• <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 ?

    深度學習在野生動物保護中的應用

    2023-12-22 10:17:14鐘俊杰鈕冰陳沁陳翔王艷
    獸類學報 2023年6期
    關鍵詞:深度模型

    鐘俊杰 鈕冰 陳沁 陳翔 王艷

    (1 上海大學生命科學學院,上海 200444)(2 上海海關,上海 200135)(3 上海海關動植物與食品檢驗檢疫技術中心,上海 200135)

    物種多樣性、遺傳多樣性和生態(tài)系統(tǒng)多樣性共同構成了生物多樣性,其中物種多樣性又包括動物種類的豐富性。野生動物既是寶貴的生物資源,也是生態(tài)系統(tǒng)不可或缺的一部分。它們在物質循環(huán)和能量流動中扮演著重要角色,并具有諸如促進植物生長、調節(jié)植物群落結構和維持水土等方面的生態(tài)學價值 (張同作等,2022)。然而,在自然因素和人為因素的干擾下,野生動物的數量和種類在持續(xù)減少 (Phelpset al., 2010)。野生動物數量和功能多樣性的下降導致其他物種群體的滅絕率上升,并影響整個生態(tài)系統(tǒng)的功能 (Malhiet al., 2022)。此外,由于人類開發(fā)和經濟需求的增加,與野生動物的接觸也越來越頻繁,一些傳染病如SARS、COVID-19 和禽流感等開始流行,對人類及動物構成巨大的健康風險 (You, 2020),據估計至少有70%新興的人畜共患疾病起源于野生動物 (Hassellet al., 2017)。鑒于上述原因,科學家們正在努力利用先進的技術手段,例如遙感技術、基因測序和深度學習等,來識別、檢測和追蹤野生動物,這些技術的應用將有助于更好地了解野生動物的生態(tài)需求和行為習性,從而制定更有效的保護策略。但在識別、檢測、追蹤野生動物以及確定野生動物的種群數量等方面,存在困難與挑戰(zhàn),例如許多野生動物物種數量較少,且行為隱蔽、難以辨別并且主要棲息在廣闊而偏遠的地區(qū) (Weinstein, 2018)。

    隨著大數據時代的到來,深度學習和各類研究領域交叉融合。在野生動物保護方面,深度學習應用前景廣闊。深度學習算法能夠自動檢測和從數據中提取特征。這意味著我們只需要告訴深度學習算法圖片中是否存在野生動物,并且給定足夠多的例子,它將能夠自己弄清楚野生動物的樣子 (Christinet al., 2019)。將深度學習與無人機、衛(wèi)星遙感和可穿戴傳感器等設備結合后,可以應用于野生動物的生長估計、疾病監(jiān)測和行為檢測等 (Maoet al., 2023),因而有利于節(jié)省人力、財力和時間,加強野生動物的保護 (圖1)。傳統(tǒng)的野生動物個體識別通常基于視覺特征,例如斑點、花紋等,而深度學習則可以從某類相似野生動物圖像中提取出更加復雜的特征并精確識別個體的身份。個體識別有許多優(yōu)勢,例如減少了對動物的干預、可以追蹤不易捕捉的物種、減少數據處理時間等。此外,深度學習還可以結合無人機和衛(wèi)星遙感、紅外相機等技術,為野生動物保護提供新穎而有效的方法 (Liet al., 2022)。本文介紹了深度學習及其原理,詳細回顧了深度學習在野生動物保護領域的4個主要應用。

    圖1 深度學習在野生動物保護中的應用場景Fig. 1 Application scenario of deep learning in wildlife conservation

    1 深度學習

    1.1 深度學習概述

    機器學習是指通過算法和訓練,使計算機理解和處理特定數據,旨在構建模型以完成目標檢測或自然語言翻譯等認知任務 (Janieschet al.,2021)。目前涌現了許多傳統(tǒng)算法,如人工神經網絡 (Artificial Neural Network, ANN) (Schmidhuber,2015)、隨機森林 (Random Forest, RF) (Antoniadiset al., 2021)、邏輯回歸 (Logistic Regression, LR)(Bonte and Vercauteren, 2018) 等。而深度學習是機器學習的一個分支 (Zhuet al., 2020),它的核心是人工神經網絡,神經網絡的靈感源于神經元的運作,最早是在1943 年由神經生理學家Warren Mc-Culloch 和數學家Walter Pitts 提出,模擬大量神經元相互連接并處理大量信息 (Piccinini, 2004; Khamparia and Singh, 2019)。深度學習的概念是由Hinton 和Salakhutdinov (2006) 提出,是指用于通過多層非線性變換對復雜高緯度數據進行建模的算法集合。深度學習與傳統(tǒng)的機器學習算法主要區(qū)別在于,深度學習可以從數據中自動學習特征,無需人工確定特征 (Wenet al., 2020)。深度學習預測性能高、泛化能力強,因而在面部、語音、圖像、自然語言處理、醫(yī)學科學等領域中應用廣泛 (Darganet al., 2020)。

    1.2 深度學習原理

    深度學習是一種特殊的神經網絡,而典型的神經網絡由輸入層、中間層以及輸出層構成。在神經網絡中,信息通過許多神經元進行傳遞,輸入層的神經元接收輸入信號,再乘以權重值后到達中間層,再經歷n層后輸出相應結果。在此過程中,隨著層數的增加,會得到更有效的特征和信息 (Zeiler and Fergus, 2014)。目前,已經衍生出了各種深度學習的框架,例如卷積神經網絡 (Convolutional Neural Network, CNN)、循環(huán)神經網絡 (Recurrent Neural Network, RNN)、生成對抗網絡(Generating Adversarial Network, GAN) 等 (Mishraet al., 2022)。

    CNN 是一種專門用于處理圖像數據的深度學習算法,在計算機視覺領域得到了廣泛應用,主要結構如圖2 所示,分為輸入、卷積層、池化層、全連接層和輸出 (Mittalet al., 2021)。卷積層是CNN 模型的核心,卷積層中的神經元排列在矩陣中,形成多通道特征圖,每個通道中的神經元僅連接到該層之前特征圖的一部分 (Liu and Wang,2021)。感受野是在卷積的過程中所提取的圖片信息,而卷積核的尺寸與感受野成正比,卷積核的尺寸越大,感受野越大,提取特征也越多。常用的卷積核尺寸有1 × 1、3 × 3、5 × 5、7 × 7 和11 ×11 五種類型,并且可以對卷積核進行替換 (馬金林等,2022)。雖然大尺寸卷積核在特征提取的過程中表現優(yōu)異,但是會使計算量增加,因而InceptionV3 將5 × 5 的卷積替換為兩個3 × 3 的卷積,為卷積替換提供了思路 (Szegedyet al., 2016)。池化層,也稱為下采樣層,池化操作從上部特征圖中提取主要信息并保留特征 (Alzubaidiet al.,2021),通常包括最大池化和局部池化。局部池化是通過來自局部區(qū)域的數據來顯示特征圖的方法,而全局池化,為特征圖中的每個特征創(chuàng)建一個標量值,表示來自特征向量的圖像 (Zafaret al.,2022),它會選取每個區(qū)域內的最大值作為輸出,相比于局部池化,全局池化能保留更多的特征信息,但計算量較大。在卷積和池化之間交替后,經常會構建一個全連接層。全連接層將所有信息組合在一起,將多維特征轉換為一維特征,然后將其移交給最終回歸器和分類器以產生最終結果(Wang and Su, 2022)。CNN 具有局部感知和參數共享的優(yōu)勢,每個神經元只要感知圖像的局部像素并在更高層合并這些信息從而得到圖像全部特征信息,而參數共享減少了參數數量,降低了模型的復雜度 (Wanget al., 2022)。

