• <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 ?

    基于圖模型與注意力機(jī)制的室外場景點云分割模型

    2024-01-09 04:01:22廉飛宇張良王杰棟靳于康柴玉
    計算機(jī)應(yīng)用 2023年12期
    關(guān)鍵詞:注意力語義精度

    廉飛宇,張良*,王杰棟,靳于康,柴玉

    基于圖模型與注意力機(jī)制的室外場景點云分割模型

    廉飛宇1,2,張良1,2*,王杰棟3,靳于康1,2,柴玉1,2

    (1.湖北大學(xué) 資源環(huán)境學(xué)院,武漢 430062; 2.區(qū)域開發(fā)與環(huán)境響應(yīng)湖北省重點實驗室(湖北大學(xué)),武漢 430062; 3.浙江省第二測繪院,杭州 310012)(?通信作者電子郵箱zhangliang@hubu.edu.cn)

    針對在多對象且空間拓?fù)潢P(guān)系復(fù)雜的室外場景環(huán)境中相似地類區(qū)分難的問題,提出一種結(jié)合圖模型與注意力機(jī)制模塊的A-Edge-SPG(Attention-EdgeConv SuperPoint Graph)圖神經(jīng)網(wǎng)絡(luò)。首先,利用圖割和幾何特征結(jié)合的方法對超點進(jìn)行分割;其次,在超點內(nèi)部構(gòu)造局部鄰接圖,從而在捕獲場景中點云的上下文信息的同時利用注意力機(jī)制模塊凸顯關(guān)鍵信息;最后,構(gòu)建超點圖(SPG)模型,并采用門控循環(huán)單元(GRU)聚合超點和超邊特征,實現(xiàn)對不同地類點云間的精確分割。在Semantic3D數(shù)據(jù)集上對A-Edge-SPG模型和SPG-Net(SPG neural Network)模型的語義分割效果進(jìn)行比較分析。實驗結(jié)果表明,相較于SPG模型,A-Edge-SPG模型在總體分割精度(OA)、平均交并比(mIoU)和平均精度均值(mAA)上分別提升了1.8、5.1和2.8個百分點,并且在高植被、矮植被等相似地類的分割精度上取得了明顯的提升,改善了相似地類間語義分割的效果。

    語義分割;室外場景;局部特征;注意力機(jī)制模塊;局部鄰接圖;圖模型

    0 引言

    近年來,激光掃描技術(shù)[1]迅速發(fā)展,已成為一種快速采集三維信息的重要途徑,在自動駕駛、智慧城市建設(shè)等領(lǐng)域具有廣泛的應(yīng)用。對點云進(jìn)行高效準(zhǔn)確的語義分割是上述應(yīng)用的前提。點云語義分割指通過分析三維點云數(shù)據(jù)的原始信息、局部鄰域等信息,將特定語義標(biāo)簽分配給每個點云數(shù)據(jù)的過程;在數(shù)據(jù)量大、地物種類復(fù)雜的室外場景中對地類的準(zhǔn)確語義分割是一項具有挑戰(zhàn)性的難題[2-3],特別是部分形態(tài)差異小的地物種類難以區(qū)分,如高植被與矮植被、自然地面與人造地面等?,F(xiàn)有大多數(shù)研究通過人工特征進(jìn)行點云語義分割[4-7],但人工特征的設(shè)計建立在一定的先驗知識和假設(shè)上,存在一定的局限性,難以準(zhǔn)確描述室外復(fù)雜場景中的高層次語義特征,表征地類有效信息,限制了基于人工特征的點云語義分割方法在室外場景的應(yīng)用[8]。

    為實現(xiàn)高層次語義特征信息的自動提取,建立從特征信息到語義標(biāo)簽的映射關(guān)系[9],大量學(xué)者開始將深度學(xué)習(xí)的方法應(yīng)用在點云語義分割領(lǐng)域。根據(jù)處理單元的不同,點云深度學(xué)習(xí)網(wǎng)絡(luò)主要分為以下三類[10]:

    1)基于體素的方法。由于點云具有稀疏性和離散型的特點,圖像領(lǐng)域的網(wǎng)絡(luò)架構(gòu)難以直接應(yīng)用于點云數(shù)據(jù),部分學(xué)者通過對點云進(jìn)行體素化處理后再進(jìn)行語義分割。體素是二維柵格在三維空間的延伸,將三維空間按照一定的分辨率進(jìn)行格網(wǎng)劃分,落在同一格網(wǎng)內(nèi)部的點云視為一個體素。Maturana等[11]提出了VoxNet,通過集成體積占用網(wǎng)格與監(jiān)督三維卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)解決點云語義分割的框架;Wu等[12]利用體素描述三維模型,并使用卷積深度置信網(wǎng)絡(luò),對體素化后的數(shù)據(jù)實現(xiàn)目標(biāo)識別;Li等[13]利用條件隨機(jī)場(Conditional Random Field, CRF)框架,結(jié)合全局和局部特征信息分割體素化后的點云。體素化過程解決了不規(guī)則點云數(shù)據(jù)難以直接采用傳統(tǒng)圖像深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)的問題,但不可避免地造成了信息丟失,信息丟失程度與體素分辨率密切相關(guān);另外,由于點云的稀疏分布,存在大量的無效體素,運算效率低。

    2)基于原始點云的方法。為解決體素化方法對點云信息造成的損失和計算量大等問題,學(xué)者們對如何利用深度學(xué)習(xí)網(wǎng)絡(luò)直接處理原始點云數(shù)據(jù)展開研究。相較于二維圖像,解決點云的無序性、不規(guī)則分布問題是將點云數(shù)據(jù)直接應(yīng)用于深度學(xué)習(xí)網(wǎng)絡(luò)的關(guān)鍵。Qi等[14]提出的PointNet通過可學(xué)習(xí)的旋轉(zhuǎn)矩陣對齊輸入數(shù)據(jù)和特征,利用多層感知機(jī)(MultiLayer Perceptron, MLP)學(xué)習(xí)特征,采用對稱函數(shù)緩解點云的無序性問題,成為基于原始點云數(shù)據(jù)進(jìn)行深度學(xué)習(xí)的開端,但由于PointNet僅考慮點云的單點信息,導(dǎo)致對局部的學(xué)習(xí)能力不足,在復(fù)雜場景下學(xué)習(xí)效果不好;改進(jìn)的PointNet++[15]通過最遠(yuǎn)點采樣選取一定的種子點后,針對種子點的鄰域分析PointNet,提升了復(fù)雜場景的學(xué)習(xí)效果;DGCNN(Dynamic Graph CNN)[16]采用EdgeConv卷積方式,通過全連接層學(xué)習(xí)邊特征反映全局信息,且EdgeConv能夠有效地集成其他已有網(wǎng)絡(luò);趙中陽等[17]通過建立多個不同尺度的鄰域空間,提出一種多尺度特征與PointNet結(jié)合的模型,結(jié)合顏色特征對城區(qū)目標(biāo)進(jìn)行分類。上述方法直接處理點云,為深度學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用于點云領(lǐng)域奠定了應(yīng)用基礎(chǔ);但是,針對單個點云進(jìn)行處理,難以滿足大場景中海量點云的需求;其次,單點包含的特征信息有限,限制了復(fù)雜場景中的分割效果。

