• <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 ?

    基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法綜述

    2023-12-17 13:40:20于雨郭保琪初士博李恒楊鵬儒
    山東科學(xué) 2023年6期
    關(guān)鍵詞:目標(biāo)檢測深度學(xué)習(xí)

    于雨 郭保琪 初士博 李恒 楊鵬儒

    摘要:水下生物目標(biāo)識別對水產(chǎn)養(yǎng)殖、瀕危生物保護(hù)、生態(tài)環(huán)境監(jiān)測具有重要意義。綜合分析了當(dāng)前各種深度學(xué)習(xí)方法在水下生物目標(biāo)檢測中的應(yīng)用情況。首先介紹了常用的水下生物目標(biāo)檢測數(shù)據(jù)集;然后,按照兩階段和單階段對當(dāng)前常用目標(biāo)檢測方法進(jìn)行分類、分析和總結(jié),詳細(xì)闡述了各類檢測方法的實際應(yīng)用狀況,并重點對上述各類檢測方法優(yōu)化策略的優(yōu)勢與不足進(jìn)行了分析和總結(jié);最后,對基于深度學(xué)習(xí)的水下生物目標(biāo)檢測提出今后的研究重點,為該領(lǐng)域的研究人員提供了資料性的參考依據(jù)。

    關(guān)鍵詞:深度學(xué)習(xí);目標(biāo)檢測;水下生物目標(biāo)檢測

    中圖分類號:TP181?? 文獻(xiàn)標(biāo)志碼:A? ?文章編號:1002-4026(2023)06-0001-07

    Survey of underwater biological object detection methods based on deep learning

    YU Yu1a,1b , GUO Baoqi2, CHU Shibo1a,1b, LI Heng1a,1b,YANG Pengru1a,1b

    (1.a. Institute of Oceanographic Instrumentation;b. National Marine Monitoring Equipment Engineerin

    g Technology

    Research Center ,Qilu University of Technology(Shandong Academy of Sciences),Qingdao 266100,China;

    2. Qingdao Haida Xinxing Software Consulting Co., Ltd., Qingdao 266114, China)

    Abstract∶Underwater biological object detection is crucial for aquaculture, endangered species protection,and ecological environment monitoring. This study comprehensively analyzes the applications of various deep learning methods in underwater biological object detection. The commonly used underwater biological object detection datasets are introduced. The state-of-the-art underwater biological object detection methods are classified, analyzed, and summarized by two stages and one stage. The actual applications of various detection methods are thoroughly described, and the advantages and disadvantages of their optimization strategies are analyzed and summarized. Future works in the field of underwater biological object detection based on deep learning are presented. This study provides a reference basis for researchers in the field of underwater biological object detection.

    Key words∶deep learning;object detection;underwater biological object detection

    水下生物目標(biāo)檢測對于水產(chǎn)養(yǎng)殖、瀕危生物保護(hù)、生態(tài)環(huán)境監(jiān)測等有著重要的意義。傳統(tǒng)的目標(biāo)檢測算法在準(zhǔn)確度、實時性等方面難以滿足水下復(fù)雜場景的應(yīng)用需求。隨著計算機(jī)視覺領(lǐng)域智能化的發(fā)展,基于深度學(xué)習(xí)的目標(biāo)檢測算法取得了突破性的進(jìn)展,相繼出現(xiàn)了精度高但速度較慢的兩階段目標(biāo)檢測方法和實時性好但精度略低的單階段目標(biāo)檢測方法,并在水下生物目標(biāo)檢測領(lǐng)域得到了廣泛的應(yīng)用,成為該領(lǐng)域的研究熱點之一。

    林森等[1]從水下圖像預(yù)處理、目標(biāo)檢測識別、跟蹤關(guān)鍵技術(shù)等多個視覺任務(wù)的角度對水下光學(xué)圖像中目標(biāo)探測關(guān)鍵技術(shù)進(jìn)行了宏觀綜述。Fayaz等[2]按照R-CNN(region-based convolutional neural network)系列、YOLO(you only look once)系列及其他系列對水下目標(biāo)識別的相關(guān)方法進(jìn)行了綜述及實驗驗證。檀盼龍等[3]針對基于聲吶圖像的水下目標(biāo)識別問題,論述了圖像去噪、圖像分割以及水下目標(biāo)識別等方面的主要進(jìn)展。于紅等[4]系統(tǒng)闡述了數(shù)據(jù)集構(gòu)建、數(shù)據(jù)預(yù)處理、水產(chǎn)動物目標(biāo)識別、水產(chǎn)動物目標(biāo)跟蹤等技術(shù)研究進(jìn)展,并重點對其在海洋漁業(yè)領(lǐng)域的應(yīng)用現(xiàn)狀進(jìn)行了詳細(xì)的描述。董金耐等[5]對水下光學(xué)目標(biāo)檢測圖像數(shù)據(jù)集進(jìn)行了總結(jié)與分析,以Faster RCNN和YOLO-v3為基礎(chǔ)對兩種典型的提高目標(biāo)檢測性能的方法進(jìn)行了實驗驗證。然而,針對基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法的綜述十分匱乏,不利于該領(lǐng)域的科學(xué)研究及工程應(yīng)用。基于此,本文對基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法進(jìn)行歸納和總結(jié),梳理了基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法的優(yōu)化策略,并對比分析了優(yōu)化策略的優(yōu)勢與不足,最后對研究趨勢進(jìn)行了展望,并提出了今后的研究方向和重點。

    1 數(shù)據(jù)集

    數(shù)據(jù)是基于深度學(xué)習(xí)目標(biāo)檢測的基礎(chǔ),ImageNet LSVRC(large scale visual recognition challenge)、PASCAL VOC(pascal visual object classes)、MS COCO(Microsoft common objects in context)等大規(guī)模開源數(shù)據(jù)庫的出現(xiàn)極大推動了相關(guān)算法的發(fā)展,并成為領(lǐng)域內(nèi)相關(guān)算法性能測試的基準(zhǔn)。在水下生物目標(biāo)識別領(lǐng)域,大多數(shù)研究都是根據(jù)研究任務(wù)構(gòu)建的小型數(shù)據(jù)集,缺乏大規(guī)模、高質(zhì)量標(biāo)注的開源數(shù)據(jù)集,一定程度上制約了相關(guān)技術(shù)的發(fā)展。學(xué)者們在構(gòu)建開源數(shù)據(jù)集方面進(jìn)行了一系列的嘗試,如表1所示。相關(guān)數(shù)據(jù)集的圖例如圖1所示。