    圖2 CNN基本結構Fig. 2 Basic structure of CNN

    RNN 是神經網絡的一種特定架構,目的是對有特定順序關系的數據進行建模,最早由Rumelhart (1986) 提出。為了處理順序數據,RNN 具有神經元連接的循環(huán)層,神經元的信息被傳遞給同一層和下一層的神經元 (Tranet al., 2021)。RNN廣泛應用于序列特異性強的數據,例如文本、音頻和視頻等 (Yuet al., 2019)。最成功的RNN 架構之一是長短期記憶 (Long Short-Term Memory,LSTM),其部分程度解決了梯度消失的問題,包含3種類型的門:輸入門、遺忘門和輸出門,這3種門精妙地結合了長期記憶和短期記憶 (Wanget al.,2022)。門控循環(huán)單元網絡 (Gated Recurrent Unit networks, GRU) 來自LSTM,在拓撲、計算成本和復雜性方面是RNN 的輕量級版本,比標準LSTM更輕 (Alomet al., 2019)。

    GAN 是由Ian Goodfellow 在2014 年發(fā)布,是一種無監(jiān)督的深度學習方法,其中兩個神經網絡在零和游戲中相互競爭 (Goodfellowet al., 2014)。該網絡主要由生成器和鑒別器構成,其中生成器獲取隨機噪聲矢量作為輸入和輸出,而鑒別器用于區(qū)分真實圖像和生成器創(chuàng)建的假圖像 (Aldausariet al., 2023)。網絡以對抗的方式進行訓練,同時會提高鑒別器和生成器的性能,最終達到納什均衡 (Nash Equilibrium)。GAN 被廣泛研究,并提出了許多改進版本。谷歌提出了邊界平衡生成對抗網絡 (BEGAN),可以平衡圖像多樣性和視覺質量(Hahet al., 2018)。而Wasserstein GAN (WGAN) 算法與傳統(tǒng)GAN 相比,用有意義的損失函數與生成器的收斂性和樣本質量相關聯(lián),提高了優(yōu)化過程的穩(wěn)定性 (陳宇等,2021)。由于GAN 出色的數據生成能力,目前已經被應用于圖像修復、視頻生成和預測、提高圖像質量等方面 (Porkodiet al.,2022)。

    2 深度學習在野生動物保護中的應用

    2.1 野生動物視頻識別

    自動隱蔽攝像機或紅外相機在大量連續(xù)收集野生動物數據方面有巨大優(yōu)勢,在各類自然保護地野生動物監(jiān)測中得到了快速應用 (肖治術等,2022)。但是大量的圖像和視頻人工處理極其耗時且單調,而利用計算機視覺中深度學習可以實現對野生動物視頻的自動識別 (Nguyenet al., 2017)。野生動物視頻檢測可以概括為6 個步驟 (Liet al.,2020):(1) 拍攝視頻;(2) 將視頻轉換為幀;(3) 標注圖像;(4) 利用深度學習對標注圖像進行訓練;(5) 在獨立數據上驗證和測試模型;(6) 使用訓練好的模型檢測其他視頻。Wang 等 (2021) 提出了一個帶有補丁檢測器的特征融合網絡 (FFN-PD),用于解決大熊貓 (Ailuropoda melanoleuca) 識別困難,并發(fā)現眼睛周圍的視覺特征在大熊貓識別中起著重要作用。Schindler 和Steinhage (2021) 基于相機陷阱,評估了在夜間各類深度學習框架對鹿、野豬、狐貍和野兔的識別,發(fā)現Mask R-CNN 與ResNet 相結合,產生了最佳結果,動物檢測和識別的平均精度為63.8%。Islam 和Valles (2020) 建立一個靈活的CNN 架構,用于從相機陷阱圖像中檢測蛇、蜥蜴、蟾蜍和青蛙等野生動物。此研究建立了一個高效的監(jiān)測系統(tǒng),可以加速野生動物調查和分析的進程。Lei 等 (2022b) 從瀕危物種蜂猴 (Nycticebus bengalensis) 的監(jiān)測視頻中提取幀,測試了兩種基于YOLOv5 的優(yōu)化模型,發(fā)現YOLOv5-CBAM+TC 模型比YOLOv5 具有更好的精度和召回率,是圈養(yǎng)環(huán)境中檢測蜂猴的有效方法,有助于實現基于計算機視覺的蜂猴面部和姿勢識別。Falzon等 (2020) 開發(fā)了一款名為ClassifyMe的野外偵察軟件,專門識別相機陷阱中的野生動物,該軟件的主要框架是DarkNet 和YOLOv2,可用于在現場捕獲圖像數據和分析。這些研究基于不同的方法,旨在提高野生動物識別和監(jiān)測的效率和準確率。這些成果都使用了深度學習技術來解決野生動物識別和監(jiān)測的問題,其中包括特征融合、補丁檢測器、優(yōu)化模型等方面的創(chuàng)新。同時,都著重考慮了實際應用中遇到的問題,如夜間光線、圈養(yǎng)環(huán)境、相機陷阱等,提出了相應的解決方案。

    由于相機陷阱在拍攝時存在大量不包含目標野生動物的圖像,需要對數據進行過濾。在監(jiān)測白鯨 (Delphinapterus leucas) 時,Westphal等 (2022)提出使用CNN 過濾掉67.9%不含白鯨的空白幀,并以97.0%的準確率識別白鯨。Dai等 (2021) 提出了一種稱為TS網絡的方法,用于分割背景和前景,該網絡由改進的跟蹤網絡和顯著性網絡組成,將視頻分割為相關幀,識別準確率提高了1.9%。相比于傳統(tǒng)人工識別,目前可以在野外設置攝像頭后,定時傳回視頻再用深度學習進行識別,如果發(fā)現野生動物則可采取相應措施并進行保護 (黃志靜等,2022)。野生動物的視頻識別經歷了由人工識別到相機陷阱識別的過程,而深度學習模型在相機陷阱識別數據處理中發(fā)揮重要作用,過濾了只包含空白背景的幀,并且對目標進行識別。然而一些問題有待解決,例如圖像模糊、異物遮擋等,這些問題是野生動物視頻識別所面臨的挑戰(zhàn),也是未來的研究方向。

