• <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PSN?YOLOv7的光學(xué)遙感圖像目標(biāo)檢測(cè)

    2024-11-02 00:00:00陳鑫鈺陳媛媛廉永健耿艷兵張楠劉圣仁張玲郡
    現(xiàn)代電子技術(shù) 2024年21期
    關(guān)鍵詞:多尺度目標(biāo)檢測(cè)深度學(xué)習(xí)

    摘 "要: 針對(duì)光學(xué)遙感圖像因目標(biāo)尺度差異大,小目標(biāo)特征信息不足導(dǎo)致的檢測(cè)精度低、誤檢、漏檢問題,文中提出一種基于PSN?YOLOv7的光學(xué)遙感圖像目標(biāo)檢測(cè)方法。首先,增加一個(gè)160×160的小目標(biāo)檢測(cè)層,增強(qiáng)網(wǎng)絡(luò)的多尺度目標(biāo)檢測(cè)能力;其次,提出改進(jìn)的ELAN?P和ELAN?WS模塊,在減少計(jì)算量和參數(shù)量的同時(shí),增強(qiáng)全局理解能力減少目標(biāo)特征信息的損失,有效改善誤檢;最后,提出MNI損失函數(shù)改進(jìn)YOLOv7的CIoU位置損失函數(shù),抑制小目標(biāo)造成網(wǎng)絡(luò)損失不平衡的影響,從而減少目標(biāo)漏檢的情況。在DIOR公開遙感圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練與測(cè)試,實(shí)驗(yàn)對(duì)比結(jié)果表明,所提方法檢測(cè)精度mAP@0.5為92.3%,比YOLOv7網(wǎng)絡(luò)提高了3.2%,且計(jì)算量和參數(shù)量與原YOLOv7網(wǎng)絡(luò)相當(dāng),提升檢測(cè)精度的同時(shí)保證了網(wǎng)絡(luò)的性能平衡。

    關(guān)鍵詞: 光學(xué)遙感圖像; 目標(biāo)檢測(cè); 損失函數(shù); 多尺度; 深度學(xué)習(xí); 特征信息

    中圖分類號(hào): TN911.73?34; TP751.1 " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼: A " " " " " " " " " 文章編號(hào): 1004?373X(2024)21?0119?06

    Optical remote sensing image object detection based on PSN?YOLOv7

    CHEN Xinyu1, CHEN Yuanyuan1, LIAN Yongjian2, GENG Yanbing2, ZHANG Nan1, LIU Shengren1, ZHANG Lingjun2

    (1. School of Information and Communication Engineering, North University of China, Taiyuan 030051, China;

    2. School of Computer Science and Technology, North University of China, Taiyuan 030051, China)

    Abstract: In view of the low detection accuracy, 1 detection and missing detection in optical remote sensing images caused by large difference in object scale and insufficient feature information of small objects, a method of optical remote sensing image object detection based on PSN?YOLOv7 is proposed. A 160×160 small object detection layer is added to enhance the multi?scale object detection capability of the network. The improved ELAN?P (ELAN is the abbreviation of efficient layer aggregation network) and ELAN?WS modules are put forward to strengthen the global understanding ability, reduce the loss of feature information and improve detection effectively while reducing the calculation burden and parameters. The MNI (mixed loss function of NWD and IoU) loss function is proposed to improve the CIoU (complete IoU) position loss function of YOLOv7 to suppress the influence of network loss imbalance caused by small objects, so as to reduce the missing detection of objects. Training and testing were carried out on public remote sensing image dataset DIOR. The results of comparison experiments show that the detection accuracy mAP@0.5 of the proposed method is 92.3%, which is 3.2% higher than that of YOLOv7 network, and its calculation burden and parameters are equivalent to those of the original YOLOv7 network. It can be seen from the above that the proposed algorithm improves the detection accuracy and ensures the performance balance of the network.

