• <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
    香蕉国产在线看| 1024香蕉在线观看| 麻豆成人午夜福利视频| 精品久久久久久,| 看片在线看免费视频| 亚洲aⅴ乱码一区二区在线播放 | 波多野结衣巨乳人妻| 日本一区二区免费在线视频| 18禁国产床啪视频网站| 亚洲精品一卡2卡三卡4卡5卡| 91老司机精品| 1024手机看黄色片| 极品教师在线免费播放| 国产一区二区在线观看日韩 | 国产精品电影一区二区三区| 99热6这里只有精品| 国产伦人伦偷精品视频| 色噜噜av男人的天堂激情| 手机成人av网站| 国产区一区二久久| 亚洲七黄色美女视频| 男人舔女人的私密视频| 在线国产一区二区在线| 欧洲精品卡2卡3卡4卡5卡区| 午夜福利视频1000在线观看| 久久这里只有精品中国| 国产亚洲精品久久久久久毛片| 97超级碰碰碰精品色视频在线观看| 精品久久久久久,| 亚洲av片天天在线观看| 国模一区二区三区四区视频 | 中文字幕久久专区| 香蕉丝袜av| 人人妻,人人澡人人爽秒播| 50天的宝宝边吃奶边哭怎么回事| 国产成人影院久久av| 国产精品一区二区三区四区久久| 手机成人av网站| 久久精品国产99精品国产亚洲性色| 一个人免费在线观看的高清视频| 午夜福利高清视频| 啦啦啦观看免费观看视频高清| bbb黄色大片| 日本免费a在线| 色噜噜av男人的天堂激情| 女同久久另类99精品国产91| 午夜福利成人在线免费观看| 色播亚洲综合网| 19禁男女啪啪无遮挡网站| 日韩中文字幕欧美一区二区| а√天堂www在线а√下载| 99国产极品粉嫩在线观看| 欧美黄色淫秽网站| 在线免费观看的www视频| 老司机深夜福利视频在线观看| √禁漫天堂资源中文www| 日本撒尿小便嘘嘘汇集6| 色精品久久人妻99蜜桃| 一个人免费在线观看的高清视频| 亚洲精品美女久久久久99蜜臀| 他把我摸到了高潮在线观看| 国产精品久久久av美女十八| 老熟妇仑乱视频hdxx| 久久香蕉精品热| 无限看片的www在线观看| 男女那种视频在线观看| www国产在线视频色| 欧美人与性动交α欧美精品济南到| 欧美在线一区亚洲| 免费看美女性在线毛片视频| 免费高清视频大片| 精华霜和精华液先用哪个| 日韩中文字幕欧美一区二区| 色老头精品视频在线观看| 一级毛片女人18水好多| www.精华液| 成年免费大片在线观看| aaaaa片日本免费| 精品欧美国产一区二区三| 久久精品91无色码中文字幕| 变态另类丝袜制服| 久久婷婷人人爽人人干人人爱| 伊人久久大香线蕉亚洲五| 在线a可以看的网站| 亚洲成av人片在线播放无| 国产精品一区二区免费欧美| 特大巨黑吊av在线直播| 女警被强在线播放| 丝袜人妻中文字幕| 51午夜福利影视在线观看| 国产一区二区在线av高清观看| 色综合亚洲欧美另类图片| 在线视频色国产色| 又粗又爽又猛毛片免费看| 又紧又爽又黄一区二区| 婷婷亚洲欧美| 在线十欧美十亚洲十日本专区| 好看av亚洲va欧美ⅴa在| 日本一本二区三区精品| 久久久久国产一级毛片高清牌| 国产麻豆成人av免费视频| 午夜精品在线福利| 久久久久国内视频| 国产精品久久视频播放| 一个人观看的视频www高清免费观看 | 一进一出好大好爽视频| 色哟哟哟哟哟哟| 在线观看66精品国产| 欧美 亚洲 国产 日韩一| 一级毛片精品| 中出人妻视频一区二区| 热99re8久久精品国产| 最近在线观看免费完整版| 男人的好看免费观看在线视频 | 国产片内射在线| 欧美成人免费av一区二区三区| 久久久久久亚洲精品国产蜜桃av| 真人一进一出gif抽搐免费| 