    2 基于兩階段的水下生物目標(biāo)檢測方法

    兩階段的目標(biāo)檢測方法將檢測問題劃分為兩個階段:首先產(chǎn)生候選區(qū)域,其次進(jìn)行分類與預(yù)測位置的微調(diào)。這種檢測方法在檢測準(zhǔn)確率和定位精度上優(yōu)于單階段的目標(biāo)檢測方法。Girshick等[14]2013年提出了R-CNN算法,開創(chuàng)性地使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)目標(biāo)檢測任務(wù),此算法也是兩階段目標(biāo)檢測算法的開篇之作。Girshick等[15]、Ren等[16]在其基礎(chǔ)之上相繼提出了Fast R-CNN、Faster R-CNN算法,形成了R-CNN系列算法。當(dāng)前,基于兩階段的水下生物目標(biāo)檢測仍屬于新興領(lǐng)域,大多數(shù)研究者仍聚焦于對Faster R-CNN等經(jīng)典算法的改進(jìn)。

    袁紅春等[17]提出了一種基于Faster R-CNN二次遷移學(xué)習(xí)和帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法的方法。首先通過ImageNet預(yù)訓(xùn)練模型對Open Images高清魚類數(shù)據(jù)集進(jìn)行一次遷移學(xué)習(xí)初步訓(xùn)練網(wǎng)絡(luò),然后固定檢測模型低3層的卷積網(wǎng)絡(luò)參數(shù),再用水下拍攝的小規(guī)模魚類數(shù)據(jù)集進(jìn)行二次遷移學(xué)習(xí)微調(diào)網(wǎng)絡(luò),最后通過MSRCR(multi-scale retinex with color restoration)算法對水下拍攝的圖像進(jìn)行處理以增強(qiáng)其與高清魚類圖像的相似性,解決水下圖像降質(zhì)問題。結(jié)果表明,該方法利用小規(guī)模水下拍攝魚類數(shù)據(jù)集訓(xùn)練出的網(wǎng)絡(luò)查準(zhǔn)率可達(dá)到98.12%。

    Liu等[18]在Faster R-CNN算法的基礎(chǔ)上進(jìn)行了多處改進(jìn)。首先將骨干網(wǎng)絡(luò)替換為Transformer結(jié)構(gòu),其次添加了路徑聚合網(wǎng)絡(luò),使得深、淺層特征圖更好地疊加和融合,然后使用在線困難樣本挖掘技術(shù)平衡難易樣本數(shù)量,最終使用感興趣區(qū)域?qū)R替換感興趣區(qū)域池化,增加定位精度。相關(guān)改進(jìn)在URPC2018數(shù)據(jù)集上進(jìn)行了實驗驗證,平均準(zhǔn)確率達(dá)到80.54%。

    Lin等[19]提出了一種適用于Faster R-CNN系列算法的數(shù)據(jù)增強(qiáng)方法RoIMix。RoIMix創(chuàng)新性地將多張圖片中提取的感興趣區(qū)域進(jìn)行融合,以模擬水下生物的重疊和遮擋,從而使得模型能夠更好地檢測密集物體。相關(guān)方法在URPC2018數(shù)據(jù)集上進(jìn)行了實驗驗證,平均準(zhǔn)確率在Faster R-CNN算法73.74%的基礎(chǔ)上提升到74.92%。此外,相關(guān)方法也在PASCAL VOC(07+12)數(shù)據(jù)集上進(jìn)行了訓(xùn)練,在VOC 2007測試集上進(jìn)行了測試,平均準(zhǔn)確率在Faster R-CNN算法80.0%的基礎(chǔ)上提升到80.8%。與URPC2018數(shù)據(jù)集上的實驗結(jié)果相比,相關(guān)方法在PASCAL VOC(07+12)數(shù)據(jù)集上的效果并不明顯。顯然,RoIMix更適用于具備重疊、遮擋和模糊特征的URPC2018數(shù)據(jù)集。

    Shi等[20]在Faster R-CNN算法的基礎(chǔ)上進(jìn)行了多處改進(jìn),將骨干網(wǎng)絡(luò)從VGG替換為ResNet(residual neural network),引入Bi-FPN(feature pyramid network)結(jié)構(gòu)以增強(qiáng)網(wǎng)絡(luò)模型的特征提取能力和多尺度特征融合能力,使用EIoU(efficient intersection over union)替換原有的IoU(Intersection over Union),將K-means++聚類算法應(yīng)用于錨框生成,替代原有的默認(rèn)錨框。相關(guān)改進(jìn)在URPC2018數(shù)據(jù)集上進(jìn)行了實驗驗證,平均準(zhǔn)確率達(dá)到88.94%,優(yōu)于Faster-RCNN算法的80.68%及YOLO-v4算法的71.36%。

    上述方法在Faster R-CNN模型基礎(chǔ)上的改進(jìn)方法歸納總結(jié)如表2所示。

    3 基于單階段的水下生物目標(biāo)檢測方法

    單階段的目標(biāo)檢測方法不需要產(chǎn)生候選區(qū)域,直接將檢測問題轉(zhuǎn)化為端到端的回歸問題,與兩階段的目標(biāo)檢測方法相比,在檢測速度上有較大的優(yōu)勢,能夠更好地應(yīng)用于水下機(jī)器人等智能化設(shè)備的水下生物目標(biāo)檢測。單階段的目標(biāo)檢測方法主要是YOLO系列算法等[21-24]。單階段目標(biāo)檢測算法因為良好的性能和較高的精度,在水下生物目標(biāo)檢測領(lǐng)域得到了廣泛的應(yīng)用。

