• <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
    亚洲欧美激情综合另类| 国产高清视频在线播放一区| 性欧美人与动物交配| 天堂动漫精品| 久久香蕉精品热| 一区二区三区国产精品乱码| 亚洲一区高清亚洲精品| 国产私拍福利视频在线观看| 999久久久精品免费观看国产| 99久久99久久久精品蜜桃| 最新在线观看一区二区三区| 国产黄色小视频在线观看| 女人高潮潮喷娇喘18禁视频| 久久久久久久久中文| 欧美黄色淫秽网站| 人成视频在线观看免费观看| 久久这里只有精品中国| 岛国在线观看网站| 亚洲一卡2卡3卡4卡5卡精品中文| 国产黄a三级三级三级人| 每晚都被弄得嗷嗷叫到高潮| 日韩大尺度精品在线看网址| 老鸭窝网址在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 国产精品亚洲美女久久久| 中文字幕精品亚洲无线码一区| 国产黄a三级三级三级人| 婷婷亚洲欧美| 国产激情久久老熟女| 嫩草影院精品99| 成人三级黄色视频| 午夜福利成人在线免费观看| 成人三级黄色视频| 欧美日韩国产亚洲二区| 成年免费大片在线观看| 90打野战视频偷拍视频| 中文字幕人成人乱码亚洲影| 不卡av一区二区三区| 午夜日韩欧美国产| 精品乱码久久久久久99久播| 村上凉子中文字幕在线| 欧美成人午夜精品| 国产精品乱码一区二三区的特点| 成人亚洲精品av一区二区| av在线播放免费不卡| 精华霜和精华液先用哪个| 999久久久精品免费观看国产| 小说图片视频综合网站| 欧美精品亚洲一区二区| 在线观看66精品国产| 脱女人内裤的视频| 露出奶头的视频| www日本黄色视频网| 成人国产综合亚洲| 成人18禁在线播放| 国产69精品久久久久777片 | 制服人妻中文乱码| 亚洲性夜色夜夜综合| 一a级毛片在线观看| 久热爱精品视频在线9| 免费在线观看日本一区| 欧美一级毛片孕妇| 麻豆av在线久日| 久久精品夜夜夜夜夜久久蜜豆 | 成人国产综合亚洲| 久久久久精品国产欧美久久久| 国内精品久久久久久久电影| 精品久久久久久久末码| videosex国产| avwww免费| 日本免费a在线| 美女免费视频网站| 亚洲中文字幕日韩| 欧美最黄视频在线播放免费| xxxwww97欧美| 波多野结衣高清作品| 男女午夜视频在线观看| 亚洲中文字幕日韩| 免费观看精品视频网站| 精品欧美一区二区三区在线| 亚洲精品久久国产高清桃花| 九九热线精品视视频播放| 国产高清视频在线播放一区| 亚洲一区二区三区不卡视频| 欧美一级毛片孕妇| 1024手机看黄色片| 欧美日韩中文字幕国产精品一区二区三区| 国产真人三级小视频在线观看| 岛国在线观看网站| 亚洲国产中文字幕在线视频| 亚洲欧美一区二区三区黑人| 国产精品免费一区二区三区在线| 欧美 亚洲 国产 日韩一| 亚洲欧美精品综合久久99| 国产精品久久久久久人妻精品电影| 宅男免费午夜| ponron亚洲| 亚洲专区字幕在线| 国产精品一区二区免费欧美| 欧美日韩亚洲综合一区二区三区_| 亚洲成人中文字幕在线播放| 国产午夜福利久久久久久| 欧美高清成人免费视频www| 精品午夜福利视频在线观看一区| 欧美成人一区二区免费高清观看 | 一本一本综合久久| 女生性感内裤真人,穿戴方法视频| 久久久国产欧美日韩av| 韩国av一区二区三区四区| 久久草成人影院| 久久香蕉激情| 岛国在线免费视频观看| 亚洲精品色激情综合| 国产成人欧美在线观看| 91九色精品人成在线观看| 欧美3d第一页| 欧美成人一区二区免费高清观看 | 久久性视频一级片| 18禁国产床啪视频网站| 无遮挡黄片免费观看| 变态另类成人亚洲欧美熟女| 日韩欧美在线二视频| 亚洲av第一区精品v没综合| 久久精品aⅴ一区二区三区四区| 大型黄色视频在线免费观看| 亚洲欧美日韩东京热| 欧洲精品卡2卡3卡4卡5卡区| 男人的好看免费观看在线视频 | www日本黄色视频网| 午夜免费成人在线视频| 熟女电影av网| 曰老女人黄片| 久久精品国产综合久久久| 久久人妻av系列| 国产亚洲欧美98| 久久精品成人免费网站| 亚洲人成77777在线视频| 香蕉av资源在线| 少妇粗大呻吟视频| 欧美 亚洲 国产 日韩一| 亚洲欧美日韩高清在线视频| 真人一进一出gif抽搐免费| 岛国视频午夜一区免费看| 美女免费视频网站| 在线国产一区二区在线| 成人18禁在线播放| 免费看日本二区| 久久九九热精品免费| 欧美性猛交黑人性爽| 午夜a级毛片| 99国产极品粉嫩在线观看| 久久久久久人人人人人| 一本大道久久a久久精品| 亚洲欧美日韩高清在线视频| 人妻久久中文字幕网| 亚洲人成伊人成综合网2020| 午夜精品久久久久久毛片777| 一边摸一边抽搐一进一小说| 一本一本综合久久| 国产熟女午夜一区二区三区| 美女 人体艺术 gogo| 黄色视频,在线免费观看| 欧美黄色片欧美黄色片| 国产精品久久久久久精品电影| 一区福利在线观看| 日韩欧美三级三区| 国产91精品成人一区二区三区| 美女黄网站色视频| 99久久精品热视频| 美女黄网站色视频| 一二三四社区在线视频社区8| 一个人免费在线观看的高清视频| 香蕉丝袜av| 麻豆av在线久日| 欧美成狂野欧美在线观看| 最新在线观看一区二区三区| 国产高清videossex| 99精品在免费线老司机午夜| 成人永久免费在线观看视频| 国产亚洲av高清不卡| 12—13女人毛片做爰片一| 美女大奶头视频| 免费在线观看完整版高清| 久久香蕉国产精品| 极品教师在线免费播放| 最近最新免费中文字幕在线| 国产精品 国内视频| 成年人黄色毛片网站| 国产精品美女特级片免费视频播放器 | 国产伦人伦偷精品视频| 在线观看免费日韩欧美大片| 日本一区二区免费在线视频| 亚洲第一欧美日韩一区二区三区| 国产高清videossex| 99精品在免费线老司机午夜| 成人一区二区视频在线观看| www.精华液| 50天的宝宝边吃奶边哭怎么回事| 韩国av一区二区三区四区| 在线国产一区二区在线| 真人做人爱边吃奶动态| 婷婷亚洲欧美| 麻豆成人av在线观看| 亚洲全国av大片| 精品久久久久久,| 国产三级黄色录像| 亚洲精品美女久久av网站| 日韩av在线大香蕉| 丝袜人妻中文字幕| 黄片大片在线免费观看| 日韩大码丰满熟妇| 国产成人av教育| 午夜福利成人在线免费观看| 亚洲男人的天堂狠狠| 亚洲天堂国产精品一区在线| 在线观看66精品国产| 精品不卡国产一区二区三区| 不卡一级毛片| 中文字幕人成人乱码亚洲影| 国产精品av视频在线免费观看| 欧美日韩中文字幕国产精品一区二区三区| 91av网站免费观看| 黄色片一级片一级黄色片| 成人亚洲精品av一区二区| 国产精品一区二区免费欧美| 国产片内射在线| 久久久国产成人免费| 最近最新中文字幕大全免费视频| 亚洲国产精品成人综合色| 亚洲av熟女| 香蕉丝袜av| 国产精品精品国产色婷婷| 国产精品av久久久久免费| 欧美性猛交黑人性爽| 欧美日韩中文字幕国产精品一区二区三区| 亚洲18禁久久av| 男女下面进入的视频免费午夜| 欧美日本亚洲视频在线播放| www.自偷自拍.com| 又粗又爽又猛毛片免费看| 欧美成人午夜精品| 美女扒开内裤让男人捅视频| www.