    Keywords: optical remote sensing image; object detection; loss function; multi?scale; deep learning; feature information

    0 "引 "言

    光學(xué)遙感圖像目標(biāo)檢測(cè)指利用算法對(duì)感興趣的遙感圖像目標(biāo)自動(dòng)分類與定位,在情報(bào)偵察和災(zāi)害救援等領(lǐng)域有重要作用[1?2]。傳統(tǒng)目標(biāo)檢測(cè)算法通過(guò)支持向量機(jī)[3](Support Vector Machine, SVM)和K?means[4]等分類器檢測(cè),但需要手工構(gòu)建特征。深度學(xué)習(xí)目標(biāo)檢測(cè)算法主要基于anchor?base,分為兩階段模型的R?CNN[5?7]系列、單階段模型的SSD[8]和YOLO系列[9?11],單階段和兩階段算法各有優(yōu)點(diǎn),單階段算法檢測(cè)速度快,兩階段算法檢測(cè)精度高。

    通用的深度學(xué)習(xí)算法僅能完成普通的檢測(cè)任務(wù),但對(duì)于多尺度、密集分布及背景復(fù)雜等場(chǎng)景檢測(cè)效果不理想[12]。

    針對(duì)此問題,國(guó)內(nèi)外學(xué)者進(jìn)行了一系列研究,文獻(xiàn)[13]在SSD算法的基礎(chǔ)上,添加跳躍連接解決層數(shù)增加導(dǎo)致的性能退化問題,同時(shí)引入特征融合機(jī)制提高檢測(cè)精度,但計(jì)算量嚴(yán)重增加。文獻(xiàn)[14]引入RepLKDeXt模塊簡(jiǎn)化了YOLOv7模型并增加了模型的適用范圍,但參數(shù)量較大。文獻(xiàn)[15]對(duì)YOLOv3模型進(jìn)行改進(jìn),加快檢測(cè)速度的同時(shí)提升了漏檢率,但檢測(cè)模糊物體的能力較弱。文獻(xiàn)[16]提出了一種新的目標(biāo)檢測(cè)器CF2PN,它通過(guò)多層次、多尺度的特征融合方法,解決了高分辨率遙感圖像中目標(biāo)尺寸差異大的問題,但復(fù)雜場(chǎng)景下的檢測(cè)性能差。

    本文針對(duì)上述問題,以及光學(xué)遙感圖像因目標(biāo)尺度差異大,前景和背景極度不平衡所導(dǎo)致的檢測(cè)精度低、誤檢、漏檢問題,對(duì)YOLOv7目標(biāo)檢測(cè)網(wǎng)絡(luò)做出改進(jìn)與性能優(yōu)化,提出一種基于PSN?YOLOv7(PSA?SCConv?NWD with YOLOv7)的光學(xué)遙感圖像目標(biāo)檢測(cè)算法。本文所作的改進(jìn)與創(chuàng)新如下。

    1) 在YOLOv7網(wǎng)絡(luò)的head部分增加一個(gè)160×160的小目標(biāo)檢測(cè)層,增強(qiáng)網(wǎng)絡(luò)的多尺度目標(biāo)檢測(cè)能力,并從主干引入新的特征提取分支獲取更多特征信息。

    2) 提出新的特征提取模塊ELAN?P和ELAN?WS,減少計(jì)算量和參數(shù)量的同時(shí),減少目標(biāo)特征信息的損失并抑制無(wú)用信息的提取,減小算法的誤檢率。

    3) 提出MNI損失函數(shù)改進(jìn)YOLOv7的位置損失函數(shù)CIoU,減少小目標(biāo)對(duì)網(wǎng)絡(luò)造成的損失不平衡影響,進(jìn)一步減少目標(biāo)漏檢的情況。

    4) 調(diào)整網(wǎng)絡(luò)的先驗(yàn)框,進(jìn)一步提升算法的檢測(cè)精度。

    1 "PSN?YOLOv7目標(biāo)檢測(cè)網(wǎng)絡(luò)

    1.1 "新增小目標(biāo)檢測(cè)層

    光學(xué)遙感圖像目標(biāo)尺度變化大且包含許多小目標(biāo),雖然YOLOv7網(wǎng)絡(luò)具有多尺度(80×80、40×40、20×20三個(gè)不同的檢測(cè)頭)檢測(cè)能力來(lái)分別檢測(cè)大、中、小目標(biāo),但80×80檢測(cè)頭得到的特征圖是經(jīng)過(guò)多次卷積和主干網(wǎng)絡(luò)的8倍下采樣融合生成,在此過(guò)程中淺層特征信息大量丟失,且圖像中占像素較少的小目標(biāo)特征信息丟失更加嚴(yán)重,從而造成小目標(biāo)的漏檢問題。本文使用的數(shù)據(jù)集圖像像素大小為800×800,而小目標(biāo)占比[17]為10%??紤]到上述問題,根據(jù)感受野的原理和保持網(wǎng)絡(luò)多尺度特征檢測(cè)的能力,在YOLOv7網(wǎng)絡(luò)的head部分直接新增一個(gè)160×160的檢測(cè)頭,可以將輸入圖像的每個(gè)網(wǎng)格單元最小化至5×5,極大提升模型對(duì)小目標(biāo)的檢測(cè)能力。

