峰值是對(duì)齊的,說(shuō)明本文模型選取的鏡頭是人工標(biāo)注得分較高的,生成了高質(zhì)量的視頻摘要。

    圖6 生成摘要結(jié)果

    4 結(jié)束語(yǔ)

    本文提出了一種基于多尺度混合注意力機(jī)制視頻摘要算法MHAVS,考慮到了視頻摘要內(nèi)容的多層次上下文特征,在使用金字塔空洞卷積的基礎(chǔ)上增加了混合注意力機(jī)制?;旌献⒁饬C(jī)制能從序列到序列的問(wèn)題中獲取到空間維度和通道維度的上下文特征,關(guān)聯(lián)每幀之間的重要性。通過(guò)指針網(wǎng)絡(luò)選取視頻幀,生成有序的視頻摘要。實(shí)驗(yàn)證明,所提出的模型在視頻摘要任務(wù)中優(yōu)于其它視頻摘要模型。未來(lái)將會(huì)把研究重點(diǎn)放在在線視頻摘要生成和用戶個(gè)性化視頻摘要的研究上。同時(shí),也希望在今后的工作中,將本文提出的模型在應(yīng)用在其它領(lǐng)域中。

    猜你喜歡
    機(jī)制特征模型
    一半模型
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    自制力是一種很好的篩選機(jī)制
    文苑(2018年21期)2018-11-09 01:23:06
    抓住特征巧觀察
    3D打印中的模型分割與打包
    破除舊機(jī)制要分步推進(jìn)
    注重機(jī)制的相互配合
    国产日本99.免费观看| 丰满的人妻完整版| 一个人免费在线观看电影| 亚洲欧美日韩高清专用| 国产成人aa在线观看| а√天堂www在线а√下载| 日韩三级伦理在线观看| 少妇人妻一区二区三区视频| av天堂在线播放| 久久精品人妻少妇| 久久久久久久久久久丰满| 插阴视频在线观看视频| 日韩三级伦理在线观看| 大香蕉久久网| 国产综合懂色| 日本一二三区视频观看| 亚洲自偷自拍三级| 夜夜看夜夜爽夜夜摸| 成熟少妇高潮喷水视频| 我要看日韩黄色一级片| 久久欧美精品欧美久久欧美| 欧美日本视频| 欧美+日韩+精品| 99久久九九国产精品国产免费| 变态另类成人亚洲欧美熟女| 国产成人freesex在线| 一级黄色大片毛片| 国产亚洲精品久久久久久毛片| 夜夜看夜夜爽夜夜摸| 欧美+亚洲+日韩+国产| 国产一区二区在线观看日韩| 毛片一级片免费看久久久久| 精品久久久久久久久久久久久| 午夜免费男女啪啪视频观看| 国产三级在线视频| 青青草视频在线视频观看| 99热6这里只有精品| 免费观看精品视频网站| 国产乱人视频| 亚洲最大成人av| 精品人妻熟女av久视频| 国产伦精品一区二区三区四那| 天堂中文最新版在线下载 | 欧美激情在线99| 成人二区视频| 午夜爱爱视频在线播放| 欧美高清性xxxxhd video| 不卡视频在线观看欧美| 精品国产三级普通话版| 亚洲婷婷狠狠爱综合网| 高清在线视频一区二区三区 | 亚洲电影在线观看av| 日韩欧美一区二区三区在线观看| 嫩草影院入口| av在线老鸭窝| 精品人妻偷拍中文字幕| 联通29元200g的流量卡| 国产精品一区二区性色av| 97超视频在线观看视频| 日本欧美国产在线视频| 亚洲三级黄色毛片| 一区二区三区高清视频在线| 国产视频首页在线观看| 亚洲精品456在线播放app| 搞女人的毛片| 久久这里只有精品中国| 一本一本综合久久| 免费av观看视频| 亚洲精品亚洲一区二区| 最近视频中文字幕2019在线8| 国产精品美女特级片免费视频播放器| 国产精品人妻久久久久久| 天天躁夜夜躁狠狠久久av| 亚洲欧洲日产国产| 久久精品国产99精品国产亚洲性色| 欧美日韩国产亚洲二区| 久久亚洲精品不卡| 亚洲精品国产av成人精品| 亚洲天堂国产精品一区在线| 亚洲中文字幕一区二区三区有码在线看| 