    3)面向?qū)ο蟮姆椒?。為提高點云語義分割的效率、考慮點云間的上下文信息,將面向?qū)ο蟮乃枷胍朦c云深度學(xué)習(xí)網(wǎng)絡(luò)領(lǐng)域:馬京暉等[18]利用均值(-Means)聚類方法對點云進(jìn)行聚類,通過PointNet分類聚類后的點簇;羅海峰等[19]通過連通分支聚類算法聚類點云,并采用基于體素的方法分割重疊點云,最后利用深度信念網(wǎng)絡(luò)對目標(biāo)對象的二值圖像實現(xiàn)語義分割;Wang等[20]考慮利用點間空間結(jié)構(gòu)獲得高質(zhì)量的分類結(jié)果,首先對原始點云進(jìn)行分簇,結(jié)合點簇之間點的空間信息,通過CNN分類點簇;Landrieu等[21]提出SPG-Net(SuperPoint Graph neural Network)點云語義分割算法,通過對點云數(shù)據(jù)構(gòu)建超點圖,結(jié)合圖卷積模型,實現(xiàn)大場景點云的語義分割,有效彌補(bǔ)了PointNet等網(wǎng)絡(luò)處理大場景點云的弊端。

    上述三類方法中,面向?qū)ο蟮姆绞皆谝欢ǔ潭壬蠝p輕了對最優(yōu)鄰域的依賴,減小了點云中噪聲對特征計算的影響,有利于幾何特征的計算,降低信息提取的不確定性;其次,對象衍生的一些新的特征屬性與所包含的點云間上下文信息有利于提高分類精度,在復(fù)雜的室外場景中表現(xiàn)出不錯的效果[22]。

    室外場景點云通常包含一定的噪聲,地物種類和空間拓?fù)潢P(guān)系復(fù)雜。針對上述特點,Landrieu等[21]提出SPG-Net對室外場景點云進(jìn)行語義分割,通過PointNet對分割對象提取特征,利用最大池化實現(xiàn)特征聚合,此類方式能夠在室外場景中不同地類之間存在較大形態(tài)差異時取得不錯的效果;然而,和其他大部分算法一樣,SPG-Net的特征提取方式過于簡單,當(dāng)形態(tài)相似地物無法準(zhǔn)確表達(dá)地類有效信息,進(jìn)而難以取得理想的分割效果?;诖?,本文在SPG-Net的基礎(chǔ)上提出一種結(jié)合圖模型與注意力機(jī)制模塊的A-Edge-SPG(Attention-EdgeConv SPG)圖神經(jīng)網(wǎng)絡(luò),通過在超點內(nèi)部構(gòu)建圖模型獲取點間上下文信息,得到超點內(nèi)部細(xì)節(jié)特征,并結(jié)合注意力機(jī)制模塊,凸顯超點的關(guān)鍵信息,實現(xiàn)對有效信息的自適應(yīng)選擇,最后結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)點云語義分割,解決復(fù)雜室外場景中形態(tài)相似的地物難以精確區(qū)分的問題。通在過在Semantic3D數(shù)據(jù)集上與SPG-Net進(jìn)行分割精度對比,驗證了該網(wǎng)絡(luò)模型在室外場景中的有效性。

    1 A?Edge?SPG

    為了更高效地挖掘點云空間關(guān)系,本文以超點為基礎(chǔ),結(jié)合圖模型與注意力機(jī)制模塊準(zhǔn)確描述超點內(nèi)部點云關(guān)系,通過構(gòu)建深度超點圖網(wǎng)絡(luò)模型實現(xiàn)點云語義分割。具體步驟如下:1)首先利用圖割對室外大場景點云進(jìn)行幾何同質(zhì)分割,生成具備對象唯一性的分割對象,即超點;2)在超點內(nèi)部構(gòu)建局部鄰接圖,利用圖模型準(zhǔn)確表征超點內(nèi)部點云局部特征,通過圖節(jié)點與邊的關(guān)系更新信息,采用注意力機(jī)制模塊凸顯關(guān)鍵點信息,并通過多層A-EdgeConv(Attention-EdgeConv)模塊疊加不同特征空間的有效信息,實現(xiàn)對超點圖網(wǎng)絡(luò)節(jié)點的準(zhǔn)確描述;3)最后通過門控循環(huán)單元(Gated Recurrent Unit, GRU)算法聚合超點、超邊特征,實現(xiàn)點云語義分割。網(wǎng)絡(luò)的整體架構(gòu)如圖1所示。

    1.1 基于超點的圖節(jié)點特征提取

    1.1.1基于圖割的聚類

    為構(gòu)建超點圖網(wǎng)絡(luò)模型,對具有相同幾何特性的點云聚類生成超點。采用全局能量優(yōu)化的方法將具有相同幾何特征的點進(jìn)行聚類,根據(jù)文獻(xiàn)[24],定義全局能量函數(shù)如式(6)所示:

    1.1.2基于A-EdgeConv的特征提取

    對于超點,大多采用MLP獲取每個超點的屬性,這類方法將點云分塊后通過共享MLP提取全局特征信息,作為超點的特征向量,忽略了點云之間的上下文信息,造成局部信息提取不充分,無法滿足室外場景的需求。

    為更好表征超點內(nèi)部點云關(guān)系,本文以內(nèi)部點云為中心構(gòu)建局部鄰接圖,利用鄰接圖節(jié)點與邊的關(guān)系更新超點特征信息,準(zhǔn)確描述超點局部結(jié)構(gòu);其次,考慮到不同特征信息在語義分割中的貢獻(xiàn)差異,提出融合注意力機(jī)制的A-EdgeConv特征提取模塊,突出關(guān)鍵信息,通過堆疊多層A-EdgeConv模塊解決復(fù)雜地物對象特征信息提取不充分的問題。超點信息提取模型的框架如圖2所示。圖2中,T-Net表示點云空間旋轉(zhuǎn)矩陣;表示超點內(nèi)部點云數(shù);表示超點內(nèi)部單點的特征描述。

    圖1 A-Edge-SPG圖神經(jīng)網(wǎng)絡(luò)框架

    圖2 超點信息提取模型的框架

    1)EdgeConv。

    PointNet率先將標(biāo)準(zhǔn)的CNN應(yīng)用于點云特征提取,利用共享MLP將低維信息投影到高維空間,結(jié)合最大池化函數(shù)實現(xiàn)點云特征提取。這種信息提取方式?jīng)]有考慮鄰域內(nèi)的點云空間關(guān)系,削弱了復(fù)雜環(huán)境下不同地物的特征表述,因此,本文通過構(gòu)建局部鄰接圖(EdgeConv)描述超點局部結(jié)構(gòu),如圖3所示,在提取全局信息的同時,保留內(nèi)部點云間的上下文信息,完善超點信息表述。