    2.2 野生動物圖像識別

    對于那些在個體或群體之間差異不明顯且數量龐大的物種,精確的個體識別就會比較困難,因而野生動物的圖像是最難識別的對象之一。此外,野生動物生活在自然棲息地,由于植物的遮擋,使識別更加困難 (Venkitasubramanianet al.,2016)。Kim 等 (2022) 基于Faster R-CNN 對26 種亞馬遜鸚鵡 (genusAmazona) 進行分類,而Faster RCNN 提升了運行速度,進一步把檢測速度提高到準實時,有利于保護亞馬遜鸚鵡的野生種群。Santangeli 等 (2022) 基于YOLOv3 識別禿鷲 (Torgos tracheliotos) 和其他大型鳥類,有助于自動化遠程大量收集野生動物生態(tài)數據。Chen 等 (2020) 開發(fā)了一種全自動深度學習算法,用于大熊貓面部檢測和身份預測,并且建立了最大的大熊貓圖像數據集,其中包含來自218 種不同大熊貓的6 441 張圖像。Xie等 (2019) 搜集了內蒙古賽罕烏拉國家級自然保護區(qū)的中華斑羚 (Naemorhedus griseus)、馬鹿 (Cervus canadensis)、狍 (Capreolus pygargus)、猞猁 (Lynx lynx) 和獾 (Meles meles) 等動物圖像并基于多分支聚合和擠壓激勵網絡的集成模型構建自動圖像識別模型,模型準確率為95.3%。Zhang等 (2020) 從澳大利亞昆士蘭州的幾個國家公園收集數據建立了大型全高清野生動物監(jiān)測圖像數據集,并基于CNN 識別了袋鼠 (Macropus)、鴯鹋(Dromaius novaehollandiae) 等多種野生動物。而在野生動物精準個體識別方面,傳統(tǒng)采用人工標記或者記憶方法,需要專業(yè)人員蹲點觀察很長時間才能把目標野生動物區(qū)分開,耗時耗力又容易產生混淆。Guo 等 (2020a) 利用神經網絡模型開發(fā)了靈長類動物識別系統(tǒng),能夠精確識別41 種靈長類動物,對秦嶺地區(qū)的川金絲猴 (Rhinopithecus roxellana) 識別率高達95.6%。趙婷婷等 (2018) 利用Cifar-10 深度學習模型代替人眼,用金錢豹 (Campanumoea javanica) 花紋的差異性來區(qū)分金錢豹個體,進而估算區(qū)域內金錢豹的種群數量。根據東北虎 (Panthera tigris altaica) 的體側條紋信息不具有對稱性,使用CNN 模型有助于實現東北虎個體的精確自動識別 (史春妹等,2021)。這些研究所采用的檢測算法有所不同,如Faster R-CNN、YOLOv3、CNN 等。這些算法有著各自的優(yōu)缺點,在不同的場景下可能表現更優(yōu)秀。因此,選擇合適的算法對于實現高質量的動物檢測任務非常關鍵。此外,這些研究對于數據預處理、模型訓練、檢測速度等方面的細節(jié)也進行了深入探究,Zhang 等(2020) 所建立的全高清野生動物監(jiān)測圖像數據集,可以為后續(xù)研究提供高質量的數據支持。未來可以繼續(xù)深入探索這一領域的技術應用和創(chuàng)新,為野生動物保護和管理工作做出更大的貢獻。

    為了更準確地識別野生動物,科研工作者對不同的模型進行了測試與比較。Ueno 等 (2022) 使用GoogLeNet 和ResNet-18 與順序貝葉斯濾波器組合后改善了對日本獼猴 (Macaca fuscata) 的識別,推測順序貝葉斯濾波器可以提高日本獼猴個體識別的準確性。楊銘倫等 (2022) 收集了神農架國家級自然保護區(qū)內梅花鹿 (Cervus nippon)、毛冠鹿(Elaphodus cephalophus)、斑羚 (Aepyceros melampus petersi)、野豬 (Sus scrofa)、紅腹角雉 (Tragopan temminckii) 的圖像,比較了YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x四種模型的識別精度,認為YOLOv5m 綜合性能較好。Guo 等(2020b) 在夜間采集了土狼 (Proteles cristatus)、鹿(Cervidae)、負鼠 (Didelphinae)、浣熊 (Procyon lotor) 和臭鼬 (Mephitis mephitis) 的圖像,這些圖像中的動物很多情況下被草或樹木遮擋使檢測和分類更具挑戰(zhàn)性,他們開發(fā)了一種多通道區(qū)域建議和分類網絡 (VCRPCN),與R-CNN 相比速度更快,且準確率提高了21.0% 。de Silva等 (2022) 應用5種不同類型的CNN 模型 (VGG16、ResNet50、InceptionV3、Xception 和Alexnet) 識別亞洲象 (Elephas maximus),發(fā)現Xception模型性能最佳,亞洲象的耳朵是關鍵特征。Shi 等 (2020) 采集了40 只東北虎8 277 張圖像,相比于LeNet、ResNet34 和ZF_Net 算法,他們構建的深度卷積神經網絡(Deep Convolutional Neural Network, DCNN) 精度較高,運行速度較快。Shi等 (2022) 收集了47只東北虎12 244 張圖像并基于CNN 開發(fā)了自動檢測和識別方法,發(fā)現右臉和左、右身條紋的組合實現了最高的準確率。這些研究涵蓋了不同種類的動物,并使用了不同類型的深度學習模型,如InceptionV3、ResNet34、YOLOv5 等。并且針對不同的環(huán)境和情況,預處理和增強可以有效提高動物識別和分類任務的準確性。特征選擇是影響動物識別和分類任務準確性的重要因素之一,深度學習被應用于野生動物的圖像識別,識別常用的特征包括斑點圖案、條紋圖案、面部特征、身體特征等 (Petsoet al., 2022),但是種群內部個體相似時,精確的個體識別較為困難,目前實現野生動物精確個體識別仍然是重大挑戰(zhàn)之一。此外,有研究表明,圖像中個體識別特征發(fā)生旋轉、特征部位分離度差和拍照時的光線昏暗等因素也會降低圖像識別的準確度,因此需要利用合適的深度學習模型來解決這些問題 (Houet al., 2020)。

    2.3 野生動物安全監(jiān)測

    利用深度學習這一工具對野生動物進行安全監(jiān)測,可以提高監(jiān)測效率。野生動物一旦受到威脅,監(jiān)測系統(tǒng)能夠做出快速響應。Surya 等 (2022)使用DCNN 進行動物檢測和區(qū)分的實時圖像處理,并通過物聯(lián)網監(jiān)測野生動物,以避免人與野生動物的沖突,一旦檢測到野生動物,其GPS 位置將以短信形式發(fā)送到護林員。

    基于良好的目標檢測和分類性能,深度學習為實現野生動物豐度估算提供了有力支撐,大大減少生物計數所花費的人力。Eikelboom 等 (2019)評估了多類卷積神經網絡RetinaNet 在航拍圖像中檢測大象、長頸鹿 (Giraffa camelopardalis) 和斑馬(Equus bruchelli) 數目的性能,發(fā)現航拍計數可以減少人工計數的誤差。由于棲息地規(guī)模廣,位置偏遠,海鳥的種群計數非常困難,而Hayes 等(2021) 利用無人機和CNN 計數黑眉信天翁 (Thalassarche melanophrys) 和南跳巖企鵝 (Eudyptes crestatus),準確率高達97.7%和87.2%。

