• <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Faster R-CNN 改進算法的遙感技術及其在地質災害監(jiān)測中的應用研究

    2024-01-04 05:24:18盧小紅郭慶妮周少偉史利燕
    地質與資源 2023年6期
    關鍵詞:錨點損失函數(shù)

    崔 娜,盧小紅,王 妍,李 菲,宋 珊,郭慶妮,周少偉,史利燕,2

    1.陜西省地質科技中心,陜西 西安 710054;2.陜西省省級院士專家工作站,陜西 西安 710054;3.陜西省社會科學科普基地,陜西 西安 710054;4.北京市智慧水務發(fā)展研究院,北京100036

    0 引言

    地球環(huán)境的變化是非常復雜的,因為內部與外部因素的雙重影響,產(chǎn)生許多不可抗逆的地質事件[1-2],這種事件,就是我們常說的地質災害.當今的科技發(fā)展中,航天技術和遙感技術突飛猛進,為自然資源和環(huán)境監(jiān)測提供了全新的方法,為地質災害的提前預測提供了更為先進的手段,從而利用遙感技術獲取地面信息非常關鍵[3].在技術的不斷更替中,遙感技術也在不斷升級,已經(jīng)可以為小范圍的地質災害和環(huán)境的監(jiān)測提供先進的技術手段,可以為滑坡、泥石流、地面裂縫等地質災害提供有用的監(jiān)測,為一些比較大型的環(huán)境災害防范工程提供技術支撐.Lian 等[4]提出了利用無人機低空遙感圖像,主輔數(shù)據(jù)相結合的方法,可使滑坡、崩塌和裂縫能夠快速準確識別.Athanassas[5]對于遙感技術在識別南愛琴?;顒踊鹕交。╯outhern Aegean active volcanic arc,SAAVA)地質災害中的適用性進行了研究,發(fā)現(xiàn)其識別性能令人滿意.Lai 等[6]將遙感與地理信息系統(tǒng)技術相互耦合,對中國西部攀西地區(qū)的災害風險進行了評估,最終發(fā)現(xiàn)該模型充分考慮了主客觀因素,是區(qū)域地質災害風險評價的理想模型.通過上述案例,發(fā)現(xiàn)遙感技術在地質災害的應用中提供了更多的信息,但如何在數(shù)據(jù)信息中快速檢測到有用的信息,使得所檢測的目標信息的精度和速度能夠擁有更加良好的性能成為了關鍵的問題[7].機器學習技術的發(fā)展,為目標檢測提供了全新的視角,對目標檢測有關算法的優(yōu)化升級,是地質災害監(jiān)測有效與否的重點[8].

    在FasterR-CNN(FasterRegions-ConvolutionalNeural Networks)目標檢測算法初期,目標檢測算法很多都是建立在區(qū)域提名算法上面的.一般將算法分為3 個部分,分別是區(qū)域選擇、特征提取、分類器.此算法采用滑動窗口檢測方法,構建尺度金字塔,在每個尺度中搜尋,從而獲取到目標出現(xiàn)區(qū)域的范圍.其次在區(qū)域內使用手工特征進行特征收集,再運用分類器達到最后的效果[9].隨著技術發(fā)展,出現(xiàn)了DPM(Deformable Part Model)算法[10].這個算法選擇的區(qū)域選擇手段是利用了滑動窗口選擇,選擇的手工特征是完善后的HOG(Histogram of Oriented Gradients)特征,選用的分類器為SVM(Support Vector Machines)分類器.后面又出現(xiàn)了R-CNN(Region-Convolutional Neural Networks)算法[11],后來相關學者對其進行了再次完善,得到了SPPNet(Spatial Pyramid Pooling Convolutional Networks).然而SPPNet 算法的訓練還是存在多個階段,并且還非常復雜和費時.因此,時代浪潮又推出了Fast R-CNN(Fast Regions-Convolutional Neural Networks)目標檢測算法.然而候選區(qū)域生成步驟目標檢測算法還是達不到端到端的分析.在這一前提下,F(xiàn)aster R-CNN 算法出現(xiàn)了[12],端到端的檢測算法才算正式推出.在Faster R-CNN 算法中,錨點框采用的是人為定義的框,此類人為定義的框要求比較苛刻,對先驗框的優(yōu)化便顯得尤為重要.另外,傳統(tǒng)的卷積神經(jīng)網(wǎng)絡對特征獲取時,只運用了圖像的頂層特征去預測,所以存在目標檢測時對于小目標的檢測精度沒有很高.

    本文的核心目標是對Faster R-CNN 目標檢測算法的現(xiàn)階段可待優(yōu)化的部分給予討論,并對卷積神經(jīng)網(wǎng)絡和特征提取的方法進行分析,使用不同的特征提取網(wǎng)絡,使用不同的模型訓練辦法,使用特征提取網(wǎng)絡中的方法,對人為定義的錨點框進行優(yōu)化提升,從而優(yōu)化Faster R-CNN 目標檢測任務的精度和速度.利用優(yōu)化后的Faster R-CNN 檢測算法,可以快速檢測到地表地質的變化,為防范地質災害起到促進作用.