    圖3 EdgeConv模塊示意圖

    2)A-EdgeConv。

    構(gòu)建鄰接圖后,需要通過特征聚合壓縮高維特征信息,現(xiàn)有特征聚合方式通常采用最大/平均池化集成相鄰特征,簡單粗暴的池化操作易導(dǎo)致關(guān)鍵特征信息的丟失。關(guān)鍵特征信息丟失不僅增加了模型訓(xùn)練的復(fù)雜程度,也導(dǎo)致了特征信息難以充分提取,影響分割精度。為增強(qiáng)關(guān)鍵信息在表征超點過程中的作用,在模型中針對不同特征部分賦予不同的權(quán)重,提出一種結(jié)合注意力機(jī)制自動學(xué)習(xí)超點重要局部特征的模塊A-EdgeConv,在構(gòu)建局部鄰接圖時,不僅考慮鄰域點間距離差異對目標(biāo)點的影響,并結(jié)合注意力機(jī)制模塊自適應(yīng)地調(diào)節(jié)鄰域內(nèi)點云對目標(biāo)點的貢獻(xiàn)程度,突出關(guān)鍵信息。

    注意力機(jī)制是一種基于Encoder-Decoder框架,模擬人腦注意力工作的模型,通過計算不同特征信息的概率分布,突出關(guān)鍵信息對輸出的影響,抽取更重要和關(guān)鍵的信息,從而優(yōu)化模型并作出更為準(zhǔn)確的判斷[26]。文獻(xiàn)[27]中表明,注意力機(jī)制使訓(xùn)練網(wǎng)絡(luò)更加關(guān)注有效信息,有效減少最大池化/平均池化過程中的信息損失。利用注意力機(jī)制改進(jìn)EdgeConv模塊,在考慮不同維度特征重要性的同時進(jìn)行局部特征學(xué)習(xí),有效減少信息丟失。實現(xiàn)流程如下:

    3)依此類推,獲取超點內(nèi)采樣點云的特征描述。在獲取相對高維的特征信息后,在高維特征空間重復(fù)上述流程,以實現(xiàn)不同特征空間下的特征信息提取,最后通過多維特征空間的信息融合實現(xiàn)超點特征提取。A-EdgeConv模塊如圖4所示。圖4中,表示為超點內(nèi)部點云X的個鄰近點,表示超點內(nèi)部各點的特征描述。

    圖4 A-EdgeConv模塊

    Fig.4 A-EdgeConv module

    特征提取器的偽代碼如下所示,其余過程代碼可參考文獻(xiàn)[21]。

    for=1 todo //表示超點內(nèi)部的點云數(shù)

    nn.Sequential(nn.Conv2d(),nn.BatchNorm2d(),

    nn.LeakyReLU()) //將低維特征升至高維

    torch.cat(); //不同維度特征的拼接

    nn.Dropout(); //防止數(shù)據(jù)過擬合

    end

    1.2 基于超點的語義分割

    1.2.1超點圖構(gòu)建

    表1超邊特征定義

    Tab.1 Hyperedge feature definition

    1.2.2GRU控制單元

    為更加高效地捕捉超點間的空間關(guān)系,將高維特征嵌入到循環(huán)神經(jīng)單元[28]中,通過GRU控制單元實現(xiàn)超點圖模型的特征聚合。GRU是新一代的遞歸神經(jīng)網(wǎng)絡(luò),在結(jié)構(gòu)上比標(biāo)準(zhǔn)長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)更加簡單,擺脫了細(xì)胞狀態(tài),通過隱藏狀態(tài)來傳輸信息,有效提高了特征聚合的時間效率[29]。GRU的示意圖如圖5所示。

    圖5 GRU示意圖

    2 實驗與結(jié)果分析

    2.1 實驗數(shù)據(jù)與網(wǎng)絡(luò)模型設(shè)計

    為驗證模型在室外點云語義分割的有效性,本文采用Semantic3D數(shù)據(jù)集[30]中的bildstein_station1、domfountain _station1、bildstein_station3、domfountain_station2、neugasse_station1、sg27_station1、sg27_station2、sg27_station4、sg27_station5和sg28_station4共10塊數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù),采用bildstein_station5、domfountain_station3和sg27_station9這3塊數(shù)據(jù)作為測試集驗證精度。實驗環(huán)境為RTX 1080Ti GPU顯卡,CPU為IntelCore-i5 10400F,服務(wù)器系統(tǒng)為Ubuntu 16.04,編程語言為Python 3.7,PyTorch 1.2。比較A-Edge-SPG和SPG-Net兩種網(wǎng)絡(luò)模型,循環(huán)迭代200次(epoch),學(xué)習(xí)率設(shè)為0.01,對比兩種網(wǎng)絡(luò)模型的分割精度。

    2.2 語義分割精度評價

    表2、3分別反映了A-Edge-SPG和SPG-Net在3塊測試數(shù)據(jù)下的總體分割精度(Overall segmentation Accuracy, OA)、平均精度均值(mean Average Accuracy, mAA)、平均交并比(mean Intersection over Union, mIoU)與各類別平均分割精度。A-Edge-SPG的分割精度整體優(yōu)于SPG-Net,OA、mAA和mIoU上分別提高1.8、2.8和5.1個百分點。借助點云鄰接圖與注意力機(jī)制模塊,本文方法在高植被、矮植被、汽車等復(fù)雜地類的分割精度取得了明顯改進(jìn)。

    A-Edge-SPG模型對復(fù)雜地類具有較強(qiáng)的識別能力,能夠有效捕獲復(fù)雜地類的關(guān)鍵信息。各個類別中,在高植被、矮植被、汽車等結(jié)構(gòu)較為復(fù)雜的地類,本文方法在分割精度上取得明顯的提升,分別提高了7.6、4.4和4.7個百分點,表明了局部特征與關(guān)鍵點信息在超點分割中具有顯著影響,驗證了本文方法的有效性;模型對于建筑、移動物體的精度也有一定提升,分別增加了2.1和0.4個百分點;由于人造地面與自然地面的特征較簡單且數(shù)據(jù)量較大,分割精度提升不明顯,分別提高0.1和1.1個百分點;在一些室外場景小類別地類上,如人造景觀,分割精度偏低,仍有較大提升空間。圖6展示了bildstein_station5數(shù)據(jù)的語義分割結(jié)果。

    表2 兩個模型的OA、mAA與mIoU對比 單位:%

    表3各類別平均精度均值對比 單位:%

    Tab.3 mAA comparison of different types unit:%

    結(jié)合bildstein_station5數(shù)據(jù)語義分割結(jié)果可以發(fā)現(xiàn),本文方法對高植被、矮植被的錯分效果得到了明顯改善,如圖中1、2區(qū)域所示,改正了大量的高、矮植被的錯分情況;其次,對于人造地面與自然地面的區(qū)分也有一定的提高,如圖中3、4區(qū)域所示,在一些細(xì)節(jié)區(qū)域能夠正確分割。綜上,本文方法在相似地物中的分割精度要優(yōu)于SPG-Net,相較于SPG-Net,本文方法能夠有效捕捉高植被、矮植被的細(xì)節(jié)特征,在糾正相似地類的錯分情況方面表現(xiàn)出一定的魯棒性,提高了復(fù)雜地物的分割精度。