    分析野生動物的行為,例如繁殖、遷徙以及異常行為,有助于評估種群規(guī)模,及時發(fā)現野生動物的異常,對野生動物保護具有積極的指導意義。Swarup 等 (2021) 收集了來自超過218 只大熊貓的10 000 多張圖像,并結合Faster R-CNN 和ResNet 識別了大熊貓的5 種行為:行走、坐、休息、攀爬和進食以及2種面部動作:睜開或閉上眼睛和嘴巴,這些行為可以及時向大熊貓護理人員發(fā)出信號。Lei 等 (2022a) 基于YOLOv5 識別了夜間蜂猴的行為,這些行為包括進食、移動、休息和社交,有助于管理者及時發(fā)現蜂猴的健康問題。Jeantet 等 (2022) 訓練了一個完全卷積的神經網絡V-net 用于識別綠海龜 (Chelonia mydas) 的筑巢行為和產卵數量,有助于評估綠海龜種群狀況。Maekawa 等 (2020) 構建了多尺度分層注意力模型(DeepHL-Net),發(fā)現雌性海鳥的遷徙軌跡明顯比雄性海鳥更接近海岸線,棲息地和覓食地等特定地點的絕對坐標會影響海鳥的行為,為海鳥的監(jiān)測保護提供思路。Roy 等 (2022) 使用GAN 模擬和捕獲海鳥覓食軌跡,提示GAN 在野生動物運動建模方面的潛在用途。Sun等 (2020) 提出了基于稠密鏈接塊改進的VGG 識別分類算法,用于識別梅花鹿體姿態(tài)如站立、起身、趴臥、回頭等4 種日常行為,解決了人工監(jiān)測時梅花鹿易產生應激反應的問題。外部異常環(huán)境會導致魚類產生異常反應,如魚群回避以及異常游動等,而Yuan 等 (2021) 提出了視頻異常檢測模型TransAnomaly 可以對魚類的異常行為進行有效監(jiān)測。這些研究表明,深度學習技術可以幫助我們更好地了解動物的生態(tài)習性和健康狀況,在野生動物行為識別和分類方面的應用前景廣闊。通過不斷地優(yōu)化算法和模型,解決數據收集和處理、環(huán)境因素以及保護管理等問題,可以為野生動物的保護和管理工作做出更大貢獻。野生動物行為受到環(huán)境、季節(jié)、食物等多種因素的影響,因此我們還需要考慮如何對這些影響進行建模和應對。由于野生動物的行為是由環(huán)境和生理因素所引起的,種群的行為、特點及調節(jié)機制等方面的研究較少 (邊疆暉,2021),利用深度學習模型準確分析和解釋野生動物的行為是一個重要的研究方向。科研人員需要與保護管理人員密切合作,將野生動物行為識別和分類技術與野生動物保護和管理工作結合起來,實現更好的保護效果。

    2.4 野生動物音頻識別

    生物聲學是生物學和聲學的組合,是生物多樣性監(jiān)測系統(tǒng)的重要組成部分,在保護容易滅絕的物種方面取得了重大進展。野生動物的音頻識別與其他種類的音頻識別流程類似,首先需要通過傳感器收集聲音信號,接著經過加窗、噪聲的過濾等預處理后,通過深度學習模型處理音頻數據提取特征圖并識別。Ruff 等 (2021) 利用CNN 識別14 種鳥類和哺乳動物發(fā)出的聲音并且創(chuàng)建了一個桌面應用程序,但是同時識別多個動物聲音的可靠性較低。當音頻片段中存在多種鳥類時,現有的鳥類生物聲學監(jiān)測系統(tǒng)會陷入困境。為了克服這些挑戰(zhàn),Shrestha 等 (2021) 提出了基于Faster R-CNN 的音頻分割系統(tǒng),用于區(qū)分單個音頻片段中多個鳥類的發(fā)聲,分割錯誤率為21.81。鳥類聲音可以傳遞森林火災的警告,Permana等 (2022) 通過CNN,識別了正常情況下和受威脅情況下鳥的叫聲,分類準確率高達96.5%,為森林火災的預警提供幫助。Zhao 等 (2022) 設計了一種基于擠壓和激發(fā)網絡 (SENet) 的模型,從大熊貓的發(fā)聲中自動識別其年齡和性別,可用于未來野生大熊貓調查。Al Bashit 和Valles (2019) 通過改進和優(yōu)化信號處理技術,成功應用于瀕臨滅絕的休斯頓蟾蜍的交配呼叫檢測和定位,以保護其免受捕食者的獵殺。他們修改帶通濾波器和幀大小并結合梅爾頻率倒譜系數 (Mel-scale frequency cepstral coefficients, MFCC) 和LSTM 遞歸神經網絡進行叫聲分析。研究結果顯示,在訓練集上達到了94.0%的準確率,在測試集上達到了92.6%的準確率,因而這一方法對于保護休斯頓蟾蜍具有積極的意義。Nanni等 (2020) 在鳥類、蝙蝠和鯨魚音頻數據集上測試了6 種不同的CNN (AlexNet、GoogleNet、Vgg-16、Vgg-19、ResNet 和Inception),發(fā)現可以對多個CNN 進行微調和融合,以實現魯棒強和廣泛適用的動物音頻分類。這些研究表明,深度學習技術在野生動物聲音識別和分類方面具有很大的應用潛力,證明了其在多物種語音識別中的可行性。未來的研究可以探索如何解決存在多種物種時的聲音識別問題,并通過不斷優(yōu)化算法和模型,促進野生動物保護和管理工作。

    海洋哺乳動物會產生各種各樣的聲音,而水下環(huán)境聲音嘈雜,對音頻識別造成一定困難?;ⅥL (Orcinus orca) 叫聲特別,Bergler 等 (2019) 基于ResNet 識別了虎鯨的聲音,測試準確率高達94.0%。由于虎鯨、長肢領航鯨 (Globicephala melas) 和豎琴海豹 (Pagophilus groenlandicus) 生活區(qū)域高度重疊,Lu等 (2021) 使用CNN 檢測和分類這3 種海洋哺乳動物的聲音,每個經過訓練的模型只需1.3 ms 即可檢測或分類,整體準確度達97.4%。Madhusudhana 等 (2021) 利用CNN 和LSTM 網絡模型的組合識別長須鯨 (Balaenoptera physalus) 的聲音,提示聲音的時序性在識別野生動物音頻中的潛在價值。但是Bergler 等 (2019) 的算法僅限于虎鯨聲音識別,無法適用于其他野生動物聲音的識別和分類,而Lu 等 (2021) 的方法可以識別3 種海洋動物。上述研究都探討了使用深度學習技術識別和分類野生動物聲音的問題,并通過不同的網絡結構和模型構建方式,取得了較高的識別和分類準確率。此外,我們還需要建立更加完善和廣泛的野生動物聲音數據集,并將深度學習技術與其他技術結合使用,以實現更加全面、系統(tǒng)和有效的野生動物保護和管理工作。目前人們對野生動物的音頻識別興趣日益濃厚,而大多數聲學研究集中在相對不受干擾的棲息地 (Gibbet al.,2019),例如森林和海洋,但是人為噪聲或者雜音可能會干擾目標野生動物的識別。野生動物聲學研究對象主要是翼手目和靈長目,而對其他陸生野生動物的研究較少,有待進一步研究 (馬海港和范鵬來,2023)。此外,野生動物群落、環(huán)境以及聲音三者的聯(lián)系有待探索 (Tobiaset al., 2014),同樣也是一個重要的研究方向之一。

