• <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ResNeSt和改進Transformer的多標簽圖像分類算法

    2024-02-02 14:54:20賀,張
    測試技術學報 2024年1期
    關鍵詞:分支類別注意力

    王 賀,張 震

    (山西大學 物理電子工程學院,山西 太原 030006)

    0 引言

    圖像分類作為計算機視覺中的基本問題備受關注,常應用于圖像檢索[1]、視頻注釋[2]和指紋識別[3]等領域。通常所研究的圖像中并非只包含一類對象,為了能夠更準確地提取圖像信息,人們開始對多標簽圖像分類(Multi-Label Image Classification,MLIC)展開研究。

    早期多標簽圖像分類將圖像信息轉化為多個二分類方法進行訓練,效率較低。2017 年,Zhu F 等[4]提出了SRN 對目標出現區(qū)域進行研究,利用注意圖對每個標簽應關注的圖像區(qū)域進行劃分,使多標簽圖像分類效率有了極大提高。隨著卷積神經網絡(CNN)的發(fā)展,多標簽圖像分類的精度逐步提升,但是圖像中目標之間的關聯性還有待發(fā)掘,導致多標簽圖像分類精度不高。2019 年,Chen Z M 等[5]提出了ML-GCN,為圖像上出現的標簽建立了相關矩陣,使卷積神經網絡一定程度上學習到了標簽之間的關聯性,在多標簽圖像分類上取得了很好的結果。但是MLGCN 模型獲得的標簽相關性具有一定的局限性,因為在數據集中標簽之間的頻率關系并不代表真實場景中目標之間的關系。Chen T 等[6]提出了SSGRL,利用語義解耦模塊結合類別語義來學習特定語義的表示,將語義交互模塊與基于統計標簽共現的圖相關聯,并通過圖傳播機制探索它們之間的交互,效率獲得了很大提升。針對MLGCN 存在的問題,Ye J 等[7]提出的ADD-GCN 在一定程度上進行了改善,該方法在圖像中建立了利用注意力機制驅動的動態(tài)圖卷積網絡來表示標簽的相關性,獲得了更好的效果。

    近些年,Transformer開始應用于計算機視覺的各個領域,并獲得了巨大的成功,如Vision Transformers(ViT)用于圖像分類[8];DETR用于目標檢測[9]。受到DETR的啟發(fā),2021年,Liu S等[10]提出利用ResNet作為特征提取網絡,Transformer作為分類器進行多標簽分類:通過多頭注意力機制,從對象的不同部分或不同視圖中提取特征,將每個標簽類視為Transformer解碼器中的查詢,并對后續(xù)二進制分類的相關特征進行交叉關注,該方法在多個數據集上獲得了很好的結果。此后,Ridnik T等[11]提出基于Transformer的分類頭ML-decoder對圖像進行分類,ML-decoder靈活高效,可以用于單標簽、多標簽和零樣本等多種場景中。

    本文提出了一種基于ResNeSt 與雙分支Transformer的網絡結構。首先,ResNeSt網絡在不同的網絡分支上應用通道注意力,利用特征圖注意力和多路徑表示的互補優(yōu)勢,能更好地提取細微的特征,提高特征提取性能;其次,在Transformer模塊基礎上,加入BatchFormerV2[12]模塊分支,通過密集表示學習提高小樣本的類別精度。與其他多標簽圖像分類模型相比,本文所提多標簽圖像分類算法在不同數據集上的精度都有一定的提升。

    1 系統框架

    如圖1 所示,系統框架由兩部分構成。第一部分進行特征提取,其中特征提取模塊選用分裂注意力網絡(ResNeSt),它將圖像進行分割,利用通道注意力提取特征,再將其整合到一個統一的注意力塊中,以提取到不同網絡分支的特征。

    圖1 系統框圖Fig.1 Structure diagram of system

    模型第二部分由Transformer Encoder、Decoder 模 塊、BatchFormerV2 Encoder 模 塊、分類器(Classifier)和損失函數(Loss Function)組成。將ResNeSt 提取到的底層特征加入位置編碼(Positional Embeddings)作為Transformer Encoder模塊的輸入;Transformer Encoder 模塊在訓練階段可以通過共享其模塊得到BatchFormerV2 Encoder 模塊,形成雙分支結構,兩個分支進行融合得到鍵值對傳入Transformer Decoder 模塊中;然后,通過分類器進行類別預測;最后,通過損失函數進行反向傳播,更新參數以得到最佳結果。需要注意的是,BatchFormerV2 Encoder模塊只在訓練階段出現,在測試階段會被刪除,這樣可以避免額外的推理負擔。