    此外,考慮到隨著網(wǎng)絡(luò)深度的增加,深層網(wǎng)絡(luò)能夠獲取到的小目標(biāo)特征信息在底層十分有限,且包含大量噪聲及冗余特征,本文從主干網(wǎng)絡(luò)引入新的特征提取層,通過(guò)重構(gòu)與融合操作整合特征信息,并抑制噪聲和冗余特征,構(gòu)建并行多分支特征融合網(wǎng)絡(luò)獲取更多的有效特征信息。PSN?YOLOv7的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    1.2 "改進(jìn)的ELAN?P和ELAN?WS結(jié)構(gòu)

    光學(xué)遙感圖像中背景復(fù)雜和前景極度不平衡,背景占據(jù)圖像中的大部分區(qū)域,且圖像中目標(biāo)尺度不一,因此特征提取模塊的構(gòu)建十分關(guān)鍵。YOLOv7網(wǎng)絡(luò)中特征提取主要由ELAN(Efficient Layer Aggregation Network)與ELAN?WS模塊完成,這兩個(gè)模塊由大量CBS模塊堆疊而成,雖能有效提取特征信息,但大量堆疊時(shí)容易造成細(xì)節(jié)損失且只能捕獲局部信息,對(duì)于小目標(biāo)的檢測(cè)尤其不利。

    因此,本文將PSA[18](Pyramid Squeeze Attention)注意力機(jī)制嵌入到ELAN結(jié)構(gòu)中建立遠(yuǎn)程通道依賴關(guān)系,獲取更多的特征信息。將PSA注意力機(jī)制直接嵌入ELAN中,計(jì)算量和參數(shù)量大大增加,故使用深度可分離卷積將PSA注意力機(jī)制改進(jìn)為L(zhǎng)PSA(Lighter Pyramid Squeeze Attention)模塊。改進(jìn)后的ELAN?P結(jié)構(gòu)如圖2所示。

    考慮到主干網(wǎng)絡(luò)中的ELAN模塊已提取到大量特征信息,而ELAN?WS模塊是為進(jìn)一步加強(qiáng)特征提取能力獲取更豐富的特征信息,但光學(xué)遙感圖像中背景像素占比遠(yuǎn)高于目標(biāo),此時(shí)得到的特征中會(huì)含有大量無(wú)用的信息,并且大量的無(wú)用信息會(huì)嚴(yán)重影響網(wǎng)絡(luò)的檢測(cè)能力。為解決此問題,使用SCConv[19](Spatial and Channel Reconstruction Convolution)改進(jìn)CBS(Conv?BN?SiLU)模塊,并嵌入到ELAN?WS結(jié)構(gòu)中,抑制多余的特征信息提升目標(biāo)檢測(cè)的精度,減少模型計(jì)算量和參數(shù)量的同時(shí)減小內(nèi)存訪問成本,提高模型訓(xùn)練效率。改進(jìn)后的ELAN?WS模塊結(jié)構(gòu)如圖3所示。

    1.3 "MNI損失函數(shù)

    光學(xué)遙感圖像中的目標(biāo)方向是隨機(jī)分布的,且一張圖像中包含的目標(biāo)非常多,不同物體邊界框交叉重疊容易漏檢和錯(cuò)檢。使用IoU[20](Intersection over Union)計(jì)算損失函數(shù)具有非負(fù)性、尺度不變性等優(yōu)點(diǎn),但無(wú)法解決以下情況:

    1) 不同方向上兩個(gè)相同交叉級(jí)別IoU完全相等,此時(shí)無(wú)法判斷預(yù)測(cè)的準(zhǔn)確性。

    2) 兩個(gè)目標(biāo)沒有重疊時(shí),IoU為0、梯度為0,網(wǎng)絡(luò)更新停止。NWD[21](Normalized Wasserstein Distance)的主要優(yōu)點(diǎn)是沒有重疊或重疊時(shí)可以忽略不計(jì),它也可以使用度量分布的相似度來(lái)計(jì)算損失函數(shù),可以有效改善小目標(biāo)的檢測(cè)精度與漏檢問題,但NWD需要解決最優(yōu)運(yùn)輸問題,計(jì)算復(fù)雜度高。