97超视频在线观看视频| 美女 人体艺术 gogo| 在线播放无遮挡| 免费看a级黄色片| 99九九线精品视频在线观看视频| 欧美另类亚洲清纯唯美| 成人特级黄色片久久久久久久| 我的女老师完整版在线观看| 熟女人妻精品中文字幕| 亚洲精华国产精华液的使用体验 | 成熟少妇高潮喷水视频| 亚洲国产高清在线一区二区三| 国内揄拍国产精品人妻在线| 丰满乱子伦码专区| 两性午夜刺激爽爽歪歪视频在线观看| 特级一级黄色大片| 成人亚洲欧美一区二区av| 99国产极品粉嫩在线观看| 亚洲一级一片aⅴ在线观看| 国产精品免费一区二区三区在线| 97在线视频观看| 国产高清有码在线观看视频| 国产精品久久久久久av不卡| 久久久久九九精品影院| 一进一出抽搐动态| 夜夜夜夜夜久久久久| 国产av一区在线观看免费| 一级毛片aaaaaa免费看小| 大又大粗又爽又黄少妇毛片口| 亚洲五月天丁香| 美女黄网站色视频| 综合色丁香网| 91久久精品电影网| or卡值多少钱| 蜜桃亚洲精品一区二区三区| 成年版毛片免费区| 中文精品一卡2卡3卡4更新| 好男人在线观看高清免费视频| 中文字幕久久专区| 久久国产乱子免费精品| 久久九九热精品免费| 国产大屁股一区二区在线视频| 中文亚洲av片在线观看爽| 亚洲精品色激情综合| 乱系列少妇在线播放| 日本一本二区三区精品| 久久人人精品亚洲av| 听说在线观看完整版免费高清| 美女内射精品一级片tv| 波多野结衣巨乳人妻| 亚洲乱码一区二区免费版| 国产黄片视频在线免费观看| 亚洲欧美日韩高清在线视频| 久久国产乱子免费精品| 午夜精品在线福利| 18+在线观看网站| 日本色播在线视频| 日韩亚洲欧美综合| 久久久欧美国产精品| 国产免费一级a男人的天堂| 久久久精品大字幕| 久久久久九九精品影院| 国产麻豆成人av免费视频| 国产老妇伦熟女老妇高清| 最近中文字幕高清免费大全6| 久久久久久伊人网av| 九九热线精品视视频播放| 久久99热这里只有精品18| 日韩中字成人| 国产真实伦视频高清在线观看| 91av网一区二区| 精品久久久久久久末码| 久久久久性生活片| 日本在线视频免费播放| 中文资源天堂在线| 日本与韩国留学比较| or卡值多少钱| 久久久国产成人免费| 老师上课跳d突然被开到最大视频| 搞女人的毛片| 成人毛片a级毛片在线播放| av天堂在线播放| 哪里可以看免费的av片| 一个人免费在线观看电影| 国产精品一二三区在线看| 精品久久久噜噜| 日本熟妇午夜| 悠悠久久av| 日本与韩国留学比较| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 免费看光身美女| 熟妇人妻久久中文字幕3abv| 国产精品.久久久| 男女做爰动态图高潮gif福利片| 波多野结衣高清作品| 国产精品人妻久久久影院| 免费电影在线观看免费观看| 欧美成人一区二区免费高清观看| 日本黄色片子视频| 欧美变态另类bdsm刘玥| 中文亚洲av片在线观看爽| 精品人妻视频免费看| 欧美日韩乱码在线| 亚洲人与动物交配视频| 国产大屁股一区二区在线视频| 尾随美女入室| 日韩人妻高清精品专区| 国产精品爽爽va在线观看网站| 成人性生交大片免费视频hd| 亚洲国产日韩欧美精品在线观看| 国产三级在线视频| 日韩成人av中文字幕在线观看| 成人鲁丝片一二三区免费| 国产伦在线观看视频一区| 3wmmmm亚洲av在线观看| 日本爱情动作片www.