    1 研究方法

    1.1 網(wǎng)絡模型優(yōu)化途徑

    機器學習算法模型訓練的時候,往往會遇到過擬合的狀況.就此,給出一些網(wǎng)絡模型優(yōu)化方法,如圖1所示.

    圖1 網(wǎng)絡模型優(yōu)化途徑Fig.1 Network model optimization approach

    在眾多途徑中,對數(shù)據(jù)進行有效的增強,讓數(shù)據(jù)中的數(shù)量提升,從而減少模型過擬合的情況.數(shù)據(jù)增強這種優(yōu)化辦法是受到了數(shù)字圖像優(yōu)化方法的啟發(fā)[13].在此基礎上,卷積神經(jīng)網(wǎng)絡能夠學習到圖像的很多不變性特征.具體的幾種方法如圖2 所示.

    圖2 數(shù)據(jù)增強的幾何變換方法Fig.2 Data-augmented geometric transformation method

    1.2 Faster R-CNN 算法

    Fast R-CNN 算法中,區(qū)域提名階段非常浪費時間.基于此類現(xiàn)象,F(xiàn)aster R-CNN 算法利用區(qū)域生成網(wǎng)絡來處理候選框的問題,候選區(qū)域的分類依然利用區(qū)域生成網(wǎng)絡[14].它的具體算法如圖3 所示.

    圖3 Faster R-CNN 算法圖Fig.3 Faster R-CNN algorithm diagram

    區(qū)域生成網(wǎng)絡,就是常說的RPN(Region Proposal Network),卷積神經(jīng)網(wǎng)絡提取輸入數(shù)據(jù)中的建議區(qū)域是區(qū)域生成網(wǎng)絡的任務.RPN 具體結構如圖4 所示.

    圖4 RPN 的結構Fig.4 Structure of RPN

    錨點框窗口的每次滑動預測9 個建議區(qū)域.1 次滑動,分類層輸出2×9 個得分,代表著此框中存在物體的可能性.損失函數(shù)RPN 網(wǎng)絡后面的損失函數(shù)存在邊界框回歸損失函數(shù)與分類損失函數(shù)[15].在此,邊界框回歸損失函數(shù)表達為:

    目標分類損失函數(shù)的表達為:

    特征圖上各個像素點上面出現(xiàn)的錨點框是前景與背景的可能性為目標分類層的輸出.相關的目標檢測任務損失函數(shù)表達如下:

    上述公式中,Lcls與Lreg依次被Ncls、Nreg給予歸一化,系數(shù)λ 對它們分別相乘.在此處,Ncls為最小批次數(shù)量,Nreg為錨點框的數(shù)量,λ 為權衡分類損失和回歸損失的系數(shù),ti*為正樣本Anchor 到真值的變換參數(shù)定義,ti為正樣本Anchor 到網(wǎng)絡檢測的目標區(qū)域的變換參數(shù),pi*為第i 個Anchor 標記為物體的概率,pi為經(jīng)網(wǎng)絡判斷當前第i 個Anchor 可能為物體的概率,Lreg為位置回歸損失,Lcls為目標分類損失.設置λ 為10,那么分類損失與回歸損失的權重基本相同.對Faster R-CNN 網(wǎng)絡的優(yōu)化,需要將RPN 網(wǎng)絡進行固定處理,這樣可以優(yōu)化算法的收斂速度[16].

    1.3 優(yōu)化的Faster R-CNN 檢測算法

    1.3.1 模型調優(yōu)與特征金字塔的運用

    對深層神經(jīng)網(wǎng)絡訓練的時候,對模型的優(yōu)化很重要.本研究使用了一些較為常見的優(yōu)化方法,用的比較多的有批量標準化和高分辨率分類器,已有的特征提取網(wǎng)絡在Image Net(全稱為Image Net Large-Scale Visual Recognition Challenge)數(shù)據(jù)集操作預訓練中很重要,之后在實際任務中再給予小規(guī)模調整[17-18].

    以往的卷積神經(jīng)網(wǎng)絡在特征提取時選用的特征一般是比較單一的,從而讓目標檢測對小目標的檢測精度不是很高.基于此類現(xiàn)象,運用FPN(Feature Pyramid Network)網(wǎng)絡再運用圖像的底層特征和高層特征,分別進行不同層的預測.比起沒采用FPN 網(wǎng)絡的Res Net(Residual Neural Network)網(wǎng)絡,大目標檢測的召回率得到了很大的提升.小目標的召回率多了13%.FPN 網(wǎng)絡如圖5 所示.