    圖6 bildstein_station5數(shù)據(jù)語義分割結(jié)果

    2.3 相關(guān)性能分析

    2.3.1不同近鄰分析

    表4 不同近鄰數(shù)的分割精度對比

    2.3.2網(wǎng)絡(luò)模型耗時分析

    本文方法與SPG-Net的耗時環(huán)節(jié)主要為:點云下采樣、特征提取、超點圖構(gòu)建、超點特征提取和標(biāo)簽映射這5個部分。

    由于本文方法在超點內(nèi)部進(jìn)行了局部鄰接圖的遍歷,相較于SPG-Net的時間消耗有所增加。針對該問題,采用k-d樹[31]的組織方式提高運行效率,結(jié)合GPU加速使每個epoch訓(xùn)練時間增加在5 s內(nèi),總體運行時間不大于4 000 s,相較于SPG-Net的時間復(fù)雜度僅增加約16%,滿足實驗基本需求。兩種方法各階段的耗時對比如圖7所示。

    圖7 兩種方法耗時對比

    3 結(jié)語

    高質(zhì)量的點云語義分割是點云數(shù)據(jù)在各個領(lǐng)域得以應(yīng)用的前提。針對室外場景環(huán)境下形態(tài)相似地類區(qū)分程度低的問題,本文提出一種基于圖模型與注意力機(jī)制的A-EdgeConv模塊能夠更準(zhǔn)確地提取超點信息,通過構(gòu)建點云鄰接圖,描述超點局部結(jié)構(gòu),結(jié)合注意力機(jī)制考慮鄰域內(nèi)不同特征的貢獻(xiàn)程度,突出關(guān)鍵點特征,以提高不同地類間的區(qū)分程度。通過對比實驗結(jié)果,本文方法優(yōu)于SPG語義分割網(wǎng)絡(luò),在精度方面取得一定的提升,改善了相似地類之間的區(qū)分效果,對高植被、矮植被等相似地類的識別結(jié)果取得明顯提高。然而,初始的聚類結(jié)果受人為特征算子的影響,如何采用深度學(xué)習(xí)的方法優(yōu)化初始聚類方法成為下一步的研究重點;其次,考慮到本文方法在耗時上相較于SPG-Net仍有一定的提升空間,如何優(yōu)化鄰域點遍歷方式也是下一步研究的重要方向。

    [1] YANG B, WEI Z, LI Q, et al. Semiautomated building facade footprint extraction from mobile LiDAR point clouds[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4): 766-770.

    [2] YANG B, DONG Z, ZHAO G, et al. Hierarchical extraction of urban objects from mobile laser scanning data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 99: 45-57.

    [3] ZHANG J, LIN X. Advances in fusion of optical imagery and LiDAR point cloud applied to photogrammetry and remote sensing[J]. International Journal of Image and Data Fusion, 2017, 8(1): 1-31.

    [4] 范士俊,張愛武,胡少興,等. 基于隨機(jī)森林的機(jī)載激光全波形點云數(shù)據(jù)分類方法[J]. 中國激光, 2013, 40(9): No.0914001.(FAN S J, ZHANG A W, HU S X, et al. A method of classification for airborne full waveform LiDAR data based on random forest[J]. Chinese Journal of Lasers, 2013, 40(9): No.0914001.)

    [5] 楊必勝,梁福遜,黃榮剛. 三維激光掃描點云數(shù)據(jù)處理研究進(jìn)展、挑戰(zhàn)與趨勢[J]. 測繪學(xué)報, 2017, 46(10): 1509-1516.(YANG B S, LIANG F X, HUANG R G. Progress, challenges and perspectives of 3D LiDAR point cloud processing[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1509-1516.)

    [6] 郭波,黃先鋒,張帆,等. 顧及空間上下文關(guān)系的JointBoost點云分類及特征降維[J]. 測繪學(xué)報, 2013, 42(5): 715-721.(GUO B, HUANG X F, ZHANG F, et al. Points cloud classification using JointBoost combined with contextual information for feature reduction[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(5): 715-721.)

    [7] WEINMANN M, JUTZI B, HINZ S, et al. Semantic point cloud interpretation based on optimal neighborhoods, relevant features and efficient classifiers [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 105: 286-304.

    [8] LIU W, SUN J, LI W, et al. Deep learning on point clouds and its application: a survey [J]. Sensors, 2019, 19(19): No.4188.

    [9] BENGIO Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning, 2009, 2(1): 1-127.

    [10] 楊柳,劉啟亮,袁浩濤. 城市激光點云語義分割典型方法對比研究[J]. 地理與地理信息科學(xué), 2021, 37(1):17-25.(YANG L, LIU Q L, YUAN H T. A comparative study on typical methods for semantic segmentation of laser point clouds in urban areas [J]. Geography and Geo-Information Science, 2021, 37(1):17-25.)

    [11] MATURANA D, SCHERER S. VoxNet: a 3D convolutional neural network for real-time object recognition [C]// Proceedings of the 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway: IEEE, 2015: 922-928.

    [12] WU Z, SONG S, KHOSLA A, et al. 3D ShapeNets: a deep representation for volumetric shapes[C]// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2015: 1912-1920.

    [13] YI L, KIM V G, CEYLAN D, et al. A scalable active framework for region annotation in 3D shape collections[J]. ACM Transactions on Graphics, 2016, 35(6): No.210.

    [14] QI C R, SU H, MO K, et al. PointNet: deep learning on point sets for 3D classification and segmentation [C]// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2017: 77-85.

    [15] QI C R, YI L, SU H, et al. PointNet++: deep hierarchical feature learning on point sets in a metric space [C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook, NY: Curran Associates Inc., 2017:5101-5114.

    [16] WANG Y, SUN Y, LIU Z, et al. Dynamic graph CNN for learning on point clouds[J]. ACM Transactions on Graphics, 2019, 38(5): No.146.

    [17] 趙中陽,程英蕾,釋小松,等. 基于多尺度特征和PointNet的LiDAR點云地物分類方法[J]. 激光與光電子學(xué)進(jìn)展, 2019, 56(5): No.052804.(ZHAO Z Y, CHENG Y L, SHI X S, et al. Terrain classification of LiDAR point cloud method based on multi-scale features and PointNet [J]. Laser and Optoelectronics Progress, 2019, 56(5): No.052804.)

    [18] 馬京暉,潘巍,王茹. 基于-means聚類的三維點云分類[J]. 計算機(jī)工程與應(yīng)用, 2020, 56(17):181-186.(MA J H, PAN W,WANG R. 3D point cloud classification based on-means clustering[J]. Computer Engineering and Applications, 2020, 56(17):181-186.)