在线观看| 毛片女人毛片| 国产在线精品亚洲第一网站| 日本黄大片高清| 黑人高潮一二区| 精品欧美国产一区二区三| 女的被弄到高潮叫床怎么办| 伦精品一区二区三区| 1000部很黄的大片| av又黄又爽大尺度在线免费看 | 九九久久精品国产亚洲av麻豆| 我要看日韩黄色一级片| 最近手机中文字幕大全| 成人综合一区亚洲| 国产精品综合久久久久久久免费| 国产精品一区二区三区四区久久| 国模一区二区三区四区视频| 国产av一区在线观看免费| 欧美区成人在线视频| 亚洲18禁久久av| 美女cb高潮喷水在线观看| 一本精品99久久精品77| 天天一区二区日本电影三级| 亚洲av中文av极速乱| 婷婷六月久久综合丁香| 噜噜噜噜噜久久久久久91| 99久国产av精品国产电影| 欧美3d第一页| 联通29元200g的流量卡| 国内精品一区二区在线观看| 亚洲精品日韩在线中文字幕 | 人妻久久中文字幕网| 成年版毛片免费区| 久久精品人妻少妇| 欧美性猛交黑人性爽| 亚洲最大成人av| 亚洲成人久久爱视频| 久久久久久久久久久丰满| 天堂中文最新版在线下载 | 人人妻人人澡欧美一区二区| 我要看日韩黄色一级片| 欧美丝袜亚洲另类| 欧美日本视频| 日本与韩国留学比较| 偷拍熟女少妇极品色| 欧美成人精品欧美一级黄| 亚洲在久久综合| 欧美+亚洲+日韩+国产| 国产一区二区三区在线臀色熟女| 精品无人区乱码1区二区| 尾随美女入室| 男女下面进入的视频免费午夜| 18禁裸乳无遮挡免费网站照片| 亚洲丝袜综合中文字幕| 人人妻人人澡欧美一区二区| 国产黄片视频在线免费观看| 免费看日本二区| 欧美最新免费一区二区三区| 热99在线观看视频| 99久久精品国产国产毛片| 久久这里有精品视频免费| av在线观看视频网站免费| 狠狠狠狠99中文字幕| 日本三级黄在线观看| 成人高潮视频无遮挡免费网站| 亚洲国产精品sss在线观看| av在线天堂中文字幕| 免费看av在线观看网站| 成年女人看的毛片在线观看| 日韩欧美精品免费久久| 成人高潮视频无遮挡免费网站| 一级毛片电影观看 | 99热精品在线国产| 亚洲一级一片aⅴ在线观看| 99久国产av精品| 久久热精品热| 日本一二三区视频观看| av天堂中文字幕网| 欧美成人a在线观看| 亚洲性久久影院| 亚洲熟妇中文字幕五十中出| 又爽又黄a免费视频| 久久国产乱子免费精品| 久久人人爽人人片av| 永久网站在线| 男人的好看免费观看在线视频| 岛国毛片在线播放| 亚洲精品国产成人久久av| 丝袜喷水一区| 久久中文看片网| 99热这里只有精品一区| 欧美日韩精品成人综合77777| 99热6这里只有精品| 天堂中文最新版在线下载 | 久久久久久久久久成人| 听说在线观看完整版免费高清| 免费人成在线观看视频色| 久久久久久伊人网av| 晚上一个人看的免费电影| 99国产极品粉嫩在线观看| 国产精品久久久久久精品电影小说 | 中文字幕av在线有码专区| 美女国产视频在线观看| 色尼玛亚洲综合影院| 亚洲国产精品sss在线观看| 国产中年淑女户外野战色| av在线蜜桃| 能在线免费看毛片的网站| 亚洲国产精品合色在线| 听说在线观看完整版免费高清| 成人欧美大片| 床上黄色一级片| 观看免费一级毛片| 97超视频在线观看视频| 久久久久久久久久久丰满| 日韩中字成人| 一卡2卡三卡四卡精品乱码亚洲| 黄片无遮挡物在线观看| 久久人人爽人人片av| 91久久精品电影网| 能在线免费观看的黄片| 日本免费一区二区三区高清不卡| 国产成人aa在线观看| 三级国产精品欧美在线观看| 男人和女人高潮做爰伦理| 99视频精品全部免费 在线| 欧美zozozo另类| 色5月婷婷丁香| 国国产精品蜜臀av免费| 精品久久久久久久人妻蜜臀av| 亚洲熟妇中文字幕五十中出| 亚洲av成人精品一区久久| 久久久久久伊人网av| 欧洲精品卡2卡3卡4卡5卡区| av国产免费在线观看| 99热全是精品| 免费看a级黄色片| 日韩 亚洲 欧美在线| 成年女人看的毛片在线观看| 禁无遮挡网站| 人妻夜夜爽99麻豆av| 中国美女看黄片| 99久久九九国产精品国产免费| 一个人免费在线观看电影| 国产午夜精品一二区理论片| 欧美精品国产亚洲| 中文字幕久久专区| АⅤ资源中文在线天堂| 又黄又爽又刺激的免费视频.