    1.1 分裂注意力網絡(ResNeSt)

    ResNet 解決了網絡加深出現的退化問題,但是它缺乏通道間的信息融合,因此,本文采用了一種在ResNet基礎上進行改進的網絡——分裂注意力網絡(ResNeSt)。其在ResNet 的基礎上加入了各個通道間的信息融合,將通道級注意力應用于不同的網絡分支,在捕獲跨特征交互和學習多樣化表現方面具有重要作用,通過分裂注意力機制獲取每個通道不同的重要性,可以將感興趣區(qū)域更加精確地提取出來,得到比ResNet 更好的效果。

    ResNeSt 模塊如圖2 所示,輸入特征圖被分割為t個基礎特征圖,其中每個組進行切片處理得到N個切片;經過1×1 卷積和3×3 卷積處理之后送入分裂注意力(見圖3)中;然后,將每個通過分裂注意力得到的輸出進行融合操作,通過1×1 卷積還原通道數,這樣得到的特征融合了各個通道之間的信息,而且輸入和輸出的形狀相同,可以當作一個模塊加入模型中。

    圖2 ResNeSt模塊Fig.2 ResNeSt block

    圖3 分裂注意力模塊Fig.3 Split attention module

    分裂注意力模塊如圖3 所示,在圖2 中經過3×3 卷積處理后的N個切片進入分裂注意力模塊,首先,進行累加求和得到總特征,然后,通過平均池化層收集全局上下文信息,將收集到的信息通過全連接層、歸一化層和ReLU 函數得到每個切片的注意力權重大小,其分別與每個切片相乘再進行融合,這樣可以對各個通道進行信息融合,而且可獲取到每個通道的重要程度。

    1.2 BatchFormerV2模塊

    本文引入了一種新的Transformer 結構:BatchFormerV2。該模塊提出了一種密集表示的樣本學習方法,不僅具有空間注意,而且加入了批處理注意,實現了從圖像級到像素級的表示。相比于Transformer 需要大量圖片進行訓練而言,引入的BatchFormerV2 模塊可以緩解樣本稀缺問題,這有利于多標簽圖像分類精度的提升,Transformer中注意力模塊的輸出Z表示為

    式中:Q,K,V∈RN×C分別為查詢矩陣、鍵矩陣和值矩陣,N為圖像特征塊的數量,C為嵌入維度;d為通道數。查詢矩陣Q與鍵矩陣K內積,得到一個注意力矩陣,它表示了Q與K的相關程度,對該注意力矩陣進行歸一化并通過softmax激活函數,然后點乘值矩陣V得到Z。

    BatchFormerV2的表達式為

    式 中:Qi,Ki,Vi∈RB×C,Z∈RB×N×C,B為Batch Size,指一個批量的數據??梢钥闯鯞atch-FormerV2并沒有改變Transformer的形式,只是將N個長度為B的序列視為一個批量,送入共享的Transformer模塊中,其中N=H×W。

    如圖4 所示,將分裂注意力網絡得到的底層特征輸入到Transformer Encoder 模塊中,在原始Transformer Encoder 分支保持不變的情況下,通過共享創(chuàng)建一個新的分支,在這個分支中加入了BatchFormerV2 模塊,即兩個分支共享Transformer Encoder 模塊。兩個分支得到Key 和Value后進行融合,輸入到Transformer Decoder 部分。Transformer Decoder 部分的交叉注意力可以自適應地提取局部特征,通過查詢矩陣Q進行查詢得到最后的結果。同時為了避免額外的參數增加,在解碼階段刪除了BatchFormerV2分支。

    圖4 雙分支Transformer模塊結構圖Fig.4 Structure diagram of dual-branch Transformer module

    2 實驗與分析

    實驗配置為:intel i7-11700CPU,64 位Windows 10 操作系統,Nvidia GeForce RTX 3060Ti?;赑ytorch 深度學習框架搭建網絡模型。使用AdamW 優(yōu)化器對網絡優(yōu)化,初始學習率調整為1×10-6,并使用cutmix 進行數據增強。將圖像統一裁剪為448×448 大小,使用均值[0,0,0]和標準差[1,1,1]對輸入圖像進行歸一化,并使用RandAugment[13]進行增強。