国产精品 国内视频| av在线天堂中文字幕| 久久久久久国产a免费观看| 精品国产美女av久久久久小说| 久久国产乱子伦精品免费另类| 欧美一区二区精品小视频在线| 久久精品91蜜桃| 精品少妇一区二区三区视频日本电影| 一本大道久久a久久精品| 看黄色毛片网站| 国产成人av激情在线播放| 亚洲av成人精品一区久久| 日本三级黄在线观看| 国产精品亚洲av一区麻豆| 午夜精品在线福利| 久久久久久久精品吃奶| 免费搜索国产男女视频| 久久久水蜜桃国产精品网| 日韩欧美一区二区三区在线观看| 无遮挡黄片免费观看| 动漫黄色视频在线观看| 日本黄大片高清| 欧美绝顶高潮抽搐喷水| 亚洲国产欧美网| 欧美最黄视频在线播放免费| 亚洲欧洲精品一区二区精品久久久| 国产成人欧美在线观看| 亚洲成av人片免费观看| 色精品久久人妻99蜜桃| 亚洲九九香蕉| 国产午夜精品久久久久久| 少妇被粗大的猛进出69影院| 免费看a级黄色片| 国产男靠女视频免费网站| 人人妻,人人澡人人爽秒播| 日本黄色视频三级网站网址| 成人国产综合亚洲| 国产精品亚洲美女久久久| 韩国av一区二区三区四区| 亚洲国产精品合色在线| 777久久人妻少妇嫩草av网站| 亚洲色图av天堂| 欧美不卡视频在线免费观看 | 视频区欧美日本亚洲| 日本精品一区二区三区蜜桃| 午夜免费观看网址| 老汉色av国产亚洲站长工具| 哪里可以看免费的av片| 亚洲精品国产精品久久久不卡| 国产一区二区激情短视频| 久久久久久久午夜电影| 淫秽高清视频在线观看| 久久精品综合一区二区三区| 琪琪午夜伦伦电影理论片6080| 女生性感内裤真人,穿戴方法视频| 色综合站精品国产| 91成年电影在线观看| 国产黄色小视频在线观看| 久久亚洲真实| 一边摸一边抽搐一进一小说| 午夜免费激情av| 欧美人与性动交α欧美精品济南到| 后天国语完整版免费观看| 亚洲精华国产精华精| 亚洲国产精品成人综合色| 日本a在线网址| 欧美成人性av电影在线观看| 日本 欧美在线| 午夜福利在线观看吧| 18禁裸乳无遮挡免费网站照片| 成人手机av| 国产熟女午夜一区二区三区| 十八禁人妻一区二区| 男女视频在线观看网站免费 | 一级毛片女人18水好多| 日日夜夜操网爽| 欧美久久黑人一区二区| 99热这里只有是精品50| 黑人欧美特级aaaaaa片| 一级毛片高清免费大全| 久久久久久久久中文| 99精品在免费线老司机午夜| 丁香六月欧美| 制服人妻中文乱码| 久久热在线av| 99久久99久久久精品蜜桃| 亚洲一区中文字幕在线| 欧美日韩黄片免| 男人舔奶头视频| 日韩精品免费视频一区二区三区| 国产成年人精品一区二区| 91成年电影在线观看| 夜夜爽天天搞| 99在线视频只有这里精品首页| 久久久久久亚洲精品国产蜜桃av| 亚洲av电影不卡..在线观看| 九色国产91popny在线| 国产午夜精品论理片| 亚洲色图av天堂| 国产一区二区三区视频了| 日韩成人在线观看一区二区三区| 久久精品aⅴ一区二区三区四区| 一a级毛片在线观看| 国产91精品成人一区二区三区| 麻豆国产97在线/欧美 | av超薄肉色丝袜交足视频| 后天国语完整版免费观看| 操出白浆在线播放| 精品久久蜜臀av无| 制服人妻中文乱码| 91九色精品人成在线观看| 变态另类成人亚洲欧美熟女| 亚洲中文字幕一区二区三区有码在线看 | 欧美人与性动交α欧美精品济南到| 国产又黄又爽又无遮挡在线| 50天的宝宝边吃奶边哭怎么回事| 男男h啪啪无遮挡| 亚洲午夜精品一区,二区,三区| 亚洲全国av大片| 国产不卡一卡二| 一二三四社区在线视频社区8| 欧美性猛交╳xxx乱大交人| av视频在线观看入口| 