精华液| 午夜福利成人在线免费观看| 女人被狂操c到高潮| 精品欧美一区二区三区在线| 国产成人av教育| 操出白浆在线播放| 久9热在线精品视频| 欧美人与性动交α欧美精品济南到| 桃色一区二区三区在线观看| 国产av一区在线观看免费| 窝窝影院91人妻| 欧美日韩瑟瑟在线播放| 成人国产一区最新在线观看| av欧美777| 视频区欧美日本亚洲| 国产精品久久视频播放| xxxwww97欧美| 国产精品永久免费网站| 看黄色毛片网站| 日日夜夜操网爽| 搡老熟女国产l中国老女人| 亚洲成人免费电影在线观看| 亚洲自拍偷在线| 亚洲,欧美精品.| 精品国产乱码久久久久久男人| 国产麻豆成人av免费视频| 国产精品久久电影中文字幕| 夜夜躁狠狠躁天天躁| 国产精品久久电影中文字幕| 午夜精品在线福利| 中国美女看黄片| www.www免费av| 嫁个100分男人电影在线观看| 亚洲七黄色美女视频| 母亲3免费完整高清在线观看| 欧美成人性av电影在线观看| 日本 欧美在线| 18美女黄网站色大片免费观看| 搡老妇女老女人老熟妇| 男女之事视频高清在线观看| 大型av网站在线播放| 亚洲无线在线观看| 99riav亚洲国产免费| 欧美色视频一区免费| 中文字幕精品亚洲无线码一区| 亚洲欧美精品综合久久99| 两个人看的免费小视频| 看黄色毛片网站| 欧美性长视频在线观看| 成人特级黄色片久久久久久久| 欧美日本亚洲视频在线播放| 一级a爱片免费观看的视频| 一级a爱片免费观看的视频| 午夜福利在线在线| ponron亚洲| 男女午夜视频在线观看| 草草在线视频免费看| 国产精品久久久人人做人人爽| av国产免费在线观看| 国产精品久久久久久精品电影| 免费高清视频大片| 亚洲18禁久久av| 床上黄色一级片| 久久久久久久午夜电影| 19禁男女啪啪无遮挡网站| 美女高潮喷水抽搐中文字幕| 草草在线视频免费看| 日本 av在线| 日韩成人在线观看一区二区三区| 日韩成人在线观看一区二区三区| 国产一区二区三区在线臀色熟女| 欧美日韩福利视频一区二区| 校园春色视频在线观看| 国产在线精品亚洲第一网站| 久久精品亚洲精品国产色婷小说| 在线观看66精品国产| 日韩精品青青久久久久久| 一a级毛片在线观看| 久久精品影院6| 亚洲欧美一区二区三区黑人| 免费搜索国产男女视频| 在线观看免费午夜福利视频| 欧美成狂野欧美在线观看| 在线观看免费午夜福利视频| 最近在线观看免费完整版| 操出白浆在线播放| 成熟少妇高潮喷水视频| 制服人妻中文乱码| 丁香六月欧美| 欧美乱码精品一区二区三区| netflix在线观看网站| 黑人欧美特级aaaaaa片| 99精品在免费线老司机午夜| 国产久久久一区二区三区| 丰满人妻熟妇乱又伦精品不卡| 99精品久久久久人妻精品| 久久这里只有精品19| 日本撒尿小便嘘嘘汇集6| 免费看日本二区| 精品久久久久久久久久久久久| 免费在线观看日本一区| 一本综合久久免费| 在线a可以看的网站| 妹子高潮喷水视频| 久久精品91蜜桃| 久久精品91蜜桃| 在线观看www视频免费| 亚洲午夜精品一区,二区,三区| 小说图片视频综合网站| 午夜视频精品福利| 亚洲精品在线观看二区| 国产精品香港三级国产av潘金莲| 亚洲性夜色夜夜综合| 天堂动漫精品| 成人午夜高清在线视频| 可以在线观看的亚洲视频| 成人18禁在线播放| 日本熟妇午夜| 少妇人妻一区二区三区视频| 变态另类丝袜制服| 亚洲av第一区精品v没综合| 国产精品久久视频播放| 日本撒尿小便嘘嘘汇集6| 啦啦啦韩国在线观看视频| 亚洲午夜精品一区,二区,三区| 国内精品一区二区在线观看| 好男人电影高清在线观看| 亚洲精品国产精品久久久不卡| 桃红色精品国产亚洲av| 欧美人与性动交α欧美精品济南到| 麻豆国产av国片精品| 可以免费在线观看a视频的电影网站| 观看免费一级毛片| 日韩大尺度精品在线看网址| 亚洲专区字幕在线| 不卡一级毛片| 美女午夜性视频免费| 亚洲,欧美精品.