    為了評估提出的多標簽圖像分類方法,在Microsoft Common Objects in Context(MS COCO14)數據集和The PASCAL Visual Object Classes(VOC2007)數據集上進行了實驗。MS COCO14 包括82 783 張訓練集圖像,40 504 張驗證集圖像,涵蓋80個常見的類別,平均每張圖像上有2.9 個標簽,可以用于對象檢測和分割,也廣泛用于多標簽圖像分類。VOC2007數據集中包含訓練集(5 011 幅)和測試集(4 952 幅),總共9 963幅圖,涵蓋了20個常見的類別。

    2.1 評估標準

    本文主要使用平均精度均值(Mean Average Precision,mAP)作為模型的評估指標。其中平均精度均值的計算方式為

    式中:TP(True Positive)為被判定為正樣本,事實上也是正樣本;FP(False Positive)為被判定為正樣本,但事實上是負樣本;P為準確率;k為數據集中含有該類別的圖片數量;N為總類別個數;AP為單標簽精度值;mAP為所有目標類別精度的平均值。

    2.2 實驗結果分析

    本文所提出模型在MS COCO14 數據集上的訓練損失如圖5 所示,橫坐標為迭代訓練次數epoch,訓練了25 個epoch,在第20 個epoch 后網絡趨于收斂。在MS COCO14數據集上的mAP曲線圖如圖6 所示。本文數據都是在圖像分辨率為448×448 上得到的,但是為了比較的公平性,還對圖像分辨率為576×576進行訓練,方便與其他模型進行對比。

    圖5 訓練損失曲線Fig.5 Loss curve of training

    圖6 mAP曲線Fig.6 Curve of mAP

    由表1 和表2 的數據對比可以發(fā)現,本文提出的模型所得到的mAP值最高,在圖像分辨率為448×448 的情況下,相比最高的ASL 模型[14],其mAP值高出2.0%;在圖像分辨率為576×576的情況下,相比最高的Q2L-R101 模型,其mAP值高出1.9%。說明該多標簽分類算法的分類精度更高,效果更好。

    表1 各算法結果比較(448×448)Tab.1 Comparison of the results of each algorithm(448×448)

    表2 各算法結果比較(576×576)Tab.2 Comparison of the results of each algorithm(576×576)

    另外,在VOC2007數據集上進行了補充實驗,結果為表3 所示??梢钥闯觯疚乃崮P推骄悇e精度mAP達到了96.0%,在20個類別中有13個類別都有不同的提升,相比于ResNet-101,MLGCN,SSGRL和ASL分別提高了5.2%,2.0%,1.0%和0.2%。對于ASL只有小幅度增加是因為VOC2007的mAP值已經趨近于飽和,但是對于以前的工作仍然有很大的提升。比如,與ASL相比,在bike,chair,tv類別上分別提高了0.7%,1.4%和0.8%,這說明所提方法是有效的。但是在某些類別上,所提模型的mAP也出現了下降,比如在plant類別上,比最高的ASL低1.3%,故還需要進一步去研究,減少在個別類別上的差距。

    表3 各算法在VOC2007數據集上mAP對比Tab.3 Comparison of the mAP of each algorithm on VOC2007 data set

    2.3 消融實驗

    在消融實驗中,進行了以下兩組對比實驗:1)使用ResNet 網絡和ResNeSt 網絡比較,2)使用Transformer 模塊和雙分支Transformer 模塊比較。在MS COCO14 數據集中進行測試,使用mAP精度值進行評價。

    從表4 中對比可以發(fā)現,減少本文算法中的任何一個模塊都會導致平均精度均值mAP下降。當算法中都使用Transformer時,在mAP指標上ResNeSt網絡可以比ResNet網絡提升1.05%左右;當算法中都使用ResNet網絡時,雙分支Transformer模塊會比Transformer模塊提升0.51%左右;當算法中使用ResNeSt和雙分支Transformer模塊時,會比只使用ResNet和Transformer模塊提升1.59%左右。證明本文算法結合這兩個模塊可以得到更高的多標簽圖像分類精度。