    圖5 特征金字塔網(wǎng)絡結構Fig.5 Feature pyramid network structure

    1.3.2 聯(lián)合訓練方法與損失函數(shù)優(yōu)化

    深度神經(jīng)網(wǎng)絡訓練里面,標記的數(shù)據(jù)集很重要.因為人工標記的代價很大,尋得數(shù)量充足有標記的目標檢測數(shù)據(jù)集難度很大.于YOLO v2(You Only Look Once v2)里面,本文推出了聯(lián)訓練辦法[19].在Faster R-CNN 算法里面,目標檢測框的回歸運用的損失函數(shù)是以L1、L2 距離為基礎的損失函數(shù),不足的是該損失函數(shù)不存在尺度不變性.另一方面,目標檢測框回歸的目標IOU 與損失函數(shù)并不是簡單對等關系[20-21].把IOU(Intersection Over Union)當成回歸的損失函數(shù),損失函數(shù)無法對沒有重疊部分進行優(yōu)化,對齊方式如果存在相關的差異性,IOU 依然不具備區(qū)分的能力.利用GIOU(Generalized Intersection Over Union)作為優(yōu)化目標給予目標檢測,它的公式如下:

    式中,A、B 代表目標框,C 代表目標框的最小閉包.目標檢測框的損失函數(shù)表達為:

    LGIOU為了讓損失函數(shù)目標檢測框回歸存在尺度不變性,對檢測框的優(yōu)化目標和損失函數(shù)給予同步處理.

    1.3.3 針對錨點框的改進

    Faster R-CNN 算法中的錨點框運用的是人為定義的框,它對此領域的先驗知識要求比較高[22-23].于YOLO v2 算法中,推出k-means 聚類算法去對數(shù)據(jù)集里面的邊框給予聚類,沒有苛刻的前提條件,就能夠獲取到優(yōu)良的先驗框[24].良好的k-means 聚類算法的距離度量為歐幾里得距離.在目標檢測算法中,歐幾里得距離適用性很差,它會讓較大的框比較小的框誤差要大很多.然而,在目標檢測任務中,本質是為了擁有更佳的IOU 分數(shù),卻與邊界框大小無關.基于此,可以使用公式:

    在驗證環(huán)節(jié)選用了不同的k 值,這是為了權衡模型復雜度以及召回率,使用了k=5,能夠發(fā)現(xiàn)的錨點框與人為定義的錨點框顯然不同,瘦高的框要比扁平的框較多.

    2 實驗數(shù)據(jù)集

    本實驗中運用的數(shù)據(jù)集是PASCAL VOC(The PASCAL Visual Object Classes)數(shù)據(jù)集與COCO(Common Objects in Context).PASCAL VOC 存在1 萬幅圖,類別分為20 組,該數(shù)據(jù)集是目標檢測問題的一個基準數(shù)據(jù)集.MS COCO(Microsoft Common Objects in Context)數(shù)據(jù)集為微軟公司推出的在競賽中使用的數(shù)據(jù)集.此數(shù)據(jù)集能夠在圖像標題生成、目標檢測、關鍵點檢測與物體分割等多種競賽時使用.在目標檢測任務中,此數(shù)據(jù)集擁有160 000 幅圖,分別為80 組不同類型.

    在實驗中,對數(shù)據(jù)集中的真實框給予聚類形成錨點框,它的距離度量是:

    以此為前提,分別測試了k 值不同時產(chǎn)生的錨點框的IOU 與GIOU.之后以聚類生成的錨點框為基礎.讓后讓基礎網(wǎng)絡為Res Net,然后在此前提下組成FPN網(wǎng)絡,其中回歸損失函數(shù)可以用如下公式表達:

    在本研究檢驗環(huán)節(jié)中,需要先在Image Net 上面操作預訓練網(wǎng)絡步驟.訓練進行時,同步采取數(shù)據(jù)增強的一些方法.

    3 研究結果

    3.1 自動生成描框的k 值測試

    本實驗中,利用不同k 值對目標檢測框使用進行聚類,并進行聚類生成描點框(圖6).

    圖6 不同k 值下平均GIOU 圖Fig.6 Average GIOU diagrams for different k valuesa—不同k 值下平均GIOU 值(average GIOU vs.k);b—聚類生成的錨框(anchors by clustering)

    從圖6a 中不難發(fā)現(xiàn),k 值為1 時,GIOU 在0.3附近,k 值為3 時,GIOU 在0.45 附近,依次類推.k 值與GIOU 同步增加,檢測精度也同步增加.在這里,隨著k 值的不斷增加,錨點框數(shù)量不斷增加,目標檢測的速度卻有所下降.從聚類生成的錨框(圖6b)能夠看到,數(shù)據(jù)集中的錨框要偏向于長且窄的錨框,說明以往人為定義的錨框的確存在不足.另外還發(fā)現(xiàn),利用自動生成的錨框,在k=5 的時候,即GIOU 值為0.6,檢測精度是以往9 個錨點框的精確能力.說明了智能生成錨點框的能力,比以往人為定義的錨點框代表性更好.