    考慮到光學(xué)遙感數(shù)據(jù)集中目標(biāo)是多尺度的,因此使用MNI(Mixed Loss Function of NWD and IoU)損失函數(shù)計(jì)算位置損失,即使用NWD和IoU度量的混合損失函數(shù)。設(shè)水平邊界框[H]=([xc],[yc],[w],[h]),則MNI損失函數(shù)定義如下:

    [LMNI=1-λIoU-(1-λ)NWD+ε] (1)

    [NWD=e-DC] (2)

    [IoU=Area?AreaGTArea?AreaGT] (3)

    [D=(xc-xGTc)2+(yc-yGTc)2+(w-wGT)2+(h-hGT)2Δ2] (4)

    式中:[λ]為超參數(shù),計(jì)算損失函數(shù)時(shí)用來(lái)調(diào)節(jié)NWD和IoU的比例;[ε]=10-6是一個(gè)誤差校正系數(shù);[C]為常數(shù),是數(shù)據(jù)集中目標(biāo)的絕對(duì)平均尺寸;([xGTc],[yGTc])、[wGT]、[hGT]分別是真實(shí)框的中心坐標(biāo)以及寬高;[Δ]=2,是一個(gè)常數(shù);[Area]和[AreaGT]分別為預(yù)測(cè)框和真實(shí)框。

    2 "實(shí) "驗(yàn)

    2.1 "數(shù)據(jù)集及預(yù)處理

    實(shí)驗(yàn)使用公開的光學(xué)遙感圖像數(shù)據(jù)集DIOR,其涵蓋20個(gè)對(duì)象類,每幅圖像像素為800×800,空間分辨率為0.5~30 m,且在不同季節(jié)、天氣等場(chǎng)景下獲得。實(shí)驗(yàn)中訓(xùn)練集、驗(yàn)證集、測(cè)試集的比例為7∶1∶2。先驗(yàn)框的大小對(duì)于檢測(cè)精度有著不小的影響,因此,本文使用K?means聚類算法為DIOR數(shù)據(jù)集重新生成先驗(yàn)框,每個(gè)檢測(cè)頭設(shè)定3組先驗(yàn)框,具體配置如表1所示。

    2.2 "實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

    實(shí)驗(yàn)基于RTX6000(GPU)計(jì)算機(jī),環(huán)境搭建于Windows 10操作系統(tǒng)下的Python 3.6,PyTorch 1.9,CUDA 10.2。訓(xùn)練時(shí)初始學(xué)習(xí)率設(shè)置為0.01,最小學(xué)習(xí)率為0.001。采用SGD優(yōu)化器更新網(wǎng)絡(luò)參數(shù),batch?size為16,epoch為200。

    2.3 "性能評(píng)價(jià)指標(biāo)

    本文的性能評(píng)價(jià)指標(biāo)有:[P]、[R]、AP、mAP@0.5、Params和GFLOPs。[P]、[R]分別為目標(biāo)的查準(zhǔn)率和召回率;Params為參數(shù)量,用來(lái)衡量算法的空間復(fù)雜度;GFLOPs為計(jì)算量,用來(lái)衡量算法的時(shí)間復(fù)雜度;FPS為每秒傳輸幀數(shù),用來(lái)衡量模型的推理速度。

    網(wǎng)絡(luò)的樣本有正樣本和負(fù)樣本之分,由于網(wǎng)絡(luò)的影響,對(duì)于樣本的識(shí)別有差異。定義TP為正樣本被識(shí)別為正類,F(xiàn)N為正樣本被識(shí)別為負(fù)類,TN為負(fù)樣本被識(shí)別為負(fù)類,F(xiàn)P為負(fù)樣本被識(shí)別為正類。查準(zhǔn)率和召回率如式(5)和式(6)所示:

    [Precision=TPTP+FP] (5)

    [Recall=TPTP+FN] (6)

    AP為Precision?Recall曲線在Recall從0~1的積分。一般來(lái)說(shuō),AP值越高,該網(wǎng)絡(luò)對(duì)于某單類別目標(biāo)的檢測(cè)性能較好。設(shè)Precision?Recall曲線的函數(shù)為[f(x)],則公式定義為式(7)。

    [AP=01f(x)dx] (7)

    mAP為數(shù)據(jù)集中所有類別AP值的平均值,可以衡量所有訓(xùn)練類別的性能,mAP越大,說(shuō)明訓(xùn)練好的模型性能越優(yōu)良。mAP定義見式(8):