    3 結論

    本文提出了一種簡單高效的多標簽圖像分類模型,該模型基于ResNeSt 分裂注意力網絡提取底層特征,在改進后的雙分支Transformer網絡上進行多標簽圖像分類。介紹了模型的整體框架,并說明選用ResNeSt 分裂注意力網絡作為骨干網絡可以得到更加豐富的特征信息,使用改進后的雙分支Transformer 網絡模型可以提高Transformer 的分類效果。通過實驗表明,本文所提出的多標簽分類模型在mAP指標上優(yōu)于其他算法。

    猜你喜歡
    分支類別注意力
    讓注意力“飛”回來
    巧分支與枝
    學生天地(2019年28期)2019-08-25 08:50:54
    一類擬齊次多項式中心的極限環(huán)分支
    “揚眼”APP:讓注意力“變現”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    服務類別
    新校長(2016年8期)2016-01-10 06:43:59
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    生成分支q-矩陣的零流出性
    聚合酶鏈式反應快速鑒別5種常見肉類別
    食品科學(2013年8期)2013-03-11 18:21:31
    e午夜精品久久久久久久| 国产精品1区2区在线观看.| 国产午夜福利久久久久久| av国产免费在线观看| 九九热线精品视视频播放| 免费观看的影片在线观看| 久久久国产成人精品二区| 亚洲av中文字字幕乱码综合| 日本黄大片高清| 久久精品国产清高在天天线| 国产精华一区二区三区| 久久热在线av| 日本黄色视频三级网站网址| 国产精品一区二区三区四区久久| 真人一进一出gif抽搐免费| 国产av一区在线观看免费| 曰老女人黄片| 草草在线视频免费看| 亚洲欧美一区二区三区黑人| 亚洲男人的天堂狠狠| 搞女人的毛片| 国产精品久久久av美女十八| 欧美在线一区亚洲| 国产精品永久免费网站| 国产精品98久久久久久宅男小说| 免费电影在线观看免费观看| 麻豆国产av国片精品| 久久久久久久久免费视频了| 成人av一区二区三区在线看| 成年女人永久免费观看视频| 国产成人一区二区三区免费视频网站| 中文字幕高清在线视频| 亚洲av成人不卡在线观看播放网| 黄色视频,在线免费观看| 亚洲成人久久爱视频| 成人一区二区视频在线观看| 此物有八面人人有两片| 亚洲狠狠婷婷综合久久图片| 国产成人欧美在线观看| 国产精品99久久99久久久不卡| 男人舔女人下体高潮全视频| 色播亚洲综合网| 校园春色视频在线观看| 不卡av一区二区三区| 亚洲自拍偷在线| 我要搜黄色片| 日韩欧美在线二视频| 国产乱人伦免费视频| 午夜a级毛片| 亚洲国产精品成人综合色| 99久久综合精品五月天人人| 国产精品1区2区在线观看.| 久久精品aⅴ一区二区三区四区| 久久久久久久午夜电影| a级毛片在线看网站| 国产69精品久久久久777片 | 国产成人系列免费观看| 免费搜索国产男女视频| 国产在线精品亚洲第一网站| 日韩免费av在线播放| 国产黄a三级三级三级人| 一级作爱视频免费观看| 日日夜夜操网爽| ponron亚洲| 女生性感内裤真人,穿戴方法视频| 一级作爱视频免费观看| 国产av麻豆久久久久久久| 1000部很黄的大片| 欧美一区二区国产精品久久精品| 欧美中文日本在线观看视频| 一二三四在线观看免费中文在| 免费在线观看亚洲国产| 国产免费男女视频| 久久婷婷人人爽人人干人人爱| 亚洲五月天丁香| 国内久久婷婷六月综合欲色啪| 天天一区二区日本电影三级| 宅男免费午夜| 美女 人体艺术 gogo| 麻豆一二三区av精品| 此物有八面人人有两片| 色播亚洲综合网| 