    3 深度學習的優(yōu)勢及存在問題

    在野生動物保護中,深度學習模型可以代替人工識別或監(jiān)測,并通常具有更高準確性。深度學習模型經過訓練后即可實現不間斷工作,有助于減少人為活動對野生動物產生的影響,減少野生動物保護工作者在野外遇到危險的可能性。針對不同數據集,深度學習可以快速學習野生動物特征,不需要像人一樣依據自身經驗和足夠的知識儲備,主觀識別相似或者相近的野生動物。由于數據共享和開源,大眾可以廣泛訪問深度學習模型和數據集,有利于模型的優(yōu)化和改進。此外,與傳統(tǒng)機器學習相比,深度學習無需手動提取特征 (Segebarthet al., 2020),并且能夠依靠遷移學習,將模型推廣到其他對象中,減少訓練時間。

    深度學習是近年來的研究熱點之一,但還未在野生動物保護領域得到廣泛應用,深度學習仍然存在一些問題和挑戰(zhàn)。

    野生動物的數據集獲取較為困難,相關數據集較少。深度學習模型的訓練,往往需要大量的樣本數據。而野生動物的數據集往往需要在野外通過一系列工具獲取,例如自動隱蔽攝像機、紅外相機或無人機等。如想獲取海洋生物的信息,所需要的設備要求更高,例如防水相機 (Liet al.,2022)。而在野外所獲取的原始數據非常龐大,往往摻雜著許多無用的信息。當區(qū)域內野生動物較少或者不活躍時,難以收集到目標野生動物的視頻、音頻和圖像,可能只含有大量無效的背景環(huán)境或背景音。目標野生動物的數據太小,則可能導致模型的泛化能力變差,識別準確率降低,但過多的數據又可能會因模型過擬合導致在測試集中的準確率降低。此外,由于植物遮擋、天氣、拍攝角度等問題,所收集的數據質量可能不高,需要對這些低質量的數據進行人工或者計算機的預處理,否則會影響后續(xù)深度學習建模。因而,建立更多高質量野生動物數據集以及用更高效便捷方式獲取野生動物的數據是當前面臨挑戰(zhàn)之一。

    深度學習模型訓練所需時間和金錢成本較高。雖然深度學習模型在應用時速度非???,但在訓練深度學習模型時耗時較長,并且需要具有強大計算能力的硬件支持。Hou 等 (2020) 使用GPU NVIDIA Quadro P5000 (16 GB) 訓練65 000 張大熊貓面部圖像,耗時7 h。另外,所用的模型本身可能過于龐大,訓練過程中為了達到較高準確率和獲得更高性能,需要調整各類參數。但昂貴的硬件、復雜的參數以及耗時的訓練,一定程度上限制了深度學習在野生動物保護中的應用。

    上述問題是未來需要研究和探索的,首先盡管目前已經構建了一些野生動物的公共數據集,但是公共數據集較少,因而在未來需要構建更加全面的野生動物數據集,以便于全世界的研究人員測試并改進優(yōu)化模型;其次,對于樣本數較少的數據集,不僅可以采用旋轉、平移、鏡像、裁剪等方法 (丁劍勇等,2022) 實現數據增強,還可以建立針對小樣本的深度學習模型用于數據增強,比如GAN 可以生成比原始圖像更清晰、更真實的圖像 (Zhanget al., 2023);此外,輕量級的深度學習模型具有體積小和檢測速度快的優(yōu)勢 (楊銘倫等,2022),因而構建輕量級的深度學習模型既可以降低硬件的計算要求,還可以嵌入便攜式設備并提高處理數據的效率。輕量級的深度學習模型和野外便攜式監(jiān)測設備相結合有助于提高監(jiān)測效率,是未來的研究方向之一。

    4 總結和展望

    本文介紹了深度學習的原理,回顧了深度學習在野生動物保護方面起到的重要作用,并分析了深度學習的優(yōu)勢以及存在的問題。野生動物保護方法正在經歷由人工向自動化逐漸轉變的過程,由純人工保護發(fā)展到紅外相機、衛(wèi)星遙感、無人機等設備輔助人工保護,進一步發(fā)展出設備結合深度學習輔助人工保護。傳統(tǒng)上,想要保護野生動物需要大量專業(yè)的生物學家在范圍廣闊且充滿危險的野外尋找并識別目標野生動物。而現在,可以將設備部署到野外,通過深度學習模型直接自動化識別野生動物,降低了人為因素對野生動物棲息地的影響,減少人工處理設備所產生的大量數據。此外,非專業(yè)人士也可以參與野生動物保護,無需大量人力投入,也減少了野外探索的時間,避免在野外遇到危險,識別并追蹤野生動物會更加容易。依托深度學習,在未來能夠實現野生動物個體及群體的精準監(jiān)測與保護。針對具體單一個體,深度學習可以分析個體的行為以及健康狀態(tài),進一步識別個體和個體之間的通信交流及互動情況,有助于了解該野生動物群體的狀態(tài),為野生動物保護提供啟示。目前已經建立的各類自然保護區(qū)和國家公園,保護成效顯著 (游劍瀅,2022),再結合計算機技術、生物學、生態(tài)學、機械等學科,能夠開發(fā)綜合性一體化野生動物保護預警平臺,實現從個體到群體的多方位保護機制。

    隨著深度學習算法的不斷發(fā)展,其在野生動物保護中的應用將越來越廣泛。目前,深度學習作為一種出色的技術已經應用于野生動物視頻識別、圖像識別、安全監(jiān)測以及音頻識別。但是與任何其他強大的技術一樣,深度學習并不完美,也存在著一些問題,比如數據集的獲取以及深度學習模型的缺陷。因而,計算機、數學、生態(tài)學以及生物學等不同領域的專家需要針對這一系列問題進一步深入研究并密切合作。隨著深度學習模型的開發(fā)和優(yōu)化以及各類公共野生動物數據集的不斷出現,相信將來深度學習可以更好地助力野生動物保護,使野生動物遠離滅絕的威脅。