十八禁人妻一区二区| 美女 人体艺术 gogo| 成人18禁高潮啪啪吃奶动态图| 在线国产一区二区在线| 婷婷精品国产亚洲av| 99久久久亚洲精品蜜臀av| 亚洲精品中文字幕在线视频| 国内精品一区二区在线观看| 在线十欧美十亚洲十日本专区| 国产伦在线观看视频一区| 久热爱精品视频在线9| 此物有八面人人有两片| 国产91精品成人一区二区三区| 丝袜美腿诱惑在线| 亚洲色图 男人天堂 中文字幕| 国产69精品久久久久777片 | 女警被强在线播放| 欧美中文综合在线视频| 在线国产一区二区在线| 国产视频一区二区在线看| 亚洲精品在线观看二区| 国产av一区二区精品久久| 国产精品一区二区三区四区久久| 岛国在线免费视频观看| 亚洲人与动物交配视频| 亚洲第一电影网av| 好看av亚洲va欧美ⅴa在| 久久精品91蜜桃| 搡老岳熟女国产| 免费高清视频大片| 人成视频在线观看免费观看| 欧美色视频一区免费| 99热这里只有精品一区 | 一区二区三区国产精品乱码| 在线观看免费视频日本深夜| 久久香蕉精品热| 淫秽高清视频在线观看| 久久久久亚洲av毛片大全| 在线视频色国产色| 1024香蕉在线观看| 男女之事视频高清在线观看| 午夜精品久久久久久毛片777| 国产精品 欧美亚洲| 色综合婷婷激情| 我的老师免费观看完整版| 欧美午夜高清在线| cao死你这个sao货| 最新在线观看一区二区三区| 成人欧美大片| 一边摸一边做爽爽视频免费| 日韩欧美精品v在线| 国产三级黄色录像| 免费看十八禁软件| 成人三级做爰电影| 国产亚洲精品av在线| 我的老师免费观看完整版| 国产免费av片在线观看野外av| 一个人免费在线观看电影 | 午夜福利视频1000在线观看| √禁漫天堂资源中文www| 欧美日韩国产亚洲二区| 欧美日韩黄片免| 90打野战视频偷拍视频| 日日干狠狠操夜夜爽| 久久久久性生活片| 精品国产乱子伦一区二区三区| 三级男女做爰猛烈吃奶摸视频| 日韩成人在线观看一区二区三区| 亚洲无线在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲人成网站高清观看| 亚洲精品一卡2卡三卡4卡5卡| 亚洲国产精品999在线| 舔av片在线| 午夜精品久久久久久毛片777| 中文在线观看免费www的网站 | 天天添夜夜摸| 亚洲人成电影免费在线| 午夜久久久久精精品| 国语自产精品视频在线第100页| 国产在线观看jvid| 久久中文字幕人妻熟女| 国产日本99.免费观看| 国产成人精品久久二区二区免费| 老熟妇仑乱视频hdxx| 国产欧美日韩精品亚洲av| 欧美成人一区二区免费高清观看 | 麻豆成人午夜福利视频| 观看免费一级毛片| 亚洲欧美精品综合一区二区三区| avwww免费| 亚洲av熟女| 色av中文字幕| 亚洲最大成人中文| 天天躁狠狠躁夜夜躁狠狠躁| 极品教师在线免费播放| 操出白浆在线播放| 50天的宝宝边吃奶边哭怎么回事| 亚洲成人免费电影在线观看| 欧美黑人精品巨大| 久久香蕉激情| 日韩欧美在线乱码| 婷婷精品国产亚洲av在线| 久久精品影院6| 久久久国产成人免费| 亚洲欧美日韩高清在线视频| 日本黄大片高清| 99在线人妻在线中文字幕| 男人的好看免费观看在线视频 | 91字幕亚洲| 国产成年人精品一区二区| 十八禁人妻一区二区| 中文在线观看免费www的网站 | 日本免费a在线| 成人三级做爰电影| 日韩精品中文字幕看吧| 巨乳人妻的诱惑在线观看| 免费观看人在逋| 婷婷丁香在线五月| 亚洲成av人片在线播放无| 男女午夜视频在线观看| 香蕉丝袜av| 亚洲欧美精品综合久久99| 亚洲国产精品合色在线| 