丰满人妻熟妇乱又伦精品不卡| 在线观看66精品国产| 人人妻人人澡欧美一区二区| 99re在线观看精品视频| 怎么达到女性高潮| 国产免费男女视频| 无遮挡黄片免费观看| 国产黄a三级三级三级人| 这个男人来自地球电影免费观看| 久久久国产成人精品二区| 丁香六月欧美| 国产精品亚洲一级av第二区| 日本 av在线| 制服丝袜大香蕉在线| 国内精品久久久久久久电影| 色综合婷婷激情| 国产高清视频在线播放一区| 88av欧美| 亚洲国产欧美一区二区综合| 首页视频小说图片口味搜索| 久久久久久久久中文| 色老头精品视频在线观看| 婷婷精品国产亚洲av在线| 国产又色又爽无遮挡免费看| 亚洲精品色激情综合| 亚洲av美国av| 国产美女午夜福利| 757午夜福利合集在线观看| 久久亚洲精品不卡| 亚洲欧美日韩高清专用| 国产免费男女视频| 88av欧美| 女人被狂操c到高潮| 成人国产综合亚洲| 日韩欧美三级三区| 性欧美人与动物交配| 国产毛片a区久久久久| 欧美午夜高清在线| 久久久国产成人免费| 欧美高清成人免费视频www| 在线视频色国产色| 69av精品久久久久久| 色尼玛亚洲综合影院| 不卡一级毛片| 一个人免费在线观看电影 | 免费看a级黄色片| 搡老妇女老女人老熟妇| 男女那种视频在线观看| 91字幕亚洲| 日韩欧美免费精品| 国产在线精品亚洲第一网站| 日韩欧美精品v在线| 欧美黑人巨大hd| 最近最新中文字幕大全电影3| av在线蜜桃| 长腿黑丝高跟| 女人被狂操c到高潮| 亚洲欧美精品综合一区二区三区| 19禁男女啪啪无遮挡网站| 欧美色欧美亚洲另类二区| 国产毛片a区久久久久| 国产精品免费一区二区三区在线| 国产亚洲欧美98| 免费无遮挡裸体视频| 男女床上黄色一级片免费看| 免费在线观看成人毛片| 欧美日韩综合久久久久久 | 天堂影院成人在线观看| 国产精品影院久久| 久久久久九九精品影院| 特级一级黄色大片| 久久精品国产清高在天天线| 精品无人区乱码1区二区| 国产毛片a区久久久久| 99热只有精品国产| 亚洲欧美精品综合久久99| 夜夜看夜夜爽夜夜摸| 琪琪午夜伦伦电影理论片6080| www国产在线视频色| 又紧又爽又黄一区二区| 舔av片在线| 欧美另类亚洲清纯唯美| 日本免费一区二区三区高清不卡| 亚洲精华国产精华精| 欧美最黄视频在线播放免费| avwww免费| 黄片大片在线免费观看| 国产伦在线观看视频一区| 国产精品久久久久久精品电影| 99在线视频只有这里精品首页| 国产亚洲精品一区二区www| 久久精品国产亚洲av香蕉五月| 一本一本综合久久| www日本在线高清视频| 亚洲,欧美精品.| 很黄的视频免费| 国产乱人伦免费视频| 国产黄a三级三级三级人| 久久草成人影院| 亚洲人成网站在线播放欧美日韩| 国产精品九九99| 精品日产1卡2卡| 欧美三级亚洲精品| 国产成人精品无人区| 夜夜躁狠狠躁天天躁| 无遮挡黄片免费观看| 亚洲五月婷婷丁香| 不卡av一区二区三区| 亚洲精品美女久久久久99蜜臀| 桃色一区二区三区在线观看| 99久久久亚洲精品蜜臀av| 亚洲av第一区精品v没综合| 日本一本二区三区精品| av国产免费在线观看| tocl精华| 老司机在亚洲福利影院| 偷拍熟女少妇极品色| 99久久成人亚洲精品观看| 成人国产一区最新在线观看| 精品久久久久久久末码| 亚洲无线观看免费| 日韩三级视频一区二区三区| 亚洲av电影不卡..