    3.2 優(yōu)化目標檢測算法性能的對比

    為了讓檢測精度與檢測速度得到很好的權衡,令k=5 進行實驗.這里分別用以往的Faster R-CNN 進行測試,并與它進行比較,還運用FPN 網(wǎng)絡損失度量與聚類得到的檢測框相比較,具體結果見圖7.

    圖7 算法在MS COCO 數(shù)據(jù)集上的實驗結果Fig.7 Experimental results of the algorithm on MS COCO datasetAP—平均精度(average precision);AP@0.5— GIOU=0.5 時的平均精度(average precision,GIOU=0.5);APs—小目標平均精度(average precision for small objects);APm—中等目標平均精度(average precision for medium objects);APl—大目標平均精度(average precision for large objects);1— R-CNN(regions-convolutional neural network);2— Faster R-CNN(faster regions-convolutional neural network);3— RPN(region proposal network)

    圖7 中的APs,APm,APl,AP@0.5 等都是在基于COCO 數(shù)據(jù)時,定義出來評論檢測模型的指標,AP的具體含義是類別的平均值,傳統(tǒng)上被稱為平均精確度.在圖中3 條曲線中,可以發(fā)現(xiàn)RPN 網(wǎng)絡的AP@0.5達到了59,是對比中差距最大的測試項,除了APl 之外,也高于其他評價指標的對比項,證明它在目標檢測精度尤其是在小物檢測精度時提升很明顯.

    4 結論

    地球環(huán)境的變化往往會產(chǎn)生人類難以對抗的地質災害,對人類社會的安全生產(chǎn)帶來巨大威脅.為了利用遙感技術更加精確地監(jiān)測到自然環(huán)境中的地質信息,本文在Faster R-CNN 算法的基礎上,對算法進行了優(yōu)化.通過對地質災害與遙感技術之間關聯(lián)性的描述,闡述了檢測速度和精度的重要性,對涉及到的優(yōu)化辦法進行了系統(tǒng)描述,然后對優(yōu)化Faster R-CNN 算法原理進行了解釋,運用特征提取網(wǎng)絡,以及適用的優(yōu)化辦法,修改了訓練方法.實驗環(huán)節(jié),在MS COCO 數(shù)據(jù)集上,對優(yōu)化方案進行了一系列相關檢驗論證.最終的實驗結果表明,新的算法兼顧了速度與精確性,達到了預期的目標檢測目的.運用此優(yōu)化的目標檢測算法,借助衛(wèi)星遙感技術,可以更加快速地檢測到自然環(huán)境中的地質信息,判斷其屬性變換,從而做出預警措施,對減少人類因地質變化引起的損失,對促進人類安全活動,具有實際意義.不足的是,本文實驗環(huán)節(jié)僅僅是在數(shù)據(jù)集上進行實驗,對算法性能進行評估,而環(huán)境變化具有非常大的復雜性,后續(xù)的探討中,可以在具體的實踐環(huán)境中,對算法性能進行評估.