    [19] 羅海峰,方莉娜,陳崇成,等. 基于DBN的車載激光點云路側(cè)多目標(biāo)提?。跩]. 測繪學(xué)報, 2018, 47(2): 234-246.(LUO H F, FANG L N, CHEN C C, et al. Roadside multiple objects extraction from mobile laser scanning point cloud based on DBN[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(2): 234-246.)

    [20] WANG Z, ZHANG L, ZHANG L, et al. A Deep Neural Network with Spatial Pooling (DNNSP) for 3-D point cloud classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(8): 4594-4604.

    [21] LANDRIEU L, SIMONOVSKY M. Large-scale point cloud semantic segmentation with superpoint graphs [C]// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2018: 4558-4567.

    [22] FILLIN S, PFEIFER N. Segmentation of airborne laser scanning data using a slope adaptive neighborhood [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2006, 60(2): 71-80.

    [23] DEMANTKé J, MALLET C, DAVID N, et al. Dimensionality based scale selection in 3D lidar point clouds[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2012, 38(5): 97-102.

    [24] KOLMOGOROV V, ZABIN R. What energy functions can be minimized via graph cuts?[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(2): 147-159.

    [25] LANDRIEU L, OBOZINSKI G. Cut Pursuit: fast algorithms to learn piecewise constant functions on general weighted graphs [J]. SIAM Journal on Imaging Sciences, 2017, 10(4): 1724-1766.

    [26] 任歡,王旭光. 注意力機(jī)制綜述[J]. 計算機(jī)應(yīng)用,2021, 41(S1):1-6.(REN H, WANG X G. Review of attention mechanisms[J]. Journal of Computer Applications, 2021, 41(S1): 1-6.)

    [27] 朱張莉,饒元,吳淵,等.注意力機(jī)制在深度學(xué)習(xí)中的研究進(jìn)展[J]. 中文信息學(xué)報, 2019, 33(6): 1-11.(ZHU Z L, RAO Y, WU Y, et al. Research progress of attention mechanism in deep learning [J]. Journal of Chinese Information Processing, 2019, 33(6): 1-11.)

    [28] 楊麗,吳雨茜,王俊麗,等.循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計算機(jī)應(yīng)用, 2018, 38(S2): 1-6, 26.(YANG L, WU Y X, WANG J L, et al. Research on recurrent neural network[J]. Journal of Computer Applications, 2018, 38(S2): 1-6, 26.)

    [29] 馬超. 融合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的車輪目標(biāo)檢測[J]. 測繪通報, 2020(8):139-143.(MA C. Wheel detection integrating convolutional neural network and recurrent neural network[J]. Bulletin of Surveying and Mapping, 2020(8):139-143.)

    [30] HACKEL T, SAVINOV N, LADICKY L, et al. Semantic3D.net: a new large-scale point cloud classification benchmark [J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2017, IV-1/W1: 91-98.

    [31] BENTLEY J L. Multidimensional binary search trees used for associative searching [J]. Communications of the ACM, 1975, 18(9): 509-517.

    Outdoor scene point cloud segmentation model based on graph model and attention mechanism

    LIAN Feiyu1,2, ZHANG Liang1,2*, WANG Jiedong3, JIN Yukang1,2, CHAI Yu1,2

    (1,,430062,;2(),430062,;3,310012,)

    Aiming at the problem that it is difficult to distinguish similar land types in outdoor scenes with multiple objects and complex spatial topological relationships, an A-Edge-SPG (Attention-EdgeConvSuperPoint Graph) graph neural network combining graph model and attention mechanism module was proposed. Firstly, the superpoints were segmented by the combination of graph cut and geometric features. Secondly, the local adjacency graph was constructed inside the superpoint to capture the context information of the point cloud in the scene and use the attention mechanism module to highlight the key information. Finally, a SuperPoint Graph (SPG) model was constructed, and the features of hyperpoints and hyperedges were aggregated by Gated Recurrent Unit (GRU) to realize accurate segmentation among different land types of point cloud. On Semantic3D dataset,the semantic segmentation effect of A-Edge-SPG model and SPG-Net (SPG neural Network) model was compared and analyzed. Experimental results show that compared with the SPG model, A-Edge-SPG model improves the Overall segmentation Accuracy(OA), mean Intersection over Union (mIoU) and mean Average Accuracy (mAA) by 1.8, 5.1 and 2.8 percentage points respectively, and significantly improves the segmentation accuracy of similar land types such as high vegetation and dwarf vegetation, improving the effect of distinguishing similar land types.

    semantic segmentation; outdoor scene; local feature; attention mechanism module; local adjacency graph; graph model

    This work is partially supported by National Natural Science Foundation of China (41601504), Major Project of High?Resolution Earth Observation System (11?H37B02?900?19/22).

    LIAN Feiyu, born in 1997, M. S. candidate. His research interests include three-dimensional point cloud processing, point cloud segmentation.

    ZHANG Liang, born in 1986, Ph. D., associate professor. His research interests include machine learning, intelligent classification of remote sensing images, three-dimensional point cloud processing.

    WANG Jiedong,born in 1986, M. S.,engineer. His research interests include photogrammetry, remote sensing applications.

    JIN Yukang, born in 1997, M. S. candidate. His research interests include unmanned aerial vehicle point cloud filtering.

    CHAI Yu, born in 1999, M. S. candidate. Her research interests include three-dimensional point cloud processing.

    TP183

    A

    1001-9081(2023)12-3911-07

    10.11772/j.issn.1001-9081.2022111704

    2022?11?15;

    2023?03?13;

    2023?03?20。

    國家自然科學(xué)基金資助項目(41601504);高分辨率對地觀測系統(tǒng)重大專項(11?H37B02?9001?19/22)。

    廉飛宇(1997—),男,山東臨沂人,碩士研究生,主要研究方向:三維點云處理、點云分割;張良(1986—),男,浙江紹興人,副教授,博士,主要研究方向:機(jī)器學(xué)習(xí)、遙感影像智能分類、三維點云處理;王杰棟(1986—),男,寧夏銀川人,工程師,碩士,主要研究方向:攝影測量、遙感應(yīng)用;靳于康(1997—),男,河南南陽人,碩士研究生,主要研究方向:無人機(jī)點云濾波;柴玉(1999—),女,河南信陽人,碩士研究生,主要研究方向:三維點云處理。