    [mAP=t=1TAPtT] (8)

    式中[T]為總類別數(shù)。

    2.4 "超參數(shù)實(shí)驗(yàn)

    [λ]為調(diào)節(jié)IoU和NWD比例的超參數(shù)。為檢驗(yàn)NWD改進(jìn)網(wǎng)絡(luò)的有效性,在添加160×160檢測(cè)頭的網(wǎng)絡(luò)上設(shè)計(jì)實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表2所示。

    分析表2中的實(shí)驗(yàn)結(jié)果,以IoU為0.5的標(biāo)準(zhǔn)判斷,當(dāng)[λ]=0.2,計(jì)算損失函數(shù)時(shí)IoU和NWD的比例為1∶4,數(shù)據(jù)集中的小目標(biāo)檢測(cè)精度有所提高,mAP@0.5達(dá)到了最大值90.6;當(dāng)IoU在0.5~0.95區(qū)間取值,以整個(gè)區(qū)間的精度為判斷標(biāo)準(zhǔn),[λ]=0.5時(shí),mAP@0.5:0.95達(dá)到了最大值66.7,IoU和NWD的比例為1∶1時(shí)在整個(gè)區(qū)間達(dá)到了最優(yōu)值,各尺度目標(biāo)檢測(cè)精度均得到了較好的提升。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證與數(shù)據(jù)分析,當(dāng)[λ]=0.2時(shí),mAP@0.5達(dá)到了最大值,且mAP@0.5:0.95僅比最優(yōu)值小0.2%,故將[λ]=0.2確定為最優(yōu)超參數(shù)值。

    2.5 "消融實(shí)驗(yàn)

    為驗(yàn)證PSN?YOLOv7目標(biāo)檢測(cè)網(wǎng)絡(luò)的有效性以及提出的各種改進(jìn)措施對(duì)遙感圖像目標(biāo)檢測(cè)性能的提升作用,以YOLOv7為基準(zhǔn)模型進(jìn)行了一系列消融實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表3所示,表中“√”代表改進(jìn)使用了此模塊。

    分析表3消融實(shí)驗(yàn)結(jié)果,可得出如下結(jié)論。

    1) 改進(jìn)1是加入160×160檢測(cè)頭以及新的特征提取層,相較于YOLOv7,改進(jìn)1的精度有所增長(zhǎng),主要原因是提升了小目標(biāo)的檢測(cè)精度,但參數(shù)量和計(jì)算量大幅增加。

    2) 改進(jìn)2是在改進(jìn)1的基礎(chǔ)上,使用新的MNI損失函數(shù)計(jì)算網(wǎng)絡(luò)的位置損失,召回率提升1.3%,證明此改進(jìn)方法有效提升了小目標(biāo)的位置損失對(duì)網(wǎng)絡(luò)帶來(lái)的影響。

    3) 改進(jìn)3和改進(jìn)4是在改進(jìn)1的基礎(chǔ)上,分別將ELAN?P和ELAN?WS模塊嵌入到新的網(wǎng)絡(luò)中,此兩種改進(jìn)方法的查準(zhǔn)率分別提升2%和1.4%,同時(shí)檢測(cè)精度分別提升1.7%、1.1%,證明網(wǎng)絡(luò)提取特征的能力加強(qiáng),且改進(jìn)后的網(wǎng)絡(luò)參數(shù)量和計(jì)算量有所下降。

    4) 改進(jìn)5和改進(jìn)6在改進(jìn)3和改進(jìn)4的基礎(chǔ)上使用MNI計(jì)算損失函數(shù),保持查準(zhǔn)率的同時(shí),兩者的召回率均提高1.9%,證明位置回歸對(duì)于網(wǎng)絡(luò)的影響減小,模型的魯棒性增強(qiáng)。

    5) 改進(jìn)7是將ELAN?P和ELAN?WS模塊同時(shí)嵌入到改進(jìn)1的網(wǎng)絡(luò)中,查準(zhǔn)率提升2.1%,檢測(cè)精度提升1.8%,證明網(wǎng)絡(luò)提取特征能力增強(qiáng)的同時(shí)剔除無(wú)用信息的能力也得到增強(qiáng)。