| avwww免费| 成年免费大片在线观看| 国产精品福利在线免费观看| 午夜激情欧美在线| 国产极品天堂在线| 日本黄色片子视频| 国产av在哪里看| 少妇人妻精品综合一区二区 | 欧美zozozo另类| 亚洲在久久综合| 成人漫画全彩无遮挡| 在线国产一区二区在线| 国产一区二区三区在线臀色熟女| 亚洲无线观看免费| 久久综合国产亚洲精品| 久久鲁丝午夜福利片| 综合色丁香网| 久久久久国产网址| 色播亚洲综合网| www.av在线官网国产| 日本爱情动作片www.在线观看| 国产免费男女视频| 日日干狠狠操夜夜爽| 日韩,欧美,国产一区二区三区 | 欧美成人免费av一区二区三区| 国产精品无大码| 日本黄色片子视频| 91aial.com中文字幕在线观看| 日韩一区二区三区影片| 国产真实伦视频高清在线观看| 桃色一区二区三区在线观看| 国产三级在线视频| 亚洲精品456在线播放app| 国产 一区精品| 又爽又黄无遮挡网站| 久久国产乱子免费精品| 欧美另类亚洲清纯唯美| 亚洲综合色惰| 亚洲在线自拍视频| АⅤ资源中文在线天堂| 中文字幕av在线有码专区| 成人特级av手机在线观看| 亚洲人成网站在线观看播放| 中国国产av一级| 中文资源天堂在线| 国产黄色小视频在线观看| 97在线视频观看| 国内精品久久久久精免费| 哪里可以看免费的av片| 国产在线男女| 免费大片18禁| 免费看光身美女| 一区二区三区四区激情视频 | 国产淫片久久久久久久久| 国产极品精品免费视频能看的| 国产亚洲精品久久久com| 国产亚洲精品久久久久久毛片| 插阴视频在线观看视频| 免费av不卡在线播放| 成人无遮挡网站| 免费观看在线日韩| 成人av在线播放网站| 欧美+亚洲+日韩+国产| 午夜激情福利司机影院| 日本五十路高清| 日本黄色片子视频| 免费观看a级毛片全部| 精品日产1卡2卡| 国产伦精品一区二区三区视频9| 精品人妻一区二区三区麻豆| 精品一区二区免费观看| 国产成人精品一,二区 | 九草在线视频观看| 欧美成人一区二区免费高清观看| 麻豆久久精品国产亚洲av| av女优亚洲男人天堂| 欧美精品一区二区大全| 成人av在线播放网站| 亚洲精品日韩在线中文字幕 | 国产精品,欧美在线| 亚洲av成人精品一区久久| 变态另类丝袜制服| 天堂av国产一区二区熟女人妻| 我要看日韩黄色一级片| 亚洲欧美日韩东京热| 亚洲高清免费不卡视频| av.在线天堂| 精品一区二区三区视频在线| 精品人妻偷拍中文字幕| 免费看av在线观看网站| 精品国产三级普通话版| 天堂网av新在线| av又黄又爽大尺度在线免费看 | 久久久久国产网址| 好男人视频免费观看在线| 日本成人三级电影网站| 国产老妇伦熟女老妇高清| 日韩人妻高清精品专区| 欧美丝袜亚洲另类| 少妇丰满av| 国产综合懂色| 麻豆国产97在线/欧美| 久久久久免费精品人妻一区二区| 免费搜索国产男女视频| 亚洲国产高清在线一区二区三| 久久久国产成人免费| 亚洲精品日韩在线中文字幕 | 深夜精品福利| 精品久久久久久久人妻蜜臀av| 欧美性猛交╳xxx乱大交人| 日韩,欧美,国产一区二区三区 | 乱码一卡2卡4卡精品| 亚洲国产欧洲综合997久久,| 在线国产一区二区在线| 成人亚洲精品av一区二区| 91av网一区二区| 国产乱人偷精品视频| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 午夜a级毛片| 高清在线视频一区二区三区 | 日本免费a在线| 看十八女毛片水多多多| 99在线视频只有这里精品首页| 男人舔奶头视频| 精品日产1卡2卡| 亚洲综合色惰| 可以在线观看毛片的网站| 美女xxoo啪啪120秒动态图| 国产精品乱码一区二三区的特点| 亚洲va在线va天堂va国产| 人妻夜夜爽99麻豆av| 99热这里只有是精品在线观看| 精华霜和精华液先用哪个| 老师上课跳d突然被开到最大视频| 国产一区二区在线av高清观看| 