| 国产黄色小视频在线观看| 禁无遮挡网站| 色综合欧美亚洲国产小说| 亚洲 欧美一区二区三区| 又黄又粗又硬又大视频| 又粗又爽又猛毛片免费看| 日韩精品免费视频一区二区三区| 亚洲精品粉嫩美女一区| 国产精品久久视频播放| 女人被狂操c到高潮| 久久人妻av系列| 国产乱人伦免费视频| 日韩欧美 国产精品| 久久婷婷人人爽人人干人人爱| 久久久久久大精品| 久久亚洲真实| 非洲黑人性xxxx精品又粗又长| √禁漫天堂资源中文www| 国产亚洲精品一区二区www| 男人舔女人的私密视频| 久久精品国产清高在天天线| 嫁个100分男人电影在线观看| 欧美成人免费av一区二区三区| 亚洲精品一卡2卡三卡4卡5卡| 美女高潮喷水抽搐中文字幕| 国产成人精品久久二区二区91| 熟女少妇亚洲综合色aaa.| 在线a可以看的网站| 免费电影在线观看免费观看| 久久中文字幕人妻熟女| 国产视频内射| 看片在线看免费视频| 精品人妻1区二区| 亚洲av第一区精品v没综合| 日韩欧美在线二视频| 亚洲色图av天堂| 免费在线观看完整版高清| 日日干狠狠操夜夜爽| av片东京热男人的天堂| 黑人欧美特级aaaaaa片| 99久久久亚洲精品蜜臀av| av在线天堂中文字幕| 成年免费大片在线观看| 韩国av一区二区三区四区| 国产亚洲精品av在线| 日韩欧美一区二区三区在线观看| 在线看三级毛片| 悠悠久久av| 国产精品爽爽va在线观看网站| 桃色一区二区三区在线观看| 亚洲av五月六月丁香网| 一进一出好大好爽视频| 1024手机看黄色片| 一级毛片高清免费大全| 午夜影院日韩av| 老鸭窝网址在线观看| 91老司机精品| 一区二区三区激情视频| 久久精品综合一区二区三区| 中文在线观看免费www的网站 | 免费在线观看影片大全网站| 久久久国产精品麻豆| 岛国在线观看网站| 国产精品av视频在线免费观看| 国模一区二区三区四区视频 | 亚洲精品国产一区二区精华液| 在线观看66精品国产| 久久精品aⅴ一区二区三区四区| 18禁裸乳无遮挡免费网站照片| 啦啦啦韩国在线观看视频| 人人妻人人澡欧美一区二区| 亚洲aⅴ乱码一区二区在线播放 | 亚洲成人精品中文字幕电影| 亚洲av熟女| 久久久精品大字幕| 一区二区三区高清视频在线| 露出奶头的视频| 亚洲成人久久爱视频| 国产精品亚洲美女久久久| 精品乱码久久久久久99久播| 精品久久蜜臀av无| 久久精品人妻少妇| 香蕉国产在线看| 色尼玛亚洲综合影院| 国产探花在线观看一区二区| 国产av一区二区精品久久| 很黄的视频免费| 欧美成人午夜精品| 又大又爽又粗| 国产精品亚洲美女久久久| 五月玫瑰六月丁香| 女警被强在线播放| 熟女电影av网| 亚洲国产精品成人综合色| 国产1区2区3区精品| 老汉色av国产亚洲站长工具| 精品久久久久久成人av| 两个人的视频大全免费| 在线观看免费日韩欧美大片| 亚洲色图av天堂| 视频区欧美日本亚洲| 欧美日韩亚洲国产一区二区在线观看| 国产亚洲精品第一综合不卡| 久久天躁狠狠躁夜夜2o2o| 亚洲av片天天在线观看| 日本精品一区二区三区蜜桃| 熟女少妇亚洲综合色aaa.