    猜你喜歡
    深度模型
    一半模型
    深度理解一元一次方程
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權M-估計的漸近分布
    深度觀察
    深度觀察
    深度觀察
    深度觀察
    3D打印中的模型分割與打包
    FLUKA幾何模型到CAD幾何模型轉換方法初步研究
    高清午夜精品一区二区三区| 国产精品国产三级国产专区5o| 水蜜桃什么品种好| 国产老妇伦熟女老妇高清| 国产淫片久久久久久久久| 乱系列少妇在线播放| 久久精品夜色国产| 一级黄片播放器| 99热6这里只有精品| 少妇熟女欧美另类| 内地一区二区视频在线| 黄色日韩在线| 一级毛片 在线播放| 欧美日韩视频高清一区二区三区二| 乱系列少妇在线播放| 国产免费又黄又爽又色| 国内少妇人妻偷人精品xxx网站| 99久久中文字幕三级久久日本| 在线观看免费高清a一片| 香蕉精品网在线| 国产毛片在线视频| 精品人妻视频免费看| 国产亚洲最大av| 大香蕉97超碰在线| 精品一区二区三卡| 永久网站在线| 大码成人一级视频| 国产人妻一区二区三区在| 精品人妻一区二区三区麻豆| 伦理电影大哥的女人| .国产精品久久| 熟女电影av网| 天天躁夜夜躁狠狠久久av| 午夜日本视频在线| 五月伊人婷婷丁香| 欧美精品国产亚洲| 国产视频首页在线观看| 91精品伊人久久大香线蕉| 卡戴珊不雅视频在线播放| 啦啦啦视频在线资源免费观看| 国产成人免费无遮挡视频| 久久国产亚洲av麻豆专区| 国产成人a∨麻豆精品| 久久午夜福利片| 国产视频首页在线观看| 五月天丁香电影| 高清日韩中文字幕在线| 永久免费av网站大全| 亚洲三级黄色毛片| 美女高潮的动态| 色视频在线一区二区三区| www.色视频.com| 国产女主播在线喷水免费视频网站| 久久久久久九九精品二区国产| 少妇人妻一区二区三区视频| 亚洲综合色惰| 亚洲精品国产成人久久av| 六月丁香七月| 国产精品99久久99久久久不卡 | 中文字幕久久专区| 亚洲精品乱码久久久久久按摩| 欧美精品国产亚洲| 麻豆乱淫一区二区| 久久亚洲国产成人精品v| 91午夜精品亚洲一区二区三区| 少妇的逼好多水| 国产精品嫩草影院av在线观看| 亚洲国产毛片av蜜桃av| 亚洲精品乱码久久久久久按摩| 欧美少妇被猛烈插入视频| 久久久久精品性色| 人人妻人人爽人人添夜夜欢视频 | 少妇被粗大猛烈的视频| 亚洲国产最新在线播放| 高清在线视频一区二区三区| 国产av精品麻豆| 亚洲综合色惰| 中文乱码字字幕精品一区二区三区| 一级爰片在线观看| 亚洲精品视频女| av一本久久久久| 麻豆乱淫一区二区| h日本视频在线播放| 欧美bdsm另类| 毛片一级片免费看久久久久| 蜜桃久久精品国产亚洲av| 亚洲中文av在线| 欧美bdsm另类| 精品久久久久久久末码| 欧美一级a爱片免费观看看| 高清黄色对白视频在线免费看 | 女性被躁到高潮视频| 中文字幕久久专区| 91aial.com中文字幕在线观看| 在线观看美女被高潮喷水网站| 性色av一级| 一个人看视频在线观看www免费| 免费观看a级毛片全部| 亚洲aⅴ乱码一区二区在线播放| 国产91av在线免费观看| 亚洲电影在线观看av| 黑人高潮一二区| 日韩亚洲欧美综合| 高清视频免费观看一区二区| 精品人妻视频免费看| 成年人午夜在线观看视频| h视频一区二区三区| 三级国产精品欧美在线观看| 欧美一区二区亚洲| 国产v大片淫在线免费观看| 国产成人精品福利久久| 亚洲欧美成人综合另类久久久| 一区二区三区免费毛片| 直男gayav资源| 99精国产麻豆久久婷婷| 欧美精品国产亚洲| 青春草国产在线视频| 国产探花极品一区二区| 最近最新中文字幕免费大全7| 亚洲高清免费不卡视频| 精品一品国产午夜福利视频| 哪个播放器可以免费观看大片| 啦啦啦视频在线资源免费观看| 精品亚洲乱码少妇综合久久| 欧美精品人与动牲交sv欧美| 久久久久人妻精品一区果冻| 亚洲精品乱码久久久v下载方式| 高清午夜精品一区二区三区| 亚洲精品国产成人久久av| 热re99久久精品国产66热6| 国产在线视频一区二区| 十分钟在线观看高清视频www | 韩国av在线不卡| 在线精品无人区一区二区三 | 中文字幕久久专区| 深夜a级毛片| 欧美zozozo另类| 欧美成人精品欧美一级黄| 亚洲色图av天堂| 国产精品一及| a 毛片基地| 国产毛片在线视频| 一本色道久久久久久精品综合| 国产老妇伦熟女老妇高清| 亚洲人成网站在线观看播放| 久久久久精品久久久久真实原创| 国产精品嫩草影院av在线观看| 国产成人午夜福利电影在线观看| 草草在线视频免费看| 亚洲综合精品二区| 亚洲国产精品999| 欧美日韩精品成人综合77777| 成人无遮挡网站| 日韩视频在线欧美| 成人黄色视频免费在线看| 亚洲成人手机| 18+在线观看网站| 日本午夜av视频| 精品久久久久久久末码| 少妇的逼水好多| 精品人妻视频免费看| 亚洲高清免费不卡视频| 在线观看免费视频网站a站| 欧美亚洲 丝袜 人妻 在线| 亚洲aⅴ乱码一区二区在线播放| 免费黄频网站在线观看国产| av播播在线观看一区| 亚洲aⅴ乱码一区二区在线播放| 少妇精品久久久久久久| 国产精品无大码| 六月丁香七月| 午夜免费观看性视频| 少妇人妻一区二区三区视频| 国产老妇伦熟女老妇高清| 色5月婷婷丁香| 搡女人真爽免费视频火全软件| 色婷婷久久久亚洲欧美| 欧美+日韩+精品| 亚洲国产精品专区欧美| 人妻系列 视频| h日本视频在线播放| 一级片'在线观看视频| 国产69精品久久久久777片| 人人妻人人澡人人爽人人夜夜| 18禁裸乳无遮挡动漫免费视频| 水蜜桃什么品种好| 久久女婷五月综合色啪小说| 欧美国产精品一级二级三级 | 亚洲久久久国产精品| www.