    猜你喜歡
    錨點損失函數(shù)
    少問一句,損失千金
    二次函數(shù)
    第3講 “函數(shù)”復習精講
    胖胖損失了多少元
    基于NR覆蓋的NSA錨點優(yōu)選策略研究
    5G手機無法在室分NSA站點駐留案例分析
    5G NSA錨點的選擇策略
    二次函數(shù)
    函數(shù)備考精講
    5G NSA組網(wǎng)下錨點站的選擇策略優(yōu)化
    移動通信(2020年5期)2020-06-08 15:39:51
    午夜福利乱码中文字幕| 青青草视频在线视频观看| www日本在线高清视频| 亚洲专区中文字幕在线| 捣出白浆h1v1| 一区在线观看完整版| 法律面前人人平等表现在哪些方面| 精品久久久精品久久久| 欧美+亚洲+日韩+国产| 一本一本久久a久久精品综合妖精| 久久人妻福利社区极品人妻图片| 久久久久久亚洲精品国产蜜桃av| 日日摸夜夜添夜夜添小说| 亚洲精品成人av观看孕妇| 久久精品熟女亚洲av麻豆精品| 狠狠婷婷综合久久久久久88av| 日韩大码丰满熟妇| 一进一出抽搐动态| 高清av免费在线| 亚洲精品av麻豆狂野| 久久精品亚洲熟妇少妇任你| 五月天丁香电影| 国产男女超爽视频在线观看| 欧美激情极品国产一区二区三区| 国产日韩欧美亚洲二区| 国产野战对白在线观看| h视频一区二区三区| 国产免费av片在线观看野外av| kizo精华| 久久久久精品人妻al黑| 老司机影院毛片| 国产男女超爽视频在线观看| 免费观看av网站的网址| 久久久久久久久久久久大奶| 久久精品91无色码中文字幕| 大型av网站在线播放| 久久99一区二区三区| 欧美乱妇无乱码| 桃红色精品国产亚洲av| 别揉我奶头~嗯~啊~动态视频| 国产成人免费观看mmmm| 亚洲成人手机| 又黄又粗又硬又大视频| 水蜜桃什么品种好| 国产日韩欧美视频二区| 日日摸夜夜添夜夜添小说| 日本av手机在线免费观看| 亚洲欧美日韩高清在线视频 | av线在线观看网站| 99re在线观看精品视频| 国产伦理片在线播放av一区| 51午夜福利影视在线观看| 精品福利永久在线观看| 国产av又大| 欧美精品一区二区免费开放| 日韩有码中文字幕| 国产单亲对白刺激| 自拍欧美九色日韩亚洲蝌蚪91| 成人国产av品久久久| 热re99久久国产66热| 亚洲午夜理论影院| 日韩大片免费观看网站| 国产成人精品久久二区二区91| 久久99一区二区三区| 欧美亚洲 丝袜 人妻 在线| 黄频高清免费视频| 啪啪无遮挡十八禁网站| 69av精品久久久久久 | 精品福利观看| 999精品在线视频| 国产精品麻豆人妻色哟哟久久| 男女无遮挡免费网站观看| 国产精品国产av在线观看| 亚洲av日韩精品久久久久久密| 男女下面插进去视频免费观看| 日本黄色日本黄色录像| 日本欧美视频一区| 亚洲伊人色综图| 超碰97精品在线观看| 老司机深夜福利视频在线观看| 777久久人妻少妇嫩草av网站| 日韩免费av在线播放| www.自偷自拍.com| 动漫黄色视频在线观看| 99久久99久久久精品蜜桃| 咕卡用的链子| 午夜福利视频精品| 丰满人妻熟妇乱又伦精品不卡| 欧美大码av| 丰满少妇做爰视频| 少妇粗大呻吟视频| kizo精华| 亚洲精品中文字幕一二三四区 | 午夜精品国产一区二区电影| 少妇粗大呻吟视频| 午夜福利一区二区在线看| 少妇裸体淫交视频免费看高清 | 亚洲国产中文字幕在线视频| 怎么达到女性高潮| 中文字幕高清在线视频| 一区二区三区乱码不卡18| 日韩一区二区三区影片| 久久国产精品男人的天堂亚洲| 成年人免费黄色播放视频| 波多野结衣一区麻豆| 最近最新中文字幕大全电影3 | 69av精品久久久久久 | 男女无遮挡免费网站观看| 性高湖久久久久久久久免费观看| 18禁美女被吸乳视频| 国产欧美日韩综合在线一区二区| 脱女人内裤的视频| 亚洲一区中文字幕在线| 国产男靠女视频免费网站| 国产有黄有色有爽视频| 色婷婷av一区二区三区视频| 91老司机精品| 欧美性长视频在线观看| 日韩制服丝袜自拍偷拍| 国产免费现黄频在线看| 青草久久国产| 人人澡人人妻人| 一级a爱视频在线免费观看| 动漫黄色视频在线观看| 国产xxxxx性猛交| 黄片小视频在线播放| 精品久久久久久久毛片微露脸| 18在线观看网站| 大码成人一级视频| 最新美女视频免费是黄的| 欧美国产精品va在线观看不卡| 好男人电影高清在线观看| 欧美精品高潮呻吟av久久| 美女高潮到喷水免费观看| 母亲3免费完整高清在线观看| 亚洲av国产av综合av卡| 99久久国产精品久久久| 丰满迷人的少妇在线观看| 亚洲av片天天在线观看| 大片免费播放器 马上看| 一区二区三区国产精品乱码| 99久久人妻综合| 18禁国产床啪视频网站| 亚洲七黄色美女视频| 操出白浆在线播放| 国产精品亚洲av一区麻豆| 久久久久久久久免费视频了| 老熟妇乱子伦视频在线观看| 亚洲伊人色综图| 蜜桃在线观看..