    Wang等[25]對YOLO-v2算法進(jìn)行了優(yōu)化改進(jìn),以用于魚類圖像的快速分類和識別。首先,將模型最后一個卷積層的網(wǎng)格數(shù)從7×7更改為9×9,提升對小型魚類目標(biāo)的檢測效果。其次,根據(jù)實際的應(yīng)用場景,大幅減少了模型最后一個卷積層的過濾器數(shù)量。使用Kaggle-NCFM數(shù)據(jù)集進(jìn)行了實驗驗證。相關(guān)算法的平均準(zhǔn)確率達(dá)到91.2%,檢測速度達(dá)到28.3 幀/s,能夠滿足對漁船捕撈的海洋生物種類進(jìn)行實時檢測和分類的需求。

    Muksit等[26]對YOLO-v3算法進(jìn)行了加強(qiáng)。首先,通過對上采樣步長大小的改進(jìn),減少了對于小尺寸魚類目標(biāo)的誤檢(YOLO-Fish-1)。其次,在YOLO-Fish-1的基礎(chǔ)上,通過增加空間金字塔池化,進(jìn)一步增強(qiáng)了模型在動態(tài)環(huán)境中檢測魚類外觀的能力(YOLO-Fish-2)。相關(guān)算法在基于DeepFish和OzFish數(shù)據(jù)集基礎(chǔ)上的自定義數(shù)據(jù)集進(jìn)行了實驗驗證,YOLO-Fish-1和YOLO-Fish-2分別取得了76.56%和75.70%的平均準(zhǔn)確率,與YOLO-v4算法水平相當(dāng)。

    Chen等[27]在YOLO-v4算法的基礎(chǔ)上進(jìn)行了改進(jìn)。首先,通過殘差塊與通道注意力機(jī)制相結(jié)合,對YOLO-v4骨干網(wǎng)絡(luò)CSPDarknet53(cross stage partial network darknet53)的特征提取能力進(jìn)行增強(qiáng),以獲得加權(quán)多尺度特征。其次,通過特征金字塔對加權(quán)多尺度特征進(jìn)行反復(fù)的提取,以分離出最顯著的加權(quán)多尺度特征。最后,將最顯著的加權(quán)多尺度特征用于水下生物檢測。相關(guān)算法在Brackish數(shù)據(jù)集進(jìn)行了實驗驗證,與YOLO-v4算法相比平均精度提升了5.03%,檢測速度達(dá)到15 幀/s。

    Isa等[28]重點對YOLO-v5算法的優(yōu)化器進(jìn)行了參數(shù)優(yōu)化。通過優(yōu)化算法對學(xué)習(xí)率及動量等關(guān)鍵參數(shù)進(jìn)行了優(yōu)化,得到的優(yōu)化模型在Brackish數(shù)據(jù)集上的平均準(zhǔn)確率達(dá)到了98.6%,檢測速度達(dá)到

    106 幀/s。

    Zhai等[29]在YOLO-v5s算法的基礎(chǔ)上進(jìn)行了改進(jìn),以用于水下海參的識別。首先,使用帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法對圖像進(jìn)行預(yù)處理。其次,引入了卷積注意力模塊,并在YOLO-v5s的頭部網(wǎng)絡(luò)中添加了檢測層。最后,在自定義數(shù)據(jù)集上進(jìn)行了實驗驗證。實驗結(jié)果表明,改進(jìn)算法較YOLO-v5s算法在精度和召回率上分別提升了9%和11.5%。

    Lei等[30]在YOLO-v5s模型的基礎(chǔ)上進(jìn)行三方面的改進(jìn)。將骨干網(wǎng)絡(luò)替換為Swin Transformer,改進(jìn)了多分辨率特征融合方法,并改進(jìn)了置信損失函數(shù)。在URPC數(shù)據(jù)集的基礎(chǔ)上,制作了包含海參、海膽、扇貝、海星等4類生物,總共6 034張圖片的自定義數(shù)據(jù)集。結(jié)果表明,改進(jìn)的YOLO-v5s模型的平均準(zhǔn)確率達(dá)到了87.2%,優(yōu)于SSD、YOLO-v4、YOLO-v5s和YOLO-v5x。

    上述方法在YOLO模型基礎(chǔ)上的改進(jìn)方法歸納總結(jié)如表3所示。

    4 基于深度學(xué)習(xí)的水下生物目標(biāo)檢測改進(jìn)策略

    針對水下生物目標(biāo)檢測中常見的重疊與遮擋、小目標(biāo)檢測、成像模糊等問題,學(xué)者們在數(shù)據(jù)增強(qiáng)、框架結(jié)構(gòu)改進(jìn)、樣本平衡、錨框優(yōu)化等方面提出了相應(yīng)的改進(jìn)策略,以提升水下生物目標(biāo)檢測方法的整體性能,如表4所示。

    5 總結(jié)與展望

    本文綜合分析了當(dāng)前各種深度學(xué)習(xí)方法在水下生物目標(biāo)檢測中的應(yīng)用情況,對水下生物目標(biāo)檢測數(shù)據(jù)集及檢測方法進(jìn)行了綜述。希望能夠為研究人員提供資料性的參考依據(jù)以及研究思路和方法,促進(jìn)相關(guān)檢測方法的推廣和應(yīng)用。結(jié)合現(xiàn)有的研究現(xiàn)狀,基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法在以下三個方面亟待開展更深入的研究工作:

    (1)構(gòu)建大規(guī)模、高質(zhì)量標(biāo)注的開源數(shù)據(jù)集。在水下生物目標(biāo)檢測領(lǐng)域,大多數(shù)研究都是根據(jù)研究任務(wù)構(gòu)建的小型數(shù)據(jù)集,缺乏大規(guī)模、高質(zhì)量標(biāo)注的開源數(shù)據(jù)集,一定程度上制約了相關(guān)技術(shù)的發(fā)展。

    (2)引入語義分割促進(jìn)目標(biāo)檢測性能。語義分割通常需要像素級別標(biāo)注的圖像數(shù)據(jù)集進(jìn)行訓(xùn)練,在完成語義分割的同時提升分類及定位的精度。此外,分割任務(wù)可作為僅在訓(xùn)練階段使用的額外分支引入到原有的檢測算法中,并使用分割損失、檢測損失的多任務(wù)損失函數(shù)來訓(xùn)練模型。

    (3)基于半監(jiān)督或弱監(jiān)督學(xué)習(xí)的水下生物目標(biāo)檢測。在半監(jiān)督或弱監(jiān)督學(xué)習(xí)中,通過弱標(biāo)注信息對模型進(jìn)行訓(xùn)練,讓模型學(xué)習(xí)到有效的水下生物特征,減少數(shù)據(jù)標(biāo)注的人工工作量。

    參考文獻(xiàn):

    [1]林森, 趙潁. 水下光學(xué)圖像中目標(biāo)探測關(guān)鍵技術(shù)研究綜述[J]. 激光與光電子學(xué)進(jìn)展, 2020, 57(6): 26-37. DOI: 10.3788/LOP57.060002.