色视频.com| 51国产日韩欧美| 大香蕉久久网| 国产视频首页在线观看| 国产精品麻豆人妻色哟哟久久| 91午夜精品亚洲一区二区三区| 久久6这里有精品| 国产日韩欧美在线精品| 久久精品国产自在天天线| 免费观看的影片在线观看| 国产精品人妻久久久久久| 26uuu在线亚洲综合色| 毛片女人毛片| 国产一区二区三区综合在线观看 | 小蜜桃在线观看免费完整版高清| 国产成人91sexporn| 欧美精品亚洲一区二区| 一个人看的www免费观看视频| 国产精品三级大全| 特大巨黑吊av在线直播| 亚洲激情五月婷婷啪啪| 夜夜骑夜夜射夜夜干| 欧美老熟妇乱子伦牲交| 国产成人精品婷婷| 亚洲不卡免费看| 91久久精品电影网| videossex国产| 少妇的逼水好多| 国产伦精品一区二区三区视频9| 日本一二三区视频观看| 免费大片黄手机在线观看| 精品午夜福利在线看| 免费看av在线观看网站| 亚洲精品aⅴ在线观看| 日本av手机在线免费观看| av在线app专区| freevideosex欧美| 国产精品嫩草影院av在线观看| 99re6热这里在线精品视频| 爱豆传媒免费全集在线观看| 狠狠精品人妻久久久久久综合| 亚洲av欧美aⅴ国产| 在线观看免费高清a一片| 99久久精品一区二区三区| 男女下面进入的视频免费午夜| 国产片特级美女逼逼视频| 国产成人freesex在线| 精品午夜福利在线看| 嘟嘟电影网在线观看| 男女免费视频国产| 99九九线精品视频在线观看视频| 欧美日韩亚洲高清精品| 男人舔奶头视频| 成人无遮挡网站| 色5月婷婷丁香| 日韩中文字幕视频在线看片 | 国产精品国产三级国产av玫瑰| 人妻系列 视频| 国产精品久久久久久久电影| 亚洲av电影在线观看一区二区三区| 又爽又黄a免费视频| 国产精品国产三级专区第一集| 99久久综合免费| 日日摸夜夜添夜夜爱| 精品视频人人做人人爽| 亚州av有码| 欧美日韩亚洲高清精品| 欧美精品一区二区免费开放| 狂野欧美激情性bbbbbb| 寂寞人妻少妇视频99o| 国产高清有码在线观看视频| 高清视频免费观看一区二区| 九色成人免费人妻av| 国产爽快片一区二区三区| 日韩一本色道免费dvd| 日韩欧美精品免费久久| 日韩,欧美,国产一区二区三区| 啦啦啦在线观看免费高清www| 内地一区二区视频在线| 免费观看a级毛片全部| 欧美精品亚洲一区二区| 永久免费av网站大全| av国产久精品久网站免费入址| 国产伦在线观看视频一区| 久久久国产一区二区| 国产久久久一区二区三区| 亚洲欧美精品专区久久| a 毛片基地| 在线天堂最新版资源| 女人十人毛片免费观看3o分钟| 国产精品国产av在线观看| 日韩中文字幕视频在线看片 | 麻豆国产97在线/欧美| 老熟女久久久| 精华霜和精华液先用哪个| 亚洲精品第二区| 色网站视频免费| 校园人妻丝袜中文字幕| 免费看不卡的av| 久久久久视频综合| 亚洲不卡免费看| 国产真实伦视频高清在线观看| 国产人妻一区二区三区在| 夜夜看夜夜爽夜夜摸| 91精品伊人久久大香线蕉| 中文资源天堂在线| 欧美少妇被猛烈插入视频| 成人美女网站在线观看视频| 我的女老师完整版在线观看| 涩涩av久久男人的天堂| 久久久久精品久久久久真实原创| 亚洲av不卡在线观看| 日韩av不卡免费在线播放| 中文字幕精品免费在线观看视频 | 麻豆成人午夜福利视频| 欧美日韩一区二区视频在线观看视频在线| 王馨瑶露胸无遮挡在线观看| 五月开心婷婷网| 超碰av人人做人人爽久久| 久久精品熟女亚洲av麻豆精品| 99久久中文字幕三级久久日本| 18禁动态无遮挡网站| 欧美精品一区二区免费开放| 99热这里只有是精品在线观看| 日韩欧美 国产精品| 亚洲国产最新在线播放| 欧美最新免费一区二区三区| 欧美zozozo另类| 色5月婷婷丁香| 精品一区在线观看国产| 日韩欧美一区视频在线观看 | 精品久久久久久久末码| 80岁老熟妇乱子伦牲交| 久久久久久久久大av| 香蕉精品网在线| 欧美亚洲 丝袜 人妻 在线| 亚洲国产精品成人久久小说| 久久国产精品大桥未久av | 成人无遮挡网站| 成人一区二区视频在线观看| av免费观看日本| 天堂俺去俺来也www色官网| 永久免费av网站大全| av不卡在线播放| 波野结衣二区三区在线| 啦啦啦中文免费视频观看日本| 亚洲国产精品999| 国产精品欧美亚洲77777| 男人添女人高潮全过程视频| 五月玫瑰六月丁香| 观看免费一级毛片| 亚洲美女黄色视频免费看| 美女内射精品一级片tv| 一区二区三区四区激情视频| 国产成人a∨麻豆精品| 青春草视频在线免费观看| 汤姆久久久久久久影院中文字幕| 日日摸夜夜添夜夜爱| 免费看av在线观看网站| 人妻制服诱惑在线中文字幕| 日韩三级伦理在线观看| 国产中年淑女户外野战色| 亚洲,欧美,日韩| 十八禁网站网址无遮挡 | 黄色欧美视频在线观看| 亚洲美女黄色视频免费看| 成年人午夜在线观看视频| 国产精品99久久久久久久久| 久久国产乱子免费精品| 王馨瑶露胸无遮挡在线观看| 小蜜桃在线观看免费完整版高清| 免费播放大片免费观看视频在线观看| 国产精品嫩草影院av在线观看| 国产欧美亚洲国产| 又粗又硬又长又爽又黄的视频| 91精品国产九色| 亚洲av日韩在线播放| 嫩草影院新地址| 男女无遮挡免费网站观看| 久久精品国产自在天天线| 久久久久精品性色| 九草在线视频观看| 麻豆国产97在线/欧美| 久久久久久人妻| 亚洲激情五月婷婷啪啪| 成年人午夜在线观看视频| 三级国产精品欧美在线观看| 国产成人aa在线观看| 久久久亚洲精品成人影院| 国产精品久久久久久精品电影小说 | 久久热精品热| 少妇人妻精品综合一区二区| 日日啪夜夜撸| 国产乱来视频区| 国内少妇人妻偷人精品xxx网站| 欧美zozozo另类| 老师上课跳d突然被开到最大视频| 欧美xxⅹ黑人| 日韩av免费高清视频| 亚洲成人一二三区av| 成人亚洲精品一区在线观看 | 精品人妻熟女av久视频| 精品酒店卫生间| 男女边吃奶边做爰视频| 新久久久久国产一级毛片| 日本与韩国留学比较| 日本欧美国产在线视频| 九草在线视频观看| 色哟哟·www| 中文字幕免费在线视频6| 人妻夜夜爽99麻豆av| 啦啦啦视频在线资源免费观看| 