| 精品国产乱码久久久久久男人| 波多野结衣一区麻豆| 首页视频小说图片口味搜索| 亚洲欧美一区二区三区久久| 一级黄色大片毛片| 久久久久久久大尺度免费视频| h视频一区二区三区| 欧美日韩亚洲综合一区二区三区_| 如日韩欧美国产精品一区二区三区| 婷婷丁香在线五月| 免费一级毛片在线播放高清视频 | 最近最新中文字幕大全电影3 | 老汉色∧v一级毛片| 午夜免费成人在线视频| 日韩视频在线欧美| 国产免费现黄频在线看| 免费观看av网站的网址| 国产麻豆69| 9色porny在线观看| 久久久久久久国产电影| 老鸭窝网址在线观看| 一级毛片女人18水好多| 丝袜喷水一区| 午夜精品久久久久久毛片777| 咕卡用的链子| 91精品三级在线观看| 亚洲免费av在线视频| 午夜激情av网站| 国产欧美亚洲国产| 人人妻人人澡人人爽人人夜夜| 精品国产一区二区久久| 在线观看免费视频日本深夜| 中文字幕人妻丝袜制服| 久久99热这里只频精品6学生| 在线观看人妻少妇| 中国美女看黄片| 精品高清国产在线一区| 久久av网站| 夜夜夜夜夜久久久久| 国产精品1区2区在线观看. | 男女床上黄色一级片免费看| 日本五十路高清| 国产有黄有色有爽视频| 最新在线观看一区二区三区| 国产成人欧美在线观看 | 中文字幕色久视频| 水蜜桃什么品种好| 少妇被粗大的猛进出69影院| 久久精品91无色码中文字幕| 免费在线观看日本一区| 动漫黄色视频在线观看| 男女床上黄色一级片免费看| 最黄视频免费看| 国产99久久九九免费精品| 777久久人妻少妇嫩草av网站| aaaaa片日本免费| 亚洲性夜色夜夜综合| 最新在线观看一区二区三区| 亚洲 欧美一区二区三区| 黑人欧美特级aaaaaa片| 婷婷成人精品国产| 久久久久久久国产电影| 老熟女久久久| 欧美日韩亚洲综合一区二区三区_| 午夜老司机福利片| 伦理电影免费视频| 精品少妇久久久久久888优播| 女同久久另类99精品国产91| 巨乳人妻的诱惑在线观看| 亚洲男人天堂网一区| 亚洲黑人精品在线| 中文字幕色久视频| 国产99久久九九免费精品| 黄色成人免费大全| 亚洲成人免费av在线播放| 在线天堂中文资源库| 免费不卡黄色视频| 亚洲va日本ⅴa欧美va伊人久久| 十八禁高潮呻吟视频| 天天操日日干夜夜撸| 日本撒尿小便嘘嘘汇集6| 久久99热这里只频精品6学生| 久久久久久久大尺度免费视频| 久久精品人人爽人人爽视色| 精品国产一区二区久久| 男女高潮啪啪啪动态图| 777久久人妻少妇嫩草av网站| 欧美黑人精品巨大| 亚洲精品中文字幕一二三四区 | 欧美成人午夜精品| 欧美激情 高清一区二区三区| 亚洲精华国产精华精| 日韩中文字幕视频在线看片| 亚洲欧美一区二区三区久久| 乱人伦中国视频| 丝袜美腿诱惑在线| 亚洲成a人片在线一区二区| 国产在视频线精品| 一个人免费看片子| 亚洲欧美一区二区三区黑人| 欧美成人免费av一区二区三区 | 国产片内射在线| 又紧又爽又黄一区二区| 在线永久观看黄色视频| 免费看十八禁软件| 男女高潮啪啪啪动态图| 午夜激情av网站| 少妇被粗大的猛进出69影院| 久久久久国内视频| 精品一区二区三区av网在线观看 | 国产欧美亚洲国产| 精品国产乱码久久久久久小说| 午夜日韩欧美国产| 免费少妇av软件| 视频在线观看一区二区三区| 国产人伦9x9x在线观看| 一区二区三区激情视频| 日本精品一区二区三区蜜桃| 亚洲天堂av无毛| 免费一级毛片在线播放高清视频 | videosex国产| 极品人妻少妇av视频| 一本综合久久免费| 欧美精品高潮呻吟av久久| 亚洲一码二码三码区别大吗| √禁漫天堂资源中文www| 欧美精品亚洲一区二区| 亚洲成人国产一区在线观看| 久久精品亚洲av国产电影网| 久久人妻av系列| 不卡一级毛片| 亚洲精品粉嫩美女一区| 超色免费av| 精品国内亚洲2022精品成人 | 9热在线视频观看99| 国产精品国产av在线观看| 亚洲精品自拍成人| 国产人伦9x9x在线观看| 999精品在线视频| 免费高清在线观看日韩| 一本色道久久久久久精品综合| 免费在线观看视频国产中文字幕亚洲| 国产日韩欧美亚洲二区| 精品免费久久久久久久清纯 | 精品国内亚洲2022精品成人 | 下体分泌物呈黄色| 免费av中文字幕在线| 18禁观看日本| 