    [2]FAYAZ S, PARAH S A, QURESHI G J. Underwater object detection: architectures and algorithms-a comprehensive review[J]. Multimedia Tools and Applications, 2022, 81(15): 20871-20916. DOI: 10.1007/s11042-022-12502-1.

    [3]檀盼龍, 吳小兵, 張曉宇. 基于聲吶圖像的水下目標(biāo)識別研究綜述[J]. 數(shù)字海洋與水下攻防, 2022, 5(4): 342-353. DOI: 10.19838/j.issn.2096-5753.2022.04.010.

    [4]于紅. 水產(chǎn)動物目標(biāo)探測與追蹤技術(shù)及應(yīng)用研究進(jìn)展[J]. 大連海洋大學(xué)學(xué)報, 2020, 35(6): 793-804. DOI: 10.16535/j.cnki.dlhyxb.2020-263.

    [5]董金耐, 楊淼, 謝卓冉, 等. 水下圖像目標(biāo)檢測數(shù)據(jù)集及檢測算法綜述[J]. 海洋技術(shù)學(xué)報, 2022, 41(5): 60-72. DOI: 10.3969/j.issn.1003-2029.2022.05.007.

    [6]FISHER R B, CHEN-BURGERY H, GIORDANO D, et al. Fish4Knowledge: collecting and analyzing massive coral reef fish video data[M]. Berlin, Germany: Springer. DOI:10.10071978-3-319-3208-9.

    [7]PEDERSEN M, HAURUM J B, GADE R, et al. Detection of marine animals in a new underwater dataset with varying visibility[C]// 2019 IEEE Conference on Computer Vision and Pattern Recognition(CVPR). Long Beach, USA: IEEE, 2019:18-26.

    [8]Kaggle-NCFM [DB/OL].[2023-01-02]. https://www.kaggle.com/c/the-natureconservancy-fisheries-monitoring.

    [9]FishCLEF2015 [DB/OL].[2023-01-02]. https://www.imageclef.org/lifeclef/2015/fish.

    [10]GARCIA-D′URSO N, GALAN-CUENCA A, PéREZ-SNCHEZ P, et al. TheDeepFish computer vision dataset for fish instance segmentation, classification, and size estimation[J]. Scientific Data, 2022, 9(1): 1-7. DOI: 10.1038/s41597-022-01416-0.

    [11]URPC [DB/OL].[2023-01-02]. http://www.urpc.org.cn/index.html.

    [12]WANG Z H, LIU C W, WANG S J, et al. UDD: an underwater open-sea farm object detection dataset for underwater robotpicking[EB/OL]. [2023-01-03]. https://arxiv.org/abs/2003.01446.

    [13]LIU C W, LI H J, WANG S C, et al. A dataset and benchmark of underwater object detection for robot picking[C]//2021 IEEE International Conference on Multimedia & Expo Workshops (ICMEW). Shenzhen, China: IEEE, 2021: 1-6. DOI: 10.1109/ICMEW53276.2021.9455997.

    [14]GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus, USA: IEEE, 2014: 580-587. DOI: 10.1109/CVPR.2014.81.

    [15]GIRSHICK R. Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision (ICCV). Santiago,Chile: IEEE, 2016: 1440-1448.DOI: 10.1109/ICCV.2015.169.

    [16]REN S Q, HE K M, GIRSHICKR, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149. DOI: 10.1109/TPAMI.2016.2577031.

    [17]袁紅春, 張碩. 基于Faster R-CNN和圖像增強(qiáng)的水下魚類目標(biāo)檢測方法[J]. 大連海洋大學(xué)學(xué)報, 2020, 35(4): 612-619. DOI: 10.16535/j.cnki.dlhyxb.2019-146.

    [18]LIU J, LIU S, XU S J, et al. Two-stage underwater object detection network usingswin transformer[J]. IEEE Access, 2022, 10: 117235-117247. DOI: 10.1109/ACCESS.2022.3219592.

    [19]LIN W H, ZHONG J X, LIU S, et al. ROIMIX: proposal-fusion among multiple images for underwater object detection[C]//ICASSP 2020—2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Barcelona, Spain: IEEE, 2020: 2588-2592. DOI:10.1109/ICASSP40776.2020.9053829.

    [20]SHI P F, XU X W, NI JJ, et al. Underwater biological detection algorithm based on improved faster-RCNN[J]. Water, 2021, 13(17): 2420. DOI: 10.3390/w13172420.

    [21]REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, USA: IEEE, 2016: 779-788. DOI: 10.1109/CVPR.2016.91.

    [22]REDMON J, FARHADI A. YOLO9000: better, faster, stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, USA. IEEE, 2017: 6517-6525. DOI: 10.1109/CVPR.2017.690.

    [23]REDMON J, FARHADI A. YOLOv3: An incrementalimprovement[EB/OL].[2023-01-03]. https://arxiv.org/abs/1804.02767.pdf.

    [24]BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4: Optimal speed and accuracy of objectdetection[EB/OL].[2023-01-03].https://arxiv.org/abs/2004.10934.pdf.

    [25]WANG M F, LIU M Y, ZHANG F H, et al. Fast classification and detection of fish images with YOLOv2[C]//2018 OCEANS - MTS/IEEE Kobe Techno-Oceans (OTO). Kobe, Japan: IEEE, 2018: 1-4. DOI: 10.1109/OCEANSKOBE.2018.8559141.