| 男人舔女人的私密视频| 麻豆国产av国片精品| 婷婷亚洲欧美| 精品国产乱码久久久久久男人| 久久久久久久久中文| 国产欧美日韩精品亚洲av| 成人亚洲精品av一区二区| 亚洲国产看品久久| 欧美中文日本在线观看视频| 成年版毛片免费区| 香蕉丝袜av| 国产探花在线观看一区二区| 久久国产乱子伦精品免费另类| 91国产中文字幕| 亚洲欧美精品综合一区二区三区| 搡老妇女老女人老熟妇| 天堂av国产一区二区熟女人妻 | 国产三级在线视频| 欧美日韩一级在线毛片| 国产精品乱码一区二三区的特点| 老汉色av国产亚洲站长工具| 久久这里只有精品19| 此物有八面人人有两片| 在线观看午夜福利视频| 亚洲中文日韩欧美视频| 女人高潮潮喷娇喘18禁视频| 老鸭窝网址在线观看| 91在线观看av| 精品国产美女av久久久久小说| 三级毛片av免费| 老熟妇仑乱视频hdxx| 国模一区二区三区四区视频 | 亚洲 欧美一区二区三区| 巨乳人妻的诱惑在线观看| 国产欧美日韩一区二区精品| 777久久人妻少妇嫩草av网站| 少妇人妻一区二区三区视频| 亚洲黑人精品在线| 黄色丝袜av网址大全| 午夜福利在线在线| 毛片女人毛片| 亚洲一区中文字幕在线| 亚洲av成人av| 国产真实乱freesex| 曰老女人黄片| 国产精品爽爽va在线观看网站| 夜夜躁狠狠躁天天躁| 精品国产超薄肉色丝袜足j| 国产精品自产拍在线观看55亚洲| 99热这里只有是精品50| av在线播放免费不卡| 精品欧美国产一区二区三| 国产精品国产高清国产av| 天堂√8在线中文| 日本一二三区视频观看| 成年版毛片免费区| 亚洲性夜色夜夜综合| 50天的宝宝边吃奶边哭怎么回事| 国产av一区二区精品久久| 美女扒开内裤让男人捅视频| 日韩成人在线观看一区二区三区| 18禁黄网站禁片午夜丰满| 一区二区三区激情视频| 国产精品 国内视频| 亚洲va日本ⅴa欧美va伊人久久| videosex国产| 看免费av毛片| 亚洲18禁久久av| 一本精品99久久精品77| 亚洲精品久久成人aⅴ小说| 少妇的丰满在线观看| 亚洲真实伦在线观看| 亚洲人成电影免费在线| av免费在线观看网站| 亚洲av第一区精品v没综合| 成人欧美大片| 99久久中文字幕三级久久日本| 婷婷色av中文字幕| 在线观看av片永久免费下载| 欧美zozozo另类| 色5月婷婷丁香| 在线免费观看的www视频| 精品99又大又爽又粗少妇毛片| 麻豆久久精品国产亚洲av| 一边摸一边抽搐一进一小说| 久久久久国产网址| a级毛片免费高清观看在线播放| 国产亚洲av片在线观看秒播厂 | 亚洲国产欧美人成| 国产探花在线观看一区二区| 黑人高潮一二区| 校园春色视频在线观看| 大型黄色视频在线免费观看| 亚洲精品国产av成人精品| 色综合色国产| 女人十人毛片免费观看3o分钟| 熟妇人妻久久中文字幕3abv| 观看美女的网站| 麻豆成人av视频| 超碰av人人做人人爽久久| 国产精品99久久久久久久久| 久久久精品94久久精品| 久久久精品大字幕| 国产精品一区二区三区四区久久| 观看免费一级毛片| 国产成年人精品一区二区| 国产精品麻豆人妻色哟哟久久 | 丝袜喷水一区| 久久精品国产清高在天天线| 级片在线观看| 99久久中文字幕三级久久日本| 国产在视频线在精品| 国产不卡一卡二| 内地一区二区视频在线| 精品国产三级普通话版| 欧美一级a爱片免费观看看| 日韩强制内射视频| h日本视频在线播放| 免费搜索国产男女视频| 久久精品91蜜桃| 青春草国产在线视频 | 丰满乱子伦码专区| 免费一级毛片在线播放高清视频| av又黄又爽大尺度在线免费看 | 91午夜精品亚洲一区二区三区| 最近的中文字幕免费完整| 欧美又色又爽又黄视频| 韩国av在线不卡|