在线观看| 午夜免费成人在线视频| 亚洲欧美日韩高清专用| 成人国产综合亚洲| 国产精品爽爽va在线观看网站| 精品99又大又爽又粗少妇毛片 | 99久国产av精品| 亚洲精品美女久久久久99蜜臀| 亚洲人成伊人成综合网2020| 国产一级毛片七仙女欲春2| 制服丝袜大香蕉在线| 国产成人av激情在线播放| 美女大奶头视频| 99在线视频只有这里精品首页| 少妇熟女aⅴ在线视频| 国产成年人精品一区二区| 久久草成人影院| 1000部很黄的大片| 午夜免费激情av| 香蕉久久夜色| 波多野结衣高清作品| 少妇的丰满在线观看| 精品国产超薄肉色丝袜足j| 一夜夜www| 精品国内亚洲2022精品成人| 国产精品香港三级国产av潘金莲| 亚洲成人久久爱视频| 757午夜福利合集在线观看| 长腿黑丝高跟| www.精华液| 欧美又色又爽又黄视频| 精品一区二区三区视频在线 | 草草在线视频免费看| 中文字幕精品亚洲无线码一区| 婷婷精品国产亚洲av| or卡值多少钱| 脱女人内裤的视频| 婷婷六月久久综合丁香| 成人三级做爰电影| 国产三级在线视频| 精品欧美国产一区二区三| 欧美精品啪啪一区二区三区| 中文字幕熟女人妻在线| 亚洲 欧美一区二区三区| 一区福利在线观看| 操出白浆在线播放| 亚洲一区二区三区色噜噜| 久久久久久久精品吃奶| 国产亚洲精品一区二区www| 十八禁网站免费在线| www.精华液| 男女午夜视频在线观看| 国产成人aa在线观看| 国产精品亚洲一级av第二区| 母亲3免费完整高清在线观看| 亚洲中文日韩欧美视频| 久久香蕉国产精品| 99热精品在线国产| 美女高潮喷水抽搐中文字幕| 成人亚洲精品av一区二区| www.自偷自拍.com| 欧美日韩一级在线毛片| 色哟哟哟哟哟哟| 天天躁日日操中文字幕| 久久精品亚洲精品国产色婷小说| 变态另类丝袜制服| 级片在线观看| 国产高清激情床上av| 老司机午夜十八禁免费视频| 午夜福利在线观看免费完整高清在 | 国产精品99久久99久久久不卡| 偷拍熟女少妇极品色| 99热精品在线国产| 黄片小视频在线播放| 亚洲国产中文字幕在线视频| av国产免费在线观看| 99热6这里只有精品| 国产午夜福利久久久久久| 欧美黑人巨大hd| 一个人看视频在线观看www免费 | xxxwww97欧美| 久久精品91蜜桃| 亚洲黑人精品在线| 成人高潮视频无遮挡免费网站| 噜噜噜噜噜久久久久久91| 91老司机精品| 久久精品国产清高在天天线| 99久久成人亚洲精品观看| 亚洲精品一区av在线观看| 精品久久久久久久毛片微露脸| 欧美色视频一区免费| 成人高潮视频无遮挡免费网站| 露出奶头的视频| 91老司机精品| 五月玫瑰六月丁香| 久久人妻av系列| 久久亚洲精品不卡| 午夜成年电影在线免费观看| 国产精品香港三级国产av潘金莲| 成熟少妇高潮喷水视频| 国产精品久久久av美女十八| 国产日本99.免费观看| 午夜视频精品福利| 成人av在线播放网站| 日韩中文字幕欧美一区二区| 高清毛片免费观看视频网站| 熟女电影av网| 亚洲精品久久国产高清桃花| 三级男女做爰猛烈吃奶摸视频| 最近最新中文字幕大全免费视频| 成人高潮视频无遮挡免费网站| 国产精品av久久久久免费| 国产激情欧美一区二区| 长腿黑丝高跟| 日韩大尺度精品在线看网址| 亚洲av成人av| 啦啦啦观看免费观看视频高清| 免费电影在线观看免费观看| 久久人妻av系列| 精品国产三级普通话版| 99久国产av精品| 欧美又色又爽又黄视频| 97超级碰碰碰精品色视频在线观看| 国内少妇人妻偷人精品xxx网站 | 午夜福利在线在线| 日韩有码中文字幕| 久久久久久人人人人人| 久久久国产成人免费| 国产一级毛片七仙女欲春2| 国产成人影院久久av| 老熟妇乱子伦视频在线观看| 一个人观看的视频www高清免费观看 | 在线视频色国产色| 久久久久国产一级毛片高清牌| 久久久久亚洲av毛片大全| 别揉我奶头~嗯~啊~动态视频| 亚洲中文字幕日韩| 久久久色成人| 日韩欧美 国产精品| 真人一进一出gif抽搐免费| 日本黄色视频三级网站网址| 免费看十八禁软件| 成年女人看的毛片在线观看| 久久九九热精品免费| 