    [26]AL MUKSIT A, HASAN F, HASAN BHUIYAN EMON M F, et al. YOLO-Fish: a robust fish detection model to detect fish in realistic underwater environment[J]. Ecological Informatics, 2022, 72: 101847. DOI: 10.1016/j.ecoinf.2022.101847.

    [27]CHEN L, LIU Z H, TONG L, et al. Underwater object detection using Invert Multi-ClassAdaboost with deep learning[C]//2020 International Joint Conference on Neural Networks (IJCNN). Glasgow, UK: IEEE, 2020: 1-8. DOI: 10.1109/IJCNN48605.2020.9207506.

    [28]ISA I S, ROSLI M S A, YUSOF U K, et al. Optimizing the hyperparameter tuning of YOLOv5 for underwater detection[J]. IEEE Access, 2022, 10: 52818-52831. DOI: 10.1109/ACCESS.2022.3174583.

    [29]ZHAI X Y, WEI H L, HE YY, et al. Underwater Sea cucumber identification based on improved YOLOv5[J]. Applied Sciences, 2022, 12(18): 9105. DOI: 10.3390/app12189105.

    [30]LEI F, TANG FF, LI S H. Underwater target detection algorithm based on improved YOLOv5[J]. Journal of Marine Science and Engineering, 2022, 10(3): 310. DOI: 10.3390/jmse10030310.

    [31]LI X, SHANG M, QIN H W, et al. Fast accurate fish detection and recognition of underwater images with Fast R-CNN[C]//OCEANS 2015-MTS/IEEE Washington. Washington, DC: IEEE, 2016: 1-5.

    [32]XU W W, MATZNER S. Underwater fish detection using deep learning for water power applications[C]//2018 International Conference on Computational Science and Computational Intelligence (CSCI). Las Vegas, USA: IEEE, 2020: 313-318. DOI: 10.1109/CSCI46756.2018.00067.

    [33]劉萍, 楊鴻波, 宋陽. 改進(jìn)YOLOv3網(wǎng)絡(luò)的海洋生物識別算法[J]. 計算機(jī)應(yīng)用研究, 2020, 37(S1): 394-397.

    [34]KNAUSGRD K M, WIKLUND A, SRDALEN T K, et al. Temperate fish detection and classification: a deep learning based approach[J]. Applied Intelligence, 2022, 52(6): 6988-7001. DOI: 10.1007/s10489-020-02154-9.

    [35]LI A L, YU L, TIAN S W. Underwater biological detection based on YOLOv4 combined with channel attention[J]. Journal of Marine Science and Engineering, 2022, 10(4): 469. DOI:10.3390/jmse10040469.

    [36]張琳, 葛艷, 杜軍威, 等. 改進(jìn)FCOS網(wǎng)絡(luò)的海洋魚類目標(biāo)檢測[J]. 計算機(jī)系統(tǒng)應(yīng)用,2023,32(3):309-315. DOI: 10.15888/j.cnki.csa.008965.