    6) PSN?YOLOv7是在改進(jìn)7的基礎(chǔ)上使用MNI計(jì)算損失函數(shù),相較于基準(zhǔn)模型YOLOv7,查準(zhǔn)率提升3.4%,召回率提升2.4%,檢測(cè)精度提升3.2%,參數(shù)量持平,GFLOPs僅增長(zhǎng)1.1。

    2.6 "對(duì)比實(shí)驗(yàn)

    為了驗(yàn)證PSN?YOLO算法的優(yōu)越性,將本文設(shè)計(jì)算法與其他主流算法進(jìn)行對(duì)比。表4給出了不同算法的實(shí)驗(yàn)結(jié)果。

    由表4的實(shí)驗(yàn)結(jié)果可知:PSN?YOLOv7算法的性能明顯優(yōu)于Faster?RCNN、SSD、YOLOv3等經(jīng)典目標(biāo)檢測(cè)算法,檢測(cè)精度提高的同時(shí)保證了模型的檢測(cè)速度;PSN?YOLOv7算法的查準(zhǔn)率僅比YOLOv5低0.1%,推理速度僅比YOLOv8減少了4.1 f/s,而召回率和檢測(cè)精度高于所有算法。

    2.7 "檢測(cè)結(jié)果可視化分析

    挑選出6個(gè)背景復(fù)雜、易誤檢、易漏檢的場(chǎng)景可視化,進(jìn)一步展示PSN?YOLOv7算法的優(yōu)越性。圖4a)、圖4b)分別為YOLOv7、PSN?YOLOv7算法的預(yù)測(cè)結(jié)果,可以看出PSN?YOLOv7的檢測(cè)精度在各場(chǎng)景中均優(yōu)于YOLOv7,展示出了PSN?YOLOv7算法的優(yōu)越性。圖4c)、圖4d)分別為YOLOv7、PSN?YOLOv7算法的熱力圖可視化結(jié)果,可以看出,YOLOv7算法有誤檢目標(biāo),且提取冗余特征信息過(guò)多,降低檢測(cè)精度的同時(shí)大量增加了算法的復(fù)雜度。相比之下,PSN?YOLOv7算法具有更強(qiáng)的特征提取能力,能夠提取到更多關(guān)鍵的語(yǔ)義信息和細(xì)節(jié)特征,抑制了大量的冗余特征,更加關(guān)注目標(biāo)所在區(qū)域,減少了目標(biāo)誤檢的情況,從而大幅提升了目標(biāo)的檢測(cè)精度。

    3 "結(jié) "語(yǔ)

    本文以YOLOv7為基準(zhǔn)模型,針對(duì)光學(xué)遙感圖像受多尺度與背景復(fù)雜的影響而導(dǎo)致檢測(cè)精度低、誤檢、漏檢的問題,通過(guò)多種改進(jìn)措施,提出了一種光學(xué)遙感圖像目標(biāo)檢測(cè)算法PSN?YOLOv7。新增160×160的檢測(cè)頭增強(qiáng)了網(wǎng)絡(luò)檢測(cè)小目標(biāo)的能力;ELAN?P和ELAN?WS模塊加強(qiáng)了網(wǎng)絡(luò)提取特征的能力,并抑制無(wú)用信息的影響,誤檢目標(biāo)大量減少,配合新增的檢測(cè)頭使得網(wǎng)絡(luò)擁有良好的多尺度檢測(cè)能力。進(jìn)一步使用改進(jìn)的MNI損失函數(shù)計(jì)算位置損失,抑制了小目標(biāo)損失造成的網(wǎng)絡(luò)不平衡,減小了模型的誤檢率,同時(shí)增加了模型的魯棒性與泛化能力。保持高檢測(cè)精度的同時(shí)平衡了模型各方面的性能,可以滿足光學(xué)遙感圖像目標(biāo)檢測(cè)的需求。

    注:本文通訊作者為陳媛媛。

    參考文獻(xiàn)

    [1] 聶光濤,黃華.光學(xué)遙感圖像目標(biāo)檢測(cè)算法綜述[J].自動(dòng)化學(xué)報(bào),2021,47(8):1749?1768.

    [2] 馮長(zhǎng)峰,王春平,付強(qiáng),等.基于深度學(xué)習(xí)的光學(xué)遙感圖像目標(biāo)檢測(cè)綜述[J].激光與紅外,2023,53(9):1309?1319.

    [3] OSUNA E, FREUND R M, GIROSIT F. Training support vector machines: An application to face detection [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 1997: 130?136.

    [4] KAYASAL U. Magnetometer aided inertial navigation system: Modeling and simulation of