久久久欧美国产精品| 69av精品久久久久久| 熟女电影av网| 麻豆乱淫一区二区| 黄片wwwwww| 国产又黄又爽又无遮挡在线| 国产成人福利小说| 两性午夜刺激爽爽歪歪视频在线观看| 最近手机中文字幕大全| 亚洲av中文av极速乱| 校园春色视频在线观看| 亚洲国产欧美在线一区| 内射极品少妇av片p| 欧美成人一区二区免费高清观看| 大型黄色视频在线免费观看| 成人亚洲精品av一区二区| 国产精品人妻久久久影院| 日韩成人伦理影院| 18禁在线无遮挡免费观看视频| 我的老师免费观看完整版| 青春草国产在线视频 | 国产精品伦人一区二区| 高清日韩中文字幕在线| 赤兔流量卡办理| 嫩草影院新地址| 成年女人看的毛片在线观看| 人妻系列 视频| 99久久精品热视频| 久久这里有精品视频免费| 两个人视频免费观看高清| 中文亚洲av片在线观看爽| 一级黄片播放器| 男女做爰动态图高潮gif福利片| 亚洲三级黄色毛片| av在线天堂中文字幕| 成人亚洲欧美一区二区av| 久99久视频精品免费| 亚洲成人中文字幕在线播放| 久久人妻av系列| 亚洲精品国产成人久久av| 婷婷亚洲欧美| 能在线免费观看的黄片| eeuss影院久久| 免费观看精品视频网站| 亚洲av第一区精品v没综合| 午夜福利在线观看免费完整高清在 | 九九在线视频观看精品| 最近2019中文字幕mv第一页| 国产一区二区在线观看日韩| 99精品在免费线老司机午夜| 国产黄片视频在线免费观看| 国产一级毛片七仙女欲春2| 婷婷色av中文字幕| 国产精品免费一区二区三区在线| 91狼人影院| 国模一区二区三区四区视频| 国产av在哪里看| 国产综合懂色| 欧美性感艳星| 亚洲国产高清在线一区二区三| 青春草国产在线视频 | 九九爱精品视频在线观看| 日韩三级伦理在线观看| 欧美人与善性xxx| 男插女下体视频免费在线播放| 国产极品天堂在线| 一本精品99久久精品77| 中国国产av一级| 国产精品久久久久久久电影| 久久精品久久久久久久性| 99热只有精品国产| av在线亚洲专区| 最近手机中文字幕大全| 成人三级黄色视频| 国产日韩欧美在线精品| 一夜夜www| 亚洲一区二区三区色噜噜| 一级av片app| 亚洲av免费在线观看| 久久久久久久久久成人| 亚洲四区av| 欧美日韩精品成人综合77777| 一级毛片aaaaaa免费看小| 免费人成视频x8x8入口观看| ponron亚洲| 亚洲国产精品久久男人天堂| 97在线视频观看| 国语自产精品视频在线第100页| 能在线免费观看的黄片| 久久亚洲精品不卡| 小蜜桃在线观看免费完整版高清| 免费搜索国产男女视频| 欧美+亚洲+日韩+国产| 中文字幕人妻熟人妻熟丝袜美| 免费大片18禁| 寂寞人妻少妇视频99o| 蜜桃亚洲精品一区二区三区| 精品久久国产蜜桃| 一个人看的www免费观看视频| 久久精品夜色国产| 日韩欧美三级三区| 久久精品国产亚洲av涩爱 | 婷婷色综合大香蕉| 免费观看精品视频网站| 欧美成人a在线观看| 欧美又色又爽又黄视频| 精品久久久久久久久久久久久| 国产精品精品国产色婷婷| 亚洲电影在线观看av| 精品日产1卡2卡| 综合色av麻豆| 国产午夜福利久久久久久| 精品99又大又爽又粗少妇毛片| 亚洲无线在线观看| 成年女人看的毛片在线观看| 成人亚洲精品av一区二区| 淫秽高清视频在线观看| 日本-黄色视频高清免费观看| 午夜福利成人在线免费观看| 波多野结衣高清无吗| 国产乱人偷精品视频| 久久综合国产亚洲精品| 成人毛片a级毛片在线播放| 国产久久久一区二区三区| 综合色av麻豆| 日本黄色视频三级网站网址| 极品教师在线视频| a级毛片a级免费在线| 精品熟女少妇av免费看| 国产精品蜜桃在线观看 | 国产综合懂色| 日本爱情动作片www.在线观看| 男女啪啪激烈高潮av片| 国产又黄又爽又无遮挡在线| 亚洲欧美日韩卡通动漫| av在线观看视频网站免费|