    猜你喜歡
    目標(biāo)檢測深度學(xué)習(xí)
    視頻中目標(biāo)檢測算法研究
    軟件(2016年4期)2017-01-20 09:38:03
    行為識別中的人體運動目標(biāo)檢測方法
    有體驗的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識別研究
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    移動機(jī)器人圖像目標(biāo)識別
    基于背景建模法的運動目標(biāo)檢測
    老鸭窝网址在线观看| 久久久国产一区二区| 久久久精品94久久精品| 亚洲精品国产av成人精品| 天堂俺去俺来也www色官网| 国产成人系列免费观看| 国产一区二区三区综合在线观看| 制服诱惑二区| 观看美女的网站| 在线免费观看不下载黄p国产| 免费黄频网站在线观看国产| 午夜福利免费观看在线| 国产欧美日韩综合在线一区二区| av在线播放精品| 国产乱来视频区| h视频一区二区三区| av.在线天堂| 性少妇av在线| 亚洲综合精品二区| 亚洲欧美日韩另类电影网站| 宅男免费午夜| 丝袜人妻中文字幕| 丰满迷人的少妇在线观看| 欧美精品亚洲一区二区| 亚洲视频免费观看视频| 久久精品亚洲av国产电影网| 欧美久久黑人一区二区| 在线免费观看不下载黄p国产| 欧美 日韩 精品 国产| 亚洲欧美成人精品一区二区| 成人手机av| 搡老乐熟女国产| 老司机影院成人| 伊人久久国产一区二区| 成人亚洲欧美一区二区av| 国产欧美日韩综合在线一区二区| 一区二区三区乱码不卡18| 免费黄网站久久成人精品| 国产一区二区三区综合在线观看| 国产麻豆69| 国产1区2区3区精品| 18禁动态无遮挡网站| 国产精品二区激情视频| av福利片在线| 久久99热这里只频精品6学生| 青春草国产在线视频| 国产成人午夜福利电影在线观看| 久久精品国产亚洲av高清一级| 亚洲一卡2卡3卡4卡5卡精品中文| 91精品伊人久久大香线蕉| 黄色 视频免费看| 亚洲男人天堂网一区| 亚洲人成电影观看| 天美传媒精品一区二区| 亚洲精品在线美女| 欧美老熟妇乱子伦牲交| 美女主播在线视频| 9191精品国产免费久久| 纯流量卡能插随身wifi吗| 欧美日本中文国产一区发布| 久久这里只有精品19| 啦啦啦视频在线资源免费观看| 国产精品久久久久久精品古装| 黄片小视频在线播放| 婷婷色麻豆天堂久久| 欧美少妇被猛烈插入视频| 黄色视频在线播放观看不卡| 午夜免费男女啪啪视频观看| 在线观看免费日韩欧美大片| 国产人伦9x9x在线观看| 一边摸一边做爽爽视频免费| 久久毛片免费看一区二区三区| 丝袜人妻中文字幕| 亚洲 欧美一区二区三区| 亚洲av综合色区一区| 男女床上黄色一级片免费看| 日本色播在线视频| 国产精品一区二区在线不卡| 国产精品国产三级国产专区5o| 久久狼人影院| 人成视频在线观看免费观看| 午夜免费鲁丝| 国产在线一区二区三区精| 国产精品一区二区在线观看99| 人人妻人人澡人人看| 国精品久久久久久国模美| 丝袜在线中文字幕| 人人妻人人澡人人爽人人夜夜| 亚洲美女视频黄频| 亚洲自偷自拍图片 自拍| 欧美av亚洲av综合av国产av | 少妇人妻 视频| 啦啦啦中文免费视频观看日本| 老司机靠b影院| 久久鲁丝午夜福利片| 国产熟女午夜一区二区三区| 99久久综合免费| 嫩草影视91久久| 最近中文字幕2019免费版| 国产成人免费观看mmmm| 一级黄片播放器| 熟女av电影| 黄片无遮挡物在线观看| 精品少妇内射三级| 久久婷婷青草| 丝袜人妻中文字幕| 亚洲成人手机| av在线老鸭窝| 人成视频在线观看免费观看| 亚洲欧洲精品一区二区精品久久久 | 国产一区二区 视频在线| 国产日韩欧美视频二区| 看十八女毛片水多多多| 亚洲av福利一区| 欧美日韩av久久| 国产午夜精品一二区理论片| 精品国产一区二区久久| 卡戴珊不雅视频在线播放| 亚洲伊人色综图| 国产有黄有色有爽视频| 男女国产视频网站| 啦啦啦啦在线视频资源| 99国产综合亚洲精品| 色婷婷av一区二区三区视频| 在现免费观看毛片| 国产一卡二卡三卡精品 | 在现免费观看毛片| 精品少妇黑人巨大在线播放| e午夜精品久久久久久久| 一本大道久久a久久精品| 男人添女人高潮全过程视频| 欧美日韩视频精品一区| 夜夜骑夜夜射夜夜干| 午夜影院在线不卡| 男人操女人黄网站| 99九九在线精品视频| 搡老岳熟女国产| 久久久久久久久久久久大奶| 一区二区三区四区激情视频| 免费少妇av软件| 亚洲一码二码三码区别大吗| 日韩成人av中文字幕在线观看| 三上悠亚av全集在线观看| 国产精品av久久久久免费| 国产一区亚洲一区在线观看| 激情视频va一区二区三区| 啦啦啦 在线观看视频| 精品一区二区三区四区五区乱码 | 在线观看www视频免费| 黄色视频不卡| 视频区图区小说| 一本大道久久a久久精品| 少妇精品久久久久久久| 免费人妻精品一区二区三区视频| 婷婷色综合www| 欧美变态另类bdsm刘玥| 欧美日韩福利视频一区二区| 欧美国产精品va在线观看不卡| 精品一品国产午夜福利视频| 99精品久久久久人妻精品| 午夜91福利影院| 少妇精品久久久久久久| 免费高清在线观看视频在线观看| 亚洲自偷自拍图片 自拍| 国产不卡av网站在线观看| 街头女战士在线观看网站| 毛片一级片免费看久久久久| 久久久精品免费免费高清| 日本午夜av视频| 久久精品国产综合久久久| 美女午夜性视频免费| 超色免费av| 午夜福利视频精品| 成人午夜精彩视频在线观看| 日本wwww免费看| a 毛片基地| 国产成人一区二区在线| 久久久精品国产亚洲av高清涩受| 国产日韩欧美视频二区| 精品免费久久久久久久清纯 | 亚洲国产精品成人久久小说| 黄色视频不卡| 亚洲综合色网址| 国产精品国产三级国产专区5o| videosex国产| 国产视频首页在线观看| 丁香六月天网| 亚洲色图 男人天堂 中文字幕| 人妻人人澡人人爽人人| 人人妻人人爽人人添夜夜欢视频| 国产一区亚洲一区在线观看| 亚洲专区中文字幕在线 | 亚洲五月色婷婷综合| 