    猜你喜歡
    注意力語義精度
    讓注意力“飛”回來
    語言與語義
    基于DSPIC33F微處理器的采集精度的提高
    電子制作(2018年11期)2018-08-04 03:25:38
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    “上”與“下”語義的不對稱性及其認(rèn)知闡釋
    GPS/GLONASS/BDS組合PPP精度分析
    改進(jìn)的Goldschmidt雙精度浮點除法器
    認(rèn)知范疇模糊與語義模糊
    巧用磨耗提高機(jī)械加工精度
    河南科技(2014年14期)2014-02-27 14:11:53
    一边摸一边做爽爽视频免费| 天堂动漫精品| 日韩欧美一区二区三区在线观看 | 日本a在线网址| 国产又爽黄色视频| 两性午夜刺激爽爽歪歪视频在线观看 | 中文字幕制服av| 好看av亚洲va欧美ⅴa在| 亚洲一区高清亚洲精品| 美女 人体艺术 gogo| 日本撒尿小便嘘嘘汇集6| 国产成人一区二区三区免费视频网站| 男人的好看免费观看在线视频 | 日本五十路高清| 日日夜夜操网爽| 久久久国产成人免费| 啦啦啦 在线观看视频| 亚洲欧美日韩另类电影网站| 香蕉久久夜色| 欧美最黄视频在线播放免费 | 人人妻人人澡人人爽人人夜夜| 18禁国产床啪视频网站| 日本欧美视频一区| 在线观看66精品国产| 国产精品亚洲一级av第二区| 岛国在线观看网站| 好男人电影高清在线观看| 欧美中文综合在线视频| netflix在线观看网站| 999精品在线视频| 色在线成人网| 十八禁网站免费在线| 一级,二级,三级黄色视频| 国产国语露脸激情在线看| 香蕉国产在线看| 捣出白浆h1v1| 又紧又爽又黄一区二区| 亚洲一区中文字幕在线| 手机成人av网站| 久久久久久久久免费视频了| 久久影院123| 男女高潮啪啪啪动态图| 国产精品 欧美亚洲| xxxhd国产人妻xxx| 国产在线精品亚洲第一网站| 亚洲精品国产色婷婷电影| 大码成人一级视频| 免费在线观看黄色视频的| 交换朋友夫妻互换小说| 久久中文字幕一级| 一二三四社区在线视频社区8| 欧美午夜高清在线| 国产精品久久久av美女十八| 欧美+亚洲+日韩+国产| 12—13女人毛片做爰片一| 丰满饥渴人妻一区二区三| 中文亚洲av片在线观看爽 | 成在线人永久免费视频| 后天国语完整版免费观看| 久久久久国产一级毛片高清牌| 色综合婷婷激情| 在线观看免费视频日本深夜| 成年动漫av网址| 91精品三级在线观看| 日韩大码丰满熟妇| 国产精品久久电影中文字幕 | 另类亚洲欧美激情| 免费观看人在逋| 嫁个100分男人电影在线观看| www.精华液| 色播在线永久视频| 久久婷婷成人综合色麻豆| 1024香蕉在线观看| 电影成人av| 免费在线观看亚洲国产| 中文字幕av电影在线播放| 岛国在线观看网站| 国产在线观看jvid| 久久人妻熟女aⅴ| 日本撒尿小便嘘嘘汇集6| e午夜精品久久久久久久| 国产一区二区三区在线臀色熟女 | 岛国毛片在线播放| 深夜精品福利| 国产精品秋霞免费鲁丝片| 午夜福利欧美成人| 婷婷精品国产亚洲av在线 | 99国产精品一区二区三区| 日本欧美视频一区| 亚洲第一欧美日韩一区二区三区| 97人妻天天添夜夜摸| 免费在线观看日本一区| 另类亚洲欧美激情| 十分钟在线观看高清视频www| 久久精品亚洲熟妇少妇任你| 欧美午夜高清在线| 丁香六月欧美| 免费人成视频x8x8入口观看| 亚洲国产欧美日韩在线播放| 久久久久国产一级毛片高清牌| 欧美丝袜亚洲另类 | 黄色毛片三级朝国网站| 亚洲精品成人av观看孕妇| 午夜视频精品福利| 亚洲少妇的诱惑av| 色94色欧美一区二区| 亚洲国产精品一区二区三区在线| 极品人妻少妇av视频| 很黄的视频免费| 美女福利国产在线| 少妇粗大呻吟视频| 国产一卡二卡三卡精品| 国产色视频综合| 大码成人一级视频| 欧美乱码精品一区二区三区| 久久久久久人人人人人| 在线观看免费视频网站a站| 精品国产一区二区三区久久久樱花| 欧美日韩成人在线一区二区| av一本久久久久| 国产激情欧美一区二区| 伊人久久大香线蕉亚洲五| 久久精品熟女亚洲av麻豆精品| 国产一区二区三区综合在线观看| 母亲3免费完整高清在线观看| 久久久久视频综合| 国产成+人综合+亚洲专区| 精品国产亚洲在线| 大香蕉久久网| 如日韩欧美国产精品一区二区三区| 99久久综合精品五月天人人| 成人永久免费在线观看视频| 国产又色又爽无遮挡免费看| 满18在线观看网站| 18禁裸乳无遮挡动漫免费视频| 精品国产国语对白av| 激情视频va一区二区三区| 一级a爱片免费观看的视频| 免费在线观看完整版高清| 18在线观看网站| 国产成人欧美在线观看 | 国产精品九九99| 久久久久久久精品吃奶| 精品欧美一区二区三区在线| 欧美人与性动交α欧美软件| 亚洲 国产 在线| 91麻豆精品激情在线观看国产 | 国产真人三级小视频在线观看| 人妻一区二区av| 国产在线观看jvid| 狠狠婷婷综合久久久久久88av| aaaaa片日本免费| 久久人人爽av亚洲精品天堂| 国产亚洲精品久久久久久毛片 | 日韩有码中文字幕| 50天的宝宝边吃奶边哭怎么回事| 国产精品99久久99久久久不卡| avwww免费| 露出奶头的视频| 欧美成狂野欧美在线观看| 欧美成人免费av一区二区三区 | 亚洲第一av免费看| 叶爱在线成人免费视频播放| 国产av又大| 国产男女内射视频| 美女国产高潮福利片在线看| 亚洲中文字幕日韩| 99re6热这里在线精品视频| 中亚洲国语对白在线视频| 亚洲精品乱久久久久久| 看片在线看免费视频| 99国产极品粉嫩在线观看| 国产一区二区激情短视频| 香蕉国产在线看| 99精品在免费线老司机午夜| 国产精品综合久久久久久久免费 | 丰满人妻熟妇乱又伦精品不卡| 欧美 日韩 精品 国产| 亚洲精品国产色婷婷电影| 一级作爱视频免费观看| 18禁国产床啪视频网站| 国产精品欧美亚洲77777| 精品国产乱码久久久久久男人| 亚洲美女黄片视频| 亚洲午夜精品一区,二区,三区| √禁漫天堂资源中文www| 视频区欧美日本亚洲| 