成人三级黄色视频| 俄罗斯特黄特色一大片| 亚洲免费av在线视频| 欧美绝顶高潮抽搐喷水| 97人妻精品一区二区三区麻豆| 亚洲av第一区精品v没综合| 两人在一起打扑克的视频| 亚洲成av人片在线播放无| 免费看a级黄色片| 性色av乱码一区二区三区2| 久久草成人影院| 激情在线观看视频在线高清| 亚洲国产看品久久| 欧美黑人巨大hd| 国产激情久久老熟女| 白带黄色成豆腐渣| 免费av毛片视频| 欧美乱妇无乱码| 亚洲av成人精品一区久久| 国产三级中文精品| 欧美性猛交╳xxx乱大交人| 精品午夜福利视频在线观看一区| 手机成人av网站| 亚洲精品色激情综合| 精品一区二区三区四区五区乱码| 欧美精品啪啪一区二区三区| 一进一出好大好爽视频| 在线观看免费午夜福利视频| 黑人操中国人逼视频| 日本 av在线| 制服诱惑二区| 91在线观看av| 久久这里只有精品中国| 给我免费播放毛片高清在线观看| 窝窝影院91人妻| 亚洲成人中文字幕在线播放| 一本久久中文字幕| 99国产精品99久久久久| 在线视频色国产色| 亚洲精品久久国产高清桃花| 麻豆一二三区av精品| 亚洲国产精品sss在线观看| 亚洲五月婷婷丁香| 国产亚洲精品av在线| 久久99热这里只有精品18| 久久久国产成人免费| 熟妇人妻久久中文字幕3abv| 男女做爰动态图高潮gif福利片| 精品欧美国产一区二区三| 国产熟女xx| 美女免费视频网站| 亚洲成av人片免费观看| 国产亚洲精品一区二区www| 国产精品av视频在线免费观看| 亚洲色图 男人天堂 中文字幕| 一区二区三区国产精品乱码| 日韩精品免费视频一区二区三区| 禁无遮挡网站| 亚洲自偷自拍图片 自拍| 国内揄拍国产精品人妻在线| 1024视频免费在线观看| 亚洲在线自拍视频| 神马国产精品三级电影在线观看 | 精品国产乱子伦一区二区三区| 成人国产一区最新在线观看| 亚洲av熟女| 国产成人av激情在线播放| av天堂在线播放| 18禁美女被吸乳视频| 一卡2卡三卡四卡精品乱码亚洲| 午夜两性在线视频| 色综合站精品国产| 国产亚洲精品久久久久久毛片| 老司机午夜福利在线观看视频| 久久久久久九九精品二区国产 | 午夜福利欧美成人| 伦理电影免费视频| 久久香蕉国产精品| 亚洲自偷自拍图片 自拍| 99久久无色码亚洲精品果冻| 亚洲中文字幕一区二区三区有码在线看 | 可以在线观看的亚洲视频| 国产男靠女视频免费网站| 色av中文字幕| 国产成年人精品一区二区| 一级毛片高清免费大全| 欧美成人性av电影在线观看| 全区人妻精品视频| 免费在线观看黄色视频的| 久久久国产欧美日韩av| 国产高清videossex| 亚洲精品色激情综合| 一区二区三区国产精品乱码| 亚洲av熟女| 亚洲中文字幕日韩| 18禁黄网站禁片午夜丰满| 日韩欧美精品v在线| 成人18禁在线播放| 国产精品九九99| 免费在线观看视频国产中文字幕亚洲| www.www免费av| 老汉色∧v一级毛片| aaaaa片日本免费| av在线播放免费不卡| 国产精品一区二区免费欧美| 成在线人永久免费视频| 黄色成人免费大全| 1024手机看黄色片| 在线视频色国产色| 国产aⅴ精品一区二区三区波| 国产一区二区在线av高清观看| 又黄又粗又硬又大视频| 午夜免费激情av| 嫩草影视91久久| 色av中文字幕| 长腿黑丝高跟| 超碰成人久久| 久久九九热精品免费| 久久久久亚洲av毛片大全| 特大巨黑吊av在线直播| 五月玫瑰六月丁香| 无限看片的www在线观看| 一边摸一边抽搐一进一小说| 成人国产一区最新在线观看| 亚洲男人的天堂狠狠| 亚洲av美国av| 国产午夜精品论理片| 