国产成人午夜福利电影在线观看| 中国三级夫妇交换| 欧美丝袜亚洲另类| 亚洲国产高清在线一区二区三| 成人漫画全彩无遮挡| 国产又色又爽无遮挡免| 欧美一区二区亚洲| www.av在线官网国产| 校园人妻丝袜中文字幕| 亚洲经典国产精华液单| 婷婷色综合www| 欧美xxⅹ黑人| 丰满人妻一区二区三区视频av| 亚洲精品一区蜜桃| 国产精品国产三级国产av玫瑰| 成人美女网站在线观看视频| 国产成人精品婷婷| 亚洲精华国产精华液的使用体验| 少妇裸体淫交视频免费看高清| 不卡视频在线观看欧美| 欧美成人a在线观看| 久久国产精品大桥未久av | 免费黄网站久久成人精品| 日本vs欧美在线观看视频 | 天堂中文最新版在线下载| 成人无遮挡网站| 亚洲欧美一区二区三区黑人 | 日韩电影二区| 成人影院久久| 国产欧美亚洲国产| 婷婷色综合www| 国产高潮美女av| 狂野欧美白嫩少妇大欣赏| 日本与韩国留学比较| 欧美 日韩 精品 国产| 九九久久精品国产亚洲av麻豆| 国产高清三级在线| 多毛熟女@视频| 在线播放无遮挡| 啦啦啦中文免费视频观看日本| 成人免费观看视频高清| 精品久久久精品久久久| 国内少妇人妻偷人精品xxx网站| 国产乱来视频区| 欧美bdsm另类| 在线观看一区二区三区激情| 多毛熟女@视频| 国产成人一区二区在线| 六月丁香七月| 日韩欧美 国产精品| a级毛色黄片| 五月伊人婷婷丁香| 国产成人freesex在线| 国产av国产精品国产| 亚洲成人av在线免费| 久久久色成人| 只有这里有精品99| 嘟嘟电影网在线观看| 日韩伦理黄色片| 极品少妇高潮喷水抽搐| 欧美另类一区| 久久精品国产亚洲av涩爱| 18禁在线无遮挡免费观看视频| 男女免费视频国产| 国产69精品久久久久777片| 亚洲欧美成人综合另类久久久| 少妇精品久久久久久久| 伦理电影免费视频| 女人久久www免费人成看片| 亚洲综合精品二区| 午夜福利在线在线| 国产久久久一区二区三区| 国产精品人妻久久久影院| kizo精华| 18禁在线无遮挡免费观看视频| 成人毛片60女人毛片免费| 国产精品一二三区在线看| 少妇人妻 视频| 丝袜喷水一区| 激情 狠狠 欧美| 色综合色国产| 日韩亚洲欧美综合| 亚洲欧美日韩无卡精品| 极品少妇高潮喷水抽搐| 亚洲精品国产色婷婷电影| 免费大片黄手机在线观看| 婷婷色综合www| 久久久午夜欧美精品| 中文字幕亚洲精品专区| 在线观看三级黄色| 99re6热这里在线精品视频| 最后的刺客免费高清国语| 91久久精品电影网| 久热久热在线精品观看| 爱豆传媒免费全集在线观看| 亚洲无线观看免费| 精品久久久久久久末码| 久久精品人妻少妇| 欧美成人午夜免费资源| 国产精品欧美亚洲77777| 日本黄色日本黄色录像| 2021少妇久久久久久久久久久| 午夜日本视频在线| 久久久久久人妻| 日韩av免费高清视频| 国产一区二区三区综合在线观看 | 高清黄色对白视频在线免费看 | 国产精品麻豆人妻色哟哟久久| 青春草亚洲视频在线观看| 亚洲中文av在线| 亚洲国产色片| 成人黄色视频免费在线看| 久久久久久久亚洲中文字幕| 亚洲国产精品一区三区| 国产男女超爽视频在线观看| 男人和女人高潮做爰伦理| 国产精品偷伦视频观看了| 中文字幕人妻熟人妻熟丝袜美| 成人影院久久| 欧美最新免费一区二区三区| 在线免费观看不下载黄p国产| 26uuu在线亚洲综合色| 日韩电影二区| 人人妻人人添人人爽欧美一区卜 | 久久精品久久精品一区二区三区| 男女免费视频国产| 欧美成人精品欧美一级黄| 亚洲国产欧美在线一区| 欧美激情国产日韩精品一区| 亚洲av免费高清在线观看| 黄片无遮挡物在线观看| 在线观看一区二区三区激情| 嫩草影院新地址| 三级国产精品欧美在线观看| 国产精品伦人一区二区| 亚州av有码| 亚洲在久久综合| 久久国内精品自在自线图片| 一区二区三区精品91| 最近最新中文字幕大全电影3| 深爱激情五月婷婷| 一级毛片黄色毛片免费观看视频| 热re99久久精品国产66热6| 各种免费的搞黄视频| 99国产精品免费福利视频| 国产精品熟女久久久久浪| av免费观看日本| 美女中出高潮动态图| 人人妻人人添人人爽欧美一区卜 | av一本久久久久| 免费av不卡在线播放| 51国产日韩欧美| 日本vs欧美在线观看视频 | 亚洲精品自拍成人| av在线app专区| 中国国产av一级| 国产av精品麻豆| 欧美丝袜亚洲另类| 亚洲自偷自拍三级| 九草在线视频观看| 最近的中文字幕免费完整| 精品久久久久久电影网| 91精品一卡2卡3卡4卡| 春色校园在线视频观看| av国产免费在线观看| 久久精品熟女亚洲av麻豆精品| 少妇猛男粗大的猛烈进出视频| 亚洲激情五月婷婷啪啪| 新久久久久国产一级毛片| 超碰av人人做人人爽久久| 日本黄大片高清| 特大巨黑吊av在线直播| 免费av中文字幕在线| .国产精品久久| 国产亚洲一区二区精品| 99久久精品热视频| 欧美97在线视频| 国产精品爽爽va在线观看网站| 国产在线视频一区二区| 99久久综合免费| 成人亚洲欧美一区二区av| 亚洲精品国产av成人精品| 纵有疾风起免费观看全集完整版| 51国产日韩欧美| 欧美精品一区二区免费开放| 中文字幕免费在线视频6| 99久久中文字幕三级久久日本| 大又大粗又爽又黄少妇毛片口| 在线观看国产h片| 伦精品一区二区三区| 六月丁香七月| 夜夜看夜夜爽夜夜摸| 狂野欧美白嫩少妇大欣赏| av免费观看日本| 亚洲精品乱码久久久v下载方式| 日韩大片免费观看网站| h视频一区二区三区| 校园人妻丝袜中文字幕| 熟女电影av网| 最近的中文字幕免费完整| av免费观看日本| 国产色爽女视频免费观看| 午夜激情久久久久久久| 欧美高清成人免费视频www| 亚洲aⅴ乱码一区二区在线播放| 亚洲电影在线观看av| a 毛片基地| 自拍偷自拍亚洲精品老妇| 国产在线一区二区三区精| 一边亲一边摸免费视频| 欧美老熟妇乱子伦牲交| 精品久久久久久久末码| 成人毛片a级毛片在线播放| 如何舔出高潮|