精品福利观看| 午夜福利在线观看吧| 亚洲国产精品合色在线| 啪啪无遮挡十八禁网站| 一级黄色大片毛片| 日韩高清综合在线| 欧美三级亚洲精品| 久9热在线精品视频| 国产一级毛片七仙女欲春2| 免费观看的影片在线观看| 午夜两性在线视频| 成年人黄色毛片网站| 精品国产超薄肉色丝袜足j| 男插女下体视频免费在线播放| av福利片在线观看| 久久久久九九精品影院| 身体一侧抽搐| 国产成人aa在线观看| 亚洲专区中文字幕在线| 亚洲欧美激情综合另类| 亚洲美女黄片视频| 色av中文字幕| 久久精品国产亚洲av香蕉五月| 国产激情久久老熟女| 最新中文字幕久久久久 | 午夜影院日韩av| x7x7x7水蜜桃| 亚洲国产精品999在线| 性欧美人与动物交配| 天天躁狠狠躁夜夜躁狠狠躁| 成年女人毛片免费观看观看9| 亚洲真实伦在线观看| 久久这里只有精品19| 欧美+亚洲+日韩+国产| 99久久国产精品久久久| 人人妻人人澡欧美一区二区| 精品日产1卡2卡| 五月伊人婷婷丁香| 精品久久蜜臀av无| 丁香欧美五月| 国产久久久一区二区三区| 久久精品夜夜夜夜夜久久蜜豆| 免费看日本二区| 日本与韩国留学比较| 夜夜夜夜夜久久久久| 国产三级在线视频| 老司机福利观看| avwww免费| 欧美中文综合在线视频| 国产91精品成人一区二区三区| 国产又黄又爽又无遮挡在线| 99热只有精品国产| 国产av麻豆久久久久久久| 九九热线精品视视频播放| 国产成人精品久久二区二区免费| 叶爱在线成人免费视频播放| 国产午夜精品论理片| 制服丝袜大香蕉在线| 欧美精品啪啪一区二区三区| 中国美女看黄片| 女同久久另类99精品国产91| 真人一进一出gif抽搐免费| 欧美一区二区精品小视频在线| 免费观看的影片在线观看| 999精品在线视频| 久9热在线精品视频| 国产精品综合久久久久久久免费| 很黄的视频免费| 午夜福利18| 性欧美人与动物交配| 美女午夜性视频免费| 成人18禁在线播放| 日本精品一区二区三区蜜桃| 窝窝影院91人妻| 噜噜噜噜噜久久久久久91| 欧美乱码精品一区二区三区| 两个人视频免费观看高清| 黄色日韩在线| 美女cb高潮喷水在线观看 | 99久国产av精品| 久久精品夜夜夜夜夜久久蜜豆| 天堂影院成人在线观看| 长腿黑丝高跟| 韩国av一区二区三区四区| 91在线精品国自产拍蜜月 | 国产精品久久久人人做人人爽| 久久人妻av系列| 久久精品影院6| 日日摸夜夜添夜夜添小说| 成人特级av手机在线观看| 久久久久免费精品人妻一区二区| 色播亚洲综合网| 亚洲人成网站在线播放欧美日韩| 操出白浆在线播放| 少妇人妻一区二区三区视频| 中文字幕最新亚洲高清| 波多野结衣高清作品| 小蜜桃在线观看免费完整版高清| 欧美日韩乱码在线| 一二三四在线观看免费中文在| 毛片女人毛片| 午夜福利在线在线| 人妻久久中文字幕网| 亚洲激情在线av| 夜夜躁狠狠躁天天躁| 色综合站精品国产| 亚洲国产精品合色在线| 高清毛片免费观看视频网站| 好男人电影高清在线观看| 性欧美人与动物交配| 久久精品夜夜夜夜夜久久蜜豆| 国产高清三级在线| 亚洲av电影在线进入| 无限看片的www在线观看| 最近最新免费中文字幕在线| 国内精品美女久久久久久| 黄色片一级片一级黄色片| 亚洲国产精品999在线| 国产精品 欧美亚洲| 国产高清视频在线观看网站| 99久久99久久久精品蜜桃| 一夜夜www| 国产视频一区二区在线看| 午夜精品久久久久久毛片777| 99国产极品粉嫩在线观看| 人妻久久中文字幕网| 1024香蕉在线观看| 高清在线国产一区| 五月玫瑰六月丁香| 国产精品亚洲美女久久久| 免费搜索国产男女视频| 三级国产精品欧美在线观看 | 黄色女人牲交| 国产激情欧美一区二区| 黄频高清免费视频| 亚洲中文字幕日韩| 