五月开心婷婷网| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲成人一二三区av| 欧美日韩综合久久久久久| 男女边吃奶边做爰视频| 99久久人妻综合| 欧美精品人与动牲交sv欧美| 美女福利国产在线| 深夜精品福利| 久久久久国产一级毛片高清牌| 国产亚洲av高清不卡| 免费高清在线观看日韩| xxxhd国产人妻xxx| 国产精品麻豆人妻色哟哟久久| 日韩人妻精品一区2区三区| 精品少妇久久久久久888优播| 国产野战对白在线观看| 国产一区二区三区av在线| 超碰成人久久| 美女高潮到喷水免费观看| 色吧在线观看| 熟妇人妻不卡中文字幕| 日韩大码丰满熟妇| 大片免费播放器 马上看| 午夜福利乱码中文字幕| 日韩不卡一区二区三区视频在线| 侵犯人妻中文字幕一二三四区| 亚洲国产精品999| 中文字幕人妻熟女乱码| 最近的中文字幕免费完整| 亚洲人成77777在线视频| 国产人伦9x9x在线观看| 日韩电影二区| 国产一区二区在线观看av| 99热全是精品| 亚洲第一区二区三区不卡| 国产日韩一区二区三区精品不卡| 欧美av亚洲av综合av国产av | 欧美精品高潮呻吟av久久| 街头女战士在线观看网站| 久久精品亚洲熟妇少妇任你| 久久久久久久久久久免费av| 人人妻人人添人人爽欧美一区卜| 久久婷婷青草| 中文字幕色久视频| 国产爽快片一区二区三区| 麻豆av在线久日| 丰满少妇做爰视频| 大香蕉久久网| 丰满迷人的少妇在线观看| 男女午夜视频在线观看| bbb黄色大片| 丝袜脚勾引网站| 十八禁网站网址无遮挡| 久久影院123| 搡老岳熟女国产| 精品国产乱码久久久久久小说| 亚洲欧美精品综合一区二区三区| 十八禁网站网址无遮挡| 青春草亚洲视频在线观看| 伊人久久大香线蕉亚洲五| 丝袜美腿诱惑在线| 可以免费在线观看a视频的电影网站 | 国产又爽黄色视频| 麻豆av在线久日| 国产免费视频播放在线视频| 国产精品久久久av美女十八| 你懂的网址亚洲精品在线观看| 亚洲国产av新网站| 精品久久久精品久久久| 激情视频va一区二区三区| 99re6热这里在线精品视频| 最新的欧美精品一区二区| 黄片播放在线免费| 免费看av在线观看网站| 19禁男女啪啪无遮挡网站| 国产黄频视频在线观看| 国产精品一区二区在线观看99| 一级,二级,三级黄色视频| 欧美精品av麻豆av| 一边摸一边抽搐一进一出视频| 美女视频免费永久观看网站| 久久女婷五月综合色啪小说| 777米奇影视久久| 久久久久精品性色| 另类亚洲欧美激情| 亚洲人成电影观看| 丰满迷人的少妇在线观看| 婷婷色av中文字幕| 一区二区日韩欧美中文字幕| 久久免费观看电影| 青青草视频在线视频观看| 三上悠亚av全集在线观看| 免费高清在线观看日韩| 精品久久蜜臀av无| 亚洲四区av| 国产爽快片一区二区三区| 久久人妻熟女aⅴ| 久久久久国产一级毛片高清牌| 9热在线视频观看99| 新久久久久国产一级毛片| 精品国产乱码久久久久久男人| 黄色怎么调成土黄色| 国产成人午夜福利电影在线观看| 一级毛片电影观看| 欧美变态另类bdsm刘玥| 一级毛片电影观看| 欧美变态另类bdsm刘玥| 丰满乱子伦码专区| 建设人人有责人人尽责人人享有的| 国产成人精品久久二区二区91 | 在线观看一区二区三区激情| e午夜精品久久久久久久| 在线亚洲精品国产二区图片欧美| 别揉我奶头~嗯~啊~动态视频 | 一区二区三区乱码不卡18| 大香蕉久久网| 国产免费视频播放在线视频| 女人久久www免费人成看片| 成人漫画全彩无遮挡| 成年动漫av网址| 国产97色在线日韩免费| 国产在线一区二区三区精| 在线观看免费午夜福利视频| 久久久久久久国产电影| 观看av在线不卡| 亚洲精品在线美女| 如日韩欧美国产精品一区二区三区| 国产黄色视频一区二区在线观看| 男女边摸边吃奶| 一边摸一边抽搐一进一出视频| 肉色欧美久久久久久久蜜桃| av不卡在线播放| 色94色欧美一区二区| 黄色怎么调成土黄色| 国产伦理片在线播放av一区| 青春草亚洲视频在线观看| 另类亚洲欧美激情| 久久久久人妻精品一区果冻| 国产不卡av网站在线观看| 男女边吃奶边做爰视频| 久久毛片免费看一区二区三区| 亚洲国产中文字幕在线视频| 国产av一区二区精品久久| 国产男女内射视频| 考比视频在线观看| av天堂久久9| 午夜免费观看性视频| 国产精品人妻久久久影院| 丝袜喷水一区| 啦啦啦在线观看免费高清www| 欧美av亚洲av综合av国产av | 亚洲精华国产精华液的使用体验| 男女高潮啪啪啪动态图| 宅男免费午夜| 国产成人av激情在线播放| 80岁老熟妇乱子伦牲交| 国产精品一区二区在线不卡| 亚洲久久久国产精品| 国产精品一区二区在线不卡| 亚洲,欧美,日韩| 91老司机精品| 国产欧美亚洲国产| 亚洲精品久久午夜乱码| 女人久久www免费人成看片| 啦啦啦视频在线资源免费观看| 成年人免费黄色播放视频| 久久久久久久久免费视频了| 久久鲁丝午夜福利片| 国产99久久九九免费精品| 日本黄色日本黄色录像| av卡一久久| 国产成人精品在线电影| av国产久精品久网站免费入址| 女人久久www免费人成看片| 久久国产亚洲av麻豆专区| 日本黄色日本黄色录像| 毛片一级片免费看久久久久| 丝袜美腿诱惑在线| 国产精品嫩草影院av在线观看| 男女免费视频国产| 最近2019中文字幕mv第一页| 免费人妻精品一区二区三区视频| 飞空精品影院首页| 操出白浆在线播放| 丝瓜视频免费看黄片| 国产一区二区在线观看av| 伊人久久国产一区二区| 久久久久国产一级毛片高清牌| 久久国产精品男人的天堂亚洲| 自拍欧美九色日韩亚洲蝌蚪91| 欧美97在线视频| 国产男女内射视频| 宅男免费午夜| 免费观看性生交大片5| 国产一区二区激情短视频 | 久久热在线av| 亚洲久久久国产精品| 国产精品一区二区在线不卡| 波多野结衣av一区二区av| 男女边摸边吃奶| 久久国产亚洲av麻豆专区| 日韩 欧美 亚洲 中文字幕| 亚洲精品自拍成人| 色播在线永久视频| 少妇被粗大的猛进出69影院| 最新的欧美精品一区二区| 久久 成人 亚洲| videos熟女内射| 亚洲色图 男人天堂 中文字幕| 欧美国产精品va在线观看不卡| 捣出白浆h1v1| 各种免费的搞黄视频| 欧美人与性动交α欧美软件| 蜜桃在线观看..