我要搜黄色片| 麻豆成人av在线观看| 日韩有码中文字幕| 色噜噜av男人的天堂激情| 91老司机精品| 国产伦人伦偷精品视频| 午夜两性在线视频| xxxwww97欧美| 国产精品一及| 在线观看舔阴道视频| 久久天躁狠狠躁夜夜2o2o| ponron亚洲| 精品日产1卡2卡| 亚洲国产欧洲综合997久久,| 超碰成人久久| 精品欧美国产一区二区三| 亚洲自拍偷在线| 成人18禁高潮啪啪吃奶动态图| 一个人免费在线观看的高清视频| 国产精品免费视频内射| 精品熟女少妇八av免费久了| av在线播放免费不卡| 一级毛片女人18水好多| 两个人视频免费观看高清| 亚洲中文字幕一区二区三区有码在线看 | 精品久久久久久成人av| 日韩三级视频一区二区三区| 99国产精品一区二区三区| 欧美乱妇无乱码| 午夜福利18| 正在播放国产对白刺激| 亚洲性夜色夜夜综合| 精品不卡国产一区二区三区| 久久久久性生活片| 久久精品国产清高在天天线| 亚洲国产日韩欧美精品在线观看 | 亚洲一码二码三码区别大吗| 亚洲成人久久性| 欧美成人免费av一区二区三区| 99热只有精品国产| 又黄又粗又硬又大视频| 欧美成狂野欧美在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 夜夜躁狠狠躁天天躁| 搡老妇女老女人老熟妇| 久久久久久免费高清国产稀缺| 欧美中文日本在线观看视频| www.999成人在线观看| 超碰成人久久| 国产熟女午夜一区二区三区| 一a级毛片在线观看| 日日爽夜夜爽网站| 国产精品 国内视频| 此物有八面人人有两片| 午夜久久久久精精品| 露出奶头的视频| 女同久久另类99精品国产91| 国产97色在线日韩免费| 国产高清视频在线观看网站| 少妇熟女aⅴ在线视频| 别揉我奶头~嗯~啊~动态视频| 在线观看一区二区三区| 一级毛片高清免费大全| 这个男人来自地球电影免费观看| 国产亚洲精品第一综合不卡| 国产在线精品亚洲第一网站| 久久精品国产亚洲av高清一级| 99久久久亚洲精品蜜臀av| 美女扒开内裤让男人捅视频| 女生性感内裤真人,穿戴方法视频| 国产乱人伦免费视频| 久久这里只有精品19| 国产蜜桃级精品一区二区三区| 波多野结衣巨乳人妻| 免费看十八禁软件| 村上凉子中文字幕在线| 人妻丰满熟妇av一区二区三区| 国产成人精品久久二区二区91| 亚洲成人久久性| 欧美中文综合在线视频| 亚洲狠狠婷婷综合久久图片| 精品国产亚洲在线| 成人三级做爰电影| 亚洲av日韩精品久久久久久密| 在线a可以看的网站| 国产69精品久久久久777片 | 久99久视频精品免费| 国产精品久久久人人做人人爽| 搡老熟女国产l中国老女人| 成人手机av| 色噜噜av男人的天堂激情| 看黄色毛片网站| 嫁个100分男人电影在线观看| 一级a爱片免费观看的视频| 精品国产乱子伦一区二区三区| 色播亚洲综合网| 婷婷精品国产亚洲av在线| 久久久久久久久免费视频了| cao死你这个sao货| 天天躁夜夜躁狠狠躁躁| 制服人妻中文乱码| 日日干狠狠操夜夜爽| 成人国产一区最新在线观看| 成人18禁高潮啪啪吃奶动态图| 狠狠狠狠99中文字幕| 97碰自拍视频| 制服人妻中文乱码| 最近最新中文字幕大全免费视频| 日韩精品青青久久久久久| 日本一本二区三区精品| 日韩av在线大香蕉| 免费看a级黄色片| 国产99久久九九免费精品| 午夜福利在线观看吧| 成人三级黄色视频| 精品久久久久久久人妻蜜臀av| 午夜免费激情av| 色噜噜av男人的天堂激情| 欧美日本视频| 午夜福利视频1000在线观看| 在线观看一区二区三区| 久久久久免费精品人妻一区二区| 俺也久久电影网|