国内精品久久久久久久电影| avwww免费| 日韩大尺度精品在线看网址| 国内毛片毛片毛片毛片毛片| 欧美日韩综合久久久久久 | 免费在线观看影片大全网站| 久久这里只有精品19| 亚洲国产看品久久| 国内精品久久久久精免费| a级毛片a级免费在线| 老熟妇乱子伦视频在线观看| tocl精华| 在线视频色国产色| 91老司机精品| 偷拍熟女少妇极品色| 精品不卡国产一区二区三区| 一进一出抽搐动态| 热99在线观看视频| 亚洲在线观看片| or卡值多少钱| 小说图片视频综合网站| 亚洲人与动物交配视频| 99re在线观看精品视频| 怎么达到女性高潮| 51午夜福利影视在线观看| 成年女人看的毛片在线观看| xxxwww97欧美| 国产91精品成人一区二区三区| 中文字幕高清在线视频| 嫩草影院入口| 男人舔奶头视频| 精品99又大又爽又粗少妇毛片 | 757午夜福利合集在线观看| 美女cb高潮喷水在线观看 | 精品久久久久久久久久久久久| 国产黄a三级三级三级人| 天天一区二区日本电影三级| 欧美色视频一区免费| 日韩欧美精品v在线| 男女那种视频在线观看| 亚洲九九香蕉| 精品国产超薄肉色丝袜足j| 国产亚洲欧美98| 国产私拍福利视频在线观看| 国产亚洲精品av在线| 国产精品久久视频播放| 久久久久亚洲av毛片大全| 午夜成年电影在线免费观看| 午夜福利免费观看在线| 亚洲精品一卡2卡三卡4卡5卡| 亚洲人与动物交配视频| 久久99热这里只有精品18| 亚洲av中文字字幕乱码综合| 国产精品 国内视频| 91字幕亚洲| 欧洲精品卡2卡3卡4卡5卡区| 国产精品日韩av在线免费观看| www日本在线高清视频| 精品一区二区三区视频在线 | bbb黄色大片| 最好的美女福利视频网| 在线观看午夜福利视频| av黄色大香蕉| 亚洲片人在线观看| 久久午夜综合久久蜜桃| 久久精品综合一区二区三区| 香蕉久久夜色| 一个人观看的视频www高清免费观看 | 亚洲无线观看免费| а√天堂www在线а√下载| 亚洲色图av天堂| 久久天躁狠狠躁夜夜2o2o| 国产精品久久久久久久电影 | 99热这里只有精品一区 | 在线看三级毛片| 国产一区二区在线观看日韩 | 亚洲avbb在线观看| 亚洲av美国av| 国产亚洲精品综合一区在线观看| 成人午夜高清在线视频| 亚洲国产高清在线一区二区三| 可以在线观看的亚洲视频| 村上凉子中文字幕在线| 久久久久精品国产欧美久久久| 久久天堂一区二区三区四区| 丁香六月欧美| 国产精品女同一区二区软件 | 婷婷六月久久综合丁香| 国产高清videossex| 一二三四社区在线视频社区8| 麻豆一二三区av精品| 在线观看美女被高潮喷水网站 | 男女视频在线观看网站免费| 婷婷亚洲欧美| 亚洲人成网站高清观看| 岛国视频午夜一区免费看| 成人一区二区视频在线观看| 视频区欧美日本亚洲| 国产伦一二天堂av在线观看| 日本a在线网址| 精品福利观看| 嫁个100分男人电影在线观看| 中文亚洲av片在线观看爽| 欧美色视频一区免费| av中文乱码字幕在线| 特大巨黑吊av在线直播| 美女午夜性视频免费| 国产高清videossex| 日韩三级视频一区二区三区| 亚洲av成人一区二区三| 一夜夜www| 欧美日韩综合久久久久久 | 国产亚洲精品久久久com| 午夜福利高清视频| 亚洲人成伊人成综合网2020| 少妇人妻一区二区三区视频| 级片在线观看| 亚洲精品国产精品久久久不卡| 日韩欧美在线乱码| 母亲3免费完整高清在线观看| 精品人妻1区二区| 高潮久久久久久久久久久不卡| 狠狠狠狠99中文字幕| 神马国产精品三级电影在线观看| 最新美女视频免费是黄的| 欧美激情在线99| 99国产极品粉嫩在线观看| 人妻丰满熟妇av一区二区三区| 69av精品久久久久久| 亚洲真实伦在线观看| 中文字幕久久专区|