| 欧美人与性动交α欧美精品济南到| 午夜福利影视在线免费观看| 午夜福利,免费看| 精品第一国产精品| 日韩,欧美,国产一区二区三区| 国产1区2区3区精品| 久久国产精品大桥未久av| 国产精品久久久久成人av| 亚洲欧美精品自产自拍| 侵犯人妻中文字幕一二三四区| 欧美日韩成人在线一区二区| 午夜精品国产一区二区电影| 性少妇av在线| 国产精品香港三级国产av潘金莲 | 久久精品亚洲熟妇少妇任你| 亚洲一区二区三区欧美精品| 国产精品蜜桃在线观看| 久久这里只有精品19| 波多野结衣av一区二区av| 一边亲一边摸免费视频| 国产成人午夜福利电影在线观看| 亚洲,一卡二卡三卡| 夫妻性生交免费视频一级片| 中文乱码字字幕精品一区二区三区| 美女脱内裤让男人舔精品视频| 最近中文字幕高清免费大全6| 80岁老熟妇乱子伦牲交| 久久久精品国产亚洲av高清涩受| 一边摸一边做爽爽视频免费| 国产高清不卡午夜福利| 国产一区二区 视频在线| 波多野结衣av一区二区av| av福利片在线| 下体分泌物呈黄色| 国产毛片在线视频| 中文字幕人妻熟女乱码| 欧美 日韩 精品 国产| 国产精品一国产av| 精品久久久精品久久久| 女性生殖器流出的白浆| av一本久久久久| 不卡av一区二区三区| 精品少妇黑人巨大在线播放| 色综合欧美亚洲国产小说| 伊人久久大香线蕉亚洲五| 国产日韩欧美视频二区| 欧美精品人与动牲交sv欧美| 国产成人欧美| 成人国产av品久久久| 日韩一卡2卡3卡4卡2021年| 亚洲精品一区蜜桃| 欧美中文综合在线视频| 老汉色av国产亚洲站长工具| 最近手机中文字幕大全| 国产黄色免费在线视频| 免费黄网站久久成人精品| 狂野欧美激情性xxxx| 欧美黑人精品巨大| av国产精品久久久久影院| 欧美日韩亚洲综合一区二区三区_| 国产老妇伦熟女老妇高清| 又大又爽又粗| 中文字幕制服av| 各种免费的搞黄视频| 国产精品国产av在线观看| av在线播放精品| 一级毛片黄色毛片免费观看视频| 在线免费观看不下载黄p国产| 别揉我奶头~嗯~啊~动态视频 | 建设人人有责人人尽责人人享有的| 日韩伦理黄色片| 91成人精品电影| 欧美日韩亚洲国产一区二区在线观看 | 久久久久久人妻| 日韩大片免费观看网站| 午夜福利一区二区在线看| 欧美日韩视频高清一区二区三区二| av有码第一页| 下体分泌物呈黄色| 别揉我奶头~嗯~啊~动态视频 | 在线观看www视频免费| 日韩伦理黄色片| 国产日韩欧美在线精品| 91老司机精品| 免费观看人在逋| 一级a爱视频在线免费观看| 大香蕉久久成人网| 男女午夜视频在线观看| 国产高清国产精品国产三级| 夫妻性生交免费视频一级片| 国产精品免费视频内射| 男人操女人黄网站| 一级爰片在线观看| 观看美女的网站| 国产有黄有色有爽视频| 黄网站色视频无遮挡免费观看| 日韩伦理黄色片| 精品亚洲成a人片在线观看| 久久久久精品国产欧美久久久 | 午夜激情av网站| 别揉我奶头~嗯~啊~动态视频 | 日日啪夜夜爽| 国产亚洲最大av| 90打野战视频偷拍视频| 国产精品久久久久久精品电影小说| 欧美日韩视频精品一区| 国产精品久久久av美女十八| 欧美日韩视频高清一区二区三区二| 国产av码专区亚洲av| 99热全是精品| e午夜精品久久久久久久| 免费看不卡的av| 国产免费视频播放在线视频| 美女大奶头黄色视频| 狠狠精品人妻久久久久久综合| 久久久国产一区二区| 亚洲精品美女久久av网站| 久久精品亚洲熟妇少妇任你| 亚洲天堂av无毛| 日本欧美视频一区| 免费观看性生交大片5| 男女免费视频国产| 亚洲三区欧美一区| 日韩一卡2卡3卡4卡2021年| 国产精品国产av在线观看| 精品卡一卡二卡四卡免费| 视频在线观看一区二区三区| 97在线人人人人妻| 国产日韩一区二区三区精品不卡| 国产熟女欧美一区二区| 国产日韩欧美视频二区| 中国三级夫妇交换| 99re6热这里在线精品视频| 免费在线观看视频国产中文字幕亚洲 | 一区福利在线观看| 国产免费视频播放在线视频| 久久免费观看电影| 九九爱精品视频在线观看| 日本猛色少妇xxxxx猛交久久| 亚洲中文av在线| 欧美国产精品va在线观看不卡| 一区在线观看完整版| 美女中出高潮动态图| 日本爱情动作片www.在线观看| 在线看a的网站| 国产无遮挡羞羞视频在线观看| 一级毛片 在线播放| 深夜精品福利| 在线 av 中文字幕| 日韩精品有码人妻一区| 国产成人午夜福利电影在线观看| 亚洲综合精品二区| 成人黄色视频免费在线看| 在线观看一区二区三区激情| 久久精品久久精品一区二区三区| 满18在线观看网站| 成年av动漫网址| 久久久久精品国产欧美久久久 | 搡老岳熟女国产| 一区二区三区四区激情视频| 天天躁夜夜躁狠狠久久av| 纯流量卡能插随身wifi吗| 黑人猛操日本美女一级片| 国产高清不卡午夜福利| 啦啦啦啦在线视频资源| 一级片'在线观看视频| 女性生殖器流出的白浆| 一边摸一边做爽爽视频免费| 一本—道久久a久久精品蜜桃钙片| 亚洲男人天堂网一区| 在线 av 中文字幕| 少妇人妻 视频| 欧美老熟妇乱子伦牲交| 热99国产精品久久久久久7| 91aial.com中文字幕在线观看| 男人添女人高潮全过程视频| 丝袜美足系列| 久久精品亚洲av国产电影网| 精品国产一区二区三区四区第35| 毛片一级片免费看久久久久| 一区二区三区精品91| 欧美在线黄色| 大片免费播放器 马上看| 91国产中文字幕| 日韩电影二区| 99九九在线精品视频| 日本av免费视频播放| avwww免费| 欧美乱码精品一区二区三区| 波多野结衣一区麻豆| 精品人妻在线不人妻| 最近手机中文字幕大全| 欧美日韩福利视频一区二区| 亚洲视频免费观看视频| 热99国产精品久久久久久7| 人人妻人人澡人人看| 亚洲国产精品999| 国产片特级美女逼逼视频| 极品人妻少妇av视频| 亚洲精品美女久久久久99蜜臀 | 考比视频在线观看| 亚洲欧美清纯卡通| 国产欧美日韩综合在线一区二区| 亚洲欧美成人精品一区二区| 亚洲精品日本国产第一区| 菩萨蛮人人尽说江南好唐韦庄| 在线精品无人区一区二区三|