久久中文字幕人妻熟女| 18在线观看网站| 日本av手机在线免费观看| 老熟女久久久| 中文字幕人妻丝袜制服| 老司机福利观看| 一边摸一边做爽爽视频免费| 天堂动漫精品| 欧美日韩一级在线毛片| 热re99久久国产66热| 99re在线观看精品视频| 国产精品久久久久久人妻精品电影 | 亚洲国产欧美在线一区| 美女国产高潮福利片在线看| av视频免费观看在线观看| 一边摸一边抽搐一进一小说 | 午夜日韩欧美国产| 亚洲欧美色中文字幕在线| 久久精品91无色码中文字幕| 午夜免费鲁丝| 中文字幕制服av| 精品免费久久久久久久清纯 | 两个人看的免费小视频| 午夜精品国产一区二区电影| 亚洲九九香蕉| 国产高清videossex| 亚洲精品中文字幕在线视频| a级片在线免费高清观看视频| 欧美人与性动交α欧美精品济南到| 亚洲成人手机| 久久狼人影院| 人成视频在线观看免费观看| 久久精品亚洲av国产电影网| 亚洲午夜理论影院| 亚洲视频免费观看视频| 视频区图区小说| 黑人操中国人逼视频| h视频一区二区三区| 欧美人与性动交α欧美精品济南到| 老司机深夜福利视频在线观看| 日本精品一区二区三区蜜桃| 99热网站在线观看| 国产精品99久久99久久久不卡| 亚洲中文av在线| 欧美国产精品一级二级三级| 91字幕亚洲| 一边摸一边抽搐一进一小说 | 一级a爱视频在线免费观看| 国产三级黄色录像| 2018国产大陆天天弄谢| 久久久久久人人人人人| 精品福利永久在线观看| 91精品国产国语对白视频| 久久天堂一区二区三区四区| 99久久国产精品久久久| 国产精品免费视频内射| 午夜福利在线免费观看网站| 伦理电影免费视频| 日韩成人在线观看一区二区三区| 免费看十八禁软件| 99九九在线精品视频| kizo精华| 大码成人一级视频| 中文字幕制服av| 亚洲av国产av综合av卡| 美女福利国产在线| 国产精品久久久人人做人人爽| 女人精品久久久久毛片| 精品国产亚洲在线| 狠狠狠狠99中文字幕| 色综合婷婷激情| 亚洲成人国产一区在线观看| 国产区一区二久久| 国产精品久久久久久精品古装| 亚洲av日韩在线播放| 99国产精品99久久久久| 国产91精品成人一区二区三区 | 欧美精品高潮呻吟av久久| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美激情久久久久久爽电影 | 精品福利永久在线观看| 啦啦啦视频在线资源免费观看| 80岁老熟妇乱子伦牲交| 人人妻人人澡人人看| 国产亚洲av高清不卡| 久久人妻熟女aⅴ| 人人澡人人妻人| 国产真人三级小视频在线观看| 1024视频免费在线观看| 在线播放国产精品三级| 老熟妇仑乱视频hdxx| 极品教师在线免费播放| 国产成人一区二区三区免费视频网站| 国产精品99久久99久久久不卡| 黑丝袜美女国产一区| 丰满迷人的少妇在线观看| 欧美在线黄色| 三级毛片av免费| 一级a爱视频在线免费观看| 久久国产精品大桥未久av| 多毛熟女@视频| 亚洲美女黄片视频| 美女主播在线视频| 一二三四在线观看免费中文在| 亚洲人成77777在线视频| 最新美女视频免费是黄的| 91成人精品电影| tocl精华| 黄色成人免费大全| 欧美激情高清一区二区三区| 亚洲欧美日韩高清在线视频 | 一本色道久久久久久精品综合| 国产成人欧美| 大型av网站在线播放| 国产免费视频播放在线视频| 国产欧美日韩一区二区三| 中文字幕色久视频| 久久人人97超碰香蕉20202| 一级片免费观看大全| 又黄又粗又硬又大视频| videosex国产| 国产在线精品亚洲第一网站| 午夜福利欧美成人| 热99re8久久精品国产| 天堂俺去俺来也www色官网| 国产福利在线免费观看视频| 真人做人爱边吃奶动态| 男女床上黄色一级片免费看| 2018国产大陆天天弄谢| 日本五十路高清| 美女主播在线视频| 麻豆成人av在线观看| 精品免费久久久久久久清纯 | 丰满少妇做爰视频| 欧美日本中文国产一区发布| 国产高清国产精品国产三级| 精品视频人人做人人爽| 欧美黄色淫秽网站| 狠狠精品人妻久久久久久综合| 汤姆久久久久久久影院中文字幕| 久久久久网色| 国产成+人综合+亚洲专区| 日韩欧美一区视频在线观看| 日本vs欧美在线观看视频| 欧美亚洲日本最大视频资源| 久久精品成人免费网站| 免费在线观看视频国产中文字幕亚洲| 精品乱码久久久久久99久播| 制服诱惑二区| 国产精品免费视频内射| 国产亚洲欧美在线一区二区| 色尼玛亚洲综合影院| 亚洲欧美色中文字幕在线| 国产麻豆69| 12—13女人毛片做爰片一| 一级,二级,三级黄色视频| 夜夜骑夜夜射夜夜干| 