无遮挡黄片免费观看| 不卡av一区二区三区| 久久这里只有精品19| 夜夜躁狠狠躁天天躁| 亚洲五月色婷婷综合| av欧美777| 亚洲av第一区精品v没综合| 国产精品秋霞免费鲁丝片| av一本久久久久| 老汉色∧v一级毛片| 久久精品国产清高在天天线| 嫁个100分男人电影在线观看| 国产成人啪精品午夜网站| 亚洲五月色婷婷综合| av视频免费观看在线观看| 精品福利永久在线观看| 国内久久婷婷六月综合欲色啪| 亚洲精品在线美女| 亚洲精品粉嫩美女一区| 精品久久久久久电影网| 国产精品1区2区在线观看. | 亚洲aⅴ乱码一区二区在线播放 | 精品久久久久久久久久免费视频 | 国产精品99久久99久久久不卡| 国产一区在线观看成人免费| 99国产精品一区二区蜜桃av | 亚洲片人在线观看| 欧美色视频一区免费| 亚洲在线自拍视频| 亚洲专区中文字幕在线| 亚洲av欧美aⅴ国产| 免费久久久久久久精品成人欧美视频| 麻豆乱淫一区二区| 视频区欧美日本亚洲| 亚洲av欧美aⅴ国产| 国产精品.久久久| 免费黄频网站在线观看国产| 国产乱人伦免费视频| 久久香蕉精品热| av视频免费观看在线观看| 麻豆av在线久日| 夫妻午夜视频| 身体一侧抽搐| 老司机影院毛片| 亚洲欧美激情综合另类| av电影中文网址| 国产免费av片在线观看野外av| 亚洲精品自拍成人| 午夜老司机福利片| 欧美国产精品va在线观看不卡| 色在线成人网| 两性夫妻黄色片| 国产在线精品亚洲第一网站| 国产精品综合久久久久久久免费 | 国产99久久九九免费精品| 美女视频免费永久观看网站| 亚洲精品中文字幕一二三四区| 少妇的丰满在线观看| 国产欧美亚洲国产| 无人区码免费观看不卡| 99国产精品一区二区三区| 搡老岳熟女国产| 日韩人妻精品一区2区三区| 日本wwww免费看| 日韩免费高清中文字幕av| 国产野战对白在线观看| 亚洲一区二区三区欧美精品| 脱女人内裤的视频| 极品少妇高潮喷水抽搐| 中文欧美无线码| 啦啦啦在线免费观看视频4| 纯流量卡能插随身wifi吗| 中文字幕人妻丝袜制服| 熟女少妇亚洲综合色aaa.| 激情在线观看视频在线高清 | 国产高清videossex| 国产精品免费视频内射| a级片在线免费高清观看视频| 美女 人体艺术 gogo| 天天躁日日躁夜夜躁夜夜| 无遮挡黄片免费观看| 嫁个100分男人电影在线观看| 精品少妇久久久久久888优播| 每晚都被弄得嗷嗷叫到高潮| 香蕉丝袜av| 91大片在线观看| 国产一区二区三区视频了| videosex国产| 久久午夜综合久久蜜桃| 最近最新中文字幕大全电影3 | 中文字幕最新亚洲高清| 欧美精品一区二区免费开放| 啪啪无遮挡十八禁网站| 欧美日韩中文字幕国产精品一区二区三区 | 国产精品久久久久久人妻精品电影| 国产又色又爽无遮挡免费看| 久久人妻福利社区极品人妻图片| 国产成人影院久久av| 国产精品久久久久久人妻精品电影| 无人区码免费观看不卡| 国产成人精品久久二区二区免费| 国产亚洲一区二区精品| 波多野结衣av一区二区av| 天堂中文最新版在线下载| 国内久久婷婷六月综合欲色啪| 黄色 视频免费看| 亚洲第一青青草原| 欧美日韩成人在线一区二区| 国产单亲对白刺激| 亚洲精品av麻豆狂野| av天堂在线播放| 大香蕉久久成人网| 亚洲专区字幕在线| 亚洲国产看品久久| 美女 人体艺术 gogo| 水蜜桃什么品种好| 久久久国产精品麻豆| 中文字幕最新亚洲高清| 日韩成人在线观看一区二区三区| 久久午夜亚洲精品久久| 777久久人妻少妇嫩草av网站| 99在线人妻在线中文字幕 | 国产精品影院久久| 亚洲av欧美aⅴ国产| 久久国产精品人妻蜜桃| 日韩精品免费视频一区二区三区| 欧美人与性动交α欧美精品济南到| 久久精品国产综合久久久| www.999成人在线观看| 色婷婷av一区二区三区视频| 国产99白浆流出| 女人久久www免费人成看片| 欧美大码av| 91成人精品电影| 国产黄色免费在线视频| 国产精品98久久久久久宅男小说| 亚洲av日韩精品久久久久久密| 亚洲avbb在线观看| av中文乱码字幕在线| 日韩大码丰满熟妇| 日韩免费高清中文字幕av| 国产成人啪精品午夜网站| 国产成人欧美| 狠狠婷婷综合久久久久久88av| 中文字幕av电影在线播放| 精品一区二区三卡| 国产色视频综合| 黄色成人免费大全| 美女高潮到喷水免费观看| 高清毛片免费观看视频网站 | 亚洲色图 男人天堂 中文字幕| 精品久久蜜臀av无| 日韩免费高清中文字幕av| 黄色女人牲交| 极品人妻少妇av视频| 精品高清国产在线一区| 久久精品国产清高在天天线| 午夜久久久在线观看| 欧美日韩亚洲高清精品| 91精品三级在线观看| 国产人伦9x9x在线观看| 国产又色又爽无遮挡免费看| 91国产中文字幕| 国产精品免费视频内射| 国产亚洲精品久久久久5区| 男男h啪啪无遮挡| 两个人免费观看高清视频| x7x7x7水蜜桃| 水蜜桃什么品种好| 精品国产乱码久久久久久男人| 久久人人爽av亚洲精品天堂| 日韩欧美三级三区| 欧美日韩亚洲国产一区二区在线观看 | 国产精品久久久久久精品古装| 黄色视频,在线免费观看| 精品高清国产在线一区| 99精品欧美一区二区三区四区| 精品一区二区三区四区五区乱码| 国产精品1区2区在线观看. | 中文字幕人妻熟女乱码| 亚洲欧美激情在线| 日本a在线网址| 免费观看精品视频网站| 亚洲精品美女久久av网站| 国产精品免费大片| 国产男靠女视频免费网站| 精品国产一区二区久久| 一区二区三区激情视频| 19禁男女啪啪无遮挡网站| 日韩有码中文字幕| 一本大道久久a久久精品| 啦啦啦免费观看视频1| 精品亚洲成国产av| 国产高清视频在线播放一区| 在线免费观看的www视频| 黄色视频,在线免费观看| 三级毛片av免费| 黄色毛片三级朝国网站| 91字幕亚洲| 国产免费现黄频在线看| 亚洲一码二码三码区别大吗| 久久久久久亚洲精品国产蜜桃av| 国产成人免费观看mmmm| 777久久人妻少妇嫩草av网站| av有码第一页| 超色免费av| 亚洲精品国产一区二区精华液| 亚洲自偷自拍图片 自拍| 韩国精品一区二区三区| 99国产精品免费福利视频| 国产精品久久久久久人妻精品电影| 