国产亚洲欧美在线一区二区| 91老司机精品| av在线播放免费不卡| 首页视频小说图片口味搜索| 老汉色∧v一级毛片| 一边摸一边抽搐一进一小说 | 免费在线观看视频国产中文字幕亚洲| 99国产精品免费福利视频| 国产精品免费大片| 亚洲伊人色综图| 女警被强在线播放| 热re99久久精品国产66热6| 久久久久久久久久久久大奶| 午夜福利影视在线免费观看| 国产午夜精品久久久久久| 成人影院久久| 久久精品国产亚洲av香蕉五月 | √禁漫天堂资源中文www| 精品一区二区三卡| 一本—道久久a久久精品蜜桃钙片| 欧美+亚洲+日韩+国产| 国产av又大| 精品一区二区三区视频在线观看免费 | 国产欧美日韩综合在线一区二区| 亚洲精品成人av观看孕妇| 久久久久久久精品吃奶| netflix在线观看网站| 国产精品.久久久| 高清在线国产一区| 日韩欧美一区视频在线观看| 亚洲第一欧美日韩一区二区三区 | 欧美日韩亚洲综合一区二区三区_| 真人做人爱边吃奶动态| 亚洲精品美女久久av网站| 欧美大码av| 他把我摸到了高潮在线观看 | 午夜福利欧美成人| 国产单亲对白刺激| 一个人免费看片子| 操美女的视频在线观看| 午夜精品国产一区二区电影| 制服诱惑二区| 亚洲欧美精品综合一区二区三区| 精品免费久久久久久久清纯 | 亚洲专区国产一区二区| a级毛片在线看网站| 亚洲欧美精品综合一区二区三区| 99国产精品一区二区蜜桃av | 一级黄色大片毛片| 天天操日日干夜夜撸| a级毛片黄视频| 亚洲七黄色美女视频| 老司机深夜福利视频在线观看| 亚洲九九香蕉| 91九色精品人成在线观看| 午夜福利在线免费观看网站| 午夜日韩欧美国产| 欧美日韩中文字幕国产精品一区二区三区 | 狠狠狠狠99中文字幕| 国产精品熟女久久久久浪| 久久人妻熟女aⅴ| 午夜91福利影院| 91成年电影在线观看| 精品少妇内射三级| 露出奶头的视频| 一区二区三区国产精品乱码| 国产精品.久久久| 亚洲国产欧美网| 国产一区二区激情短视频| 亚洲成人手机| 国产精品一区二区在线观看99| 欧美乱码精品一区二区三区| 俄罗斯特黄特色一大片| 91九色精品人成在线观看| 香蕉丝袜av| 一区二区三区乱码不卡18| 国产av精品麻豆| 国产成+人综合+亚洲专区| 天堂中文最新版在线下载| 亚洲自偷自拍图片 自拍| 精品国产一区二区三区久久久樱花| 天天躁日日躁夜夜躁夜夜| 精品国产一区二区三区久久久樱花| 王馨瑶露胸无遮挡在线观看| 午夜福利在线免费观看网站| 99九九在线精品视频| 露出奶头的视频| 欧美日韩国产mv在线观看视频| 欧美激情高清一区二区三区| av不卡在线播放| 久久久久久久久久久久大奶| 一级黄色大片毛片| 嫁个100分男人电影在线观看| 国产亚洲av高清不卡| 成人手机av| 欧美亚洲日本最大视频资源| 国产熟女午夜一区二区三区| 每晚都被弄得嗷嗷叫到高潮| 国产极品粉嫩免费观看在线| 嫩草影视91久久| 极品人妻少妇av视频| 欧美av亚洲av综合av国产av| 国产亚洲欧美精品永久| 国产高清激情床上av| 国产片内射在线| 91精品三级在线观看| 亚洲 欧美一区二区三区| 美女高潮到喷水免费观看| 精品少妇内射三级| 国产亚洲精品久久久久5区| 香蕉久久夜色| 天天操日日干夜夜撸| 国产精品98久久久久久宅男小说| 亚洲av欧美aⅴ国产| 女同久久另类99精品国产91| 成人手机av| 久久人人97超碰香蕉20202| 51午夜福利影视在线观看| 水蜜桃什么品种好| 十八禁人妻一区二区| 飞空精品影院首页| 精品久久久久久电影网| 999久久久精品免费观看国产| 18禁黄网站禁片午夜丰满| 乱人伦中国视频| 自拍欧美九色日韩亚洲蝌蚪91| 久久精品aⅴ一区二区三区四区| 正在播放国产对白刺激| 亚洲av美国av| 亚洲中文日韩欧美视频| 免费高清在线观看日韩| 在线观看舔阴道视频| 一级片免费观看大全| 国产精品亚洲一级av第二区| 麻豆国产av国片精品| 狠狠精品人妻久久久久久综合| 国产97色在线日韩免费| 日韩精品免费视频一区二区三区| 国产人伦9x9x在线观看| 黄色视频不卡| 又黄又粗又硬又大视频| 亚洲一区二区三区欧美精品| 999久久久精品免费观看国产| 亚洲一卡2卡3卡4卡5卡精品中文| 乱人伦中国视频| 在线av久久热| 久久青草综合色| 欧美激情极品国产一区二区三区| 午夜91福利影院| 夜夜爽天天搞| 热re99久久精品国产66热6| 精品国产一区二区久久| 搡老岳熟女国产| 久久热在线av| 午夜福利在线免费观看网站| 亚洲午夜精品一区,二区,三区| 两性夫妻黄色片| 国产精品影院久久| 国产男女内射视频| 亚洲精品美女久久av网站|