老司机午夜十八禁免费视频| 50天的宝宝边吃奶边哭怎么回事| 黑人巨大精品欧美一区二区mp4| 欧美在线黄色| 国产精品久久久久久人妻精品电影| 高清av免费在线| 成年版毛片免费区| 午夜精品国产一区二区电影| 国产精品香港三级国产av潘金莲| 成人免费观看视频高清| 一区在线观看完整版| 高清av免费在线| 色老头精品视频在线观看| tube8黄色片| 亚洲av熟女| 法律面前人人平等表现在哪些方面| 窝窝影院91人妻| 精品电影一区二区在线| 亚洲男人天堂网一区| 精品熟女少妇八av免费久了| 亚洲国产欧美网| 国产日韩欧美亚洲二区| 中文字幕另类日韩欧美亚洲嫩草| 久久精品国产99精品国产亚洲性色 | 久久中文字幕一级| 免费av中文字幕在线| 妹子高潮喷水视频| 国产免费av片在线观看野外av| 最近最新免费中文字幕在线| 亚洲国产中文字幕在线视频| 不卡一级毛片| 久久中文字幕一级| 国产高清videossex| 日韩欧美国产一区二区入口| 亚洲熟妇中文字幕五十中出 | 母亲3免费完整高清在线观看| 我的亚洲天堂| av线在线观看网站| 久久久国产精品麻豆| 丰满人妻熟妇乱又伦精品不卡| 少妇粗大呻吟视频| 精品国产乱码久久久久久男人| www.精华液| 免费在线观看影片大全网站| 色94色欧美一区二区| 国产成人欧美在线观看 | 在线永久观看黄色视频| 天天操日日干夜夜撸| 国产精品欧美亚洲77777| 淫妇啪啪啪对白视频| 欧美精品啪啪一区二区三区| 欧美午夜高清在线| 亚洲精华国产精华精| 高清av免费在线| 免费在线观看视频国产中文字幕亚洲| 一级a爱视频在线免费观看| 日本五十路高清| 黑丝袜美女国产一区| 99香蕉大伊视频| 亚洲九九香蕉| 在线av久久热| 真人做人爱边吃奶动态| 一进一出抽搐gif免费好疼 | 久久久久久久久免费视频了| 亚洲五月色婷婷综合| 欧美黑人欧美精品刺激| 两人在一起打扑克的视频| 老司机亚洲免费影院| 女人高潮潮喷娇喘18禁视频| 国产亚洲精品久久久久5区| svipshipincom国产片| 动漫黄色视频在线观看| 深夜精品福利| 无人区码免费观看不卡| 精品少妇久久久久久888优播| 不卡av一区二区三区| 天天影视国产精品| 欧美日韩亚洲综合一区二区三区_| av片东京热男人的天堂| 老司机深夜福利视频在线观看| 国产一区在线观看成人免费| 满18在线观看网站| 91麻豆av在线| 久久性视频一级片| 好看av亚洲va欧美ⅴa在| 丝瓜视频免费看黄片| 亚洲五月天丁香| 看免费av毛片| 日本欧美视频一区| tocl精华| 美国免费a级毛片| 亚洲欧美一区二区三区久久| 村上凉子中文字幕在线| 国产精品久久久久久人妻精品电影| 伦理电影免费视频| 成年版毛片免费区| 99热只有精品国产| 男人的好看免费观看在线视频 | av网站免费在线观看视频| 久久久久视频综合| 日本黄色视频三级网站网址 | 女人精品久久久久毛片| 国产亚洲精品久久久久久毛片 | 欧美人与性动交α欧美软件| 午夜福利在线免费观看网站| 国产精品电影一区二区三区 | 欧美久久黑人一区二区| 亚洲成人国产一区在线观看| 伦理电影免费视频| 久久久精品免费免费高清| 校园春色视频在线观看| 美女午夜性视频免费| 人妻久久中文字幕网| 99re在线观看精品视频| 99久久综合精品五月天人人| 99国产极品粉嫩在线观看| 久久这里只有精品19| 亚洲专区中文字幕在线| 后天国语完整版免费观看| 在线观看66精品国产| 国产一区二区激情短视频| 淫妇啪啪啪对白视频| 国产av一区二区精品久久| 国产精品亚洲av一区麻豆| 国产99白浆流出| 最近最新中文字幕大全免费视频| 精品国产国语对白av| 老汉色av国产亚洲站长工具| 人人妻人人添人人爽欧美一区卜| 精品久久久久久,| 最新在线观看一区二区三区| 欧美日韩黄片免| 18禁裸乳无遮挡免费网站照片 | 国产区一区二久久| 久久久久久人人人人人| 欧美日韩成人在线一区二区| 97人妻天天添夜夜摸| 亚洲七黄色美女视频| 韩国av一区二区三区四区| 国产精品国产av在线观看| 香蕉国产在线看| 美女国产高潮福利片在线看| 捣出白浆h1v1| 久久久久国产一级毛片高清牌| 久久婷婷成人综合色麻豆| 欧美日韩亚洲综合一区二区三区_| 精品少妇久久久久久888优播| 一区福利在线观看| 免费不卡黄色视频| 身体一侧抽搐| 久9热在线精品视频| 丁香欧美五月| 成人18禁在线播放| 精品乱码久久久久久99久播| 香蕉久久夜色| cao死你这个sao货| 激情在线观看视频在线高清 | 极品人妻少妇av视频| 国产精品98久久久久久宅男小说| 国产成人精品在线电影| 色尼玛亚洲综合影院| 天天躁夜夜躁狠狠躁躁| 久久精品国产亚洲av高清一级| 黄片播放在线免费| 亚洲国产毛片av蜜桃av| 国产成人影院久久av| 亚洲欧美一区二区三区久久| 国产精品二区激情视频| 久久九九热精品免费| 欧美久久黑人一区二区| 国产高清激情床上av| 亚洲人成伊人成综合网2020| 亚洲精品国产区一区二| 国产精品久久视频播放| 香蕉久久夜色| videosex国产| 免费观看精品视频网站| 黄片小视频在线播放| 亚洲精品国产一区二区精华液| 美女国产高潮福利片在线看| 国产免费现黄频在线看| 国产成人精品久久二区二区免费| 天堂动漫精品| 高清av免费在线| 欧美午夜高清在线| 美女扒开内裤让男人捅视频| 天天躁夜夜躁狠狠躁躁| 超色免费av| 欧美日韩av久久| 亚洲成人国产一区在线观看| 香蕉国产在线看| 亚洲一区二区三区不卡视频| 一本一本久久a久久精品综合妖精| 国产精品亚洲av一区麻豆| 午夜视频精品福利| 日韩大码丰满熟妇| 欧美日韩一级在线毛片| 亚洲国产欧美网| 亚洲,欧美精品.| 大片电影免费在线观看免费| 男人舔女人的私密视频| 国产色视频综合| 咕卡用的链子| 狠狠婷婷综合久久久久久88av| 亚洲中文日韩欧美视频| 日韩三级视频一区二区三区| www.熟女人妻精品国产| 欧美精品高潮呻吟av久久| bbb黄色大片| 黄色 视频免费看| 久久久国产成人免费| 免费在线观看影片大全网站| 精品熟女少妇八av免费久了| 久久久精品区二区三区| 亚洲黑人精品在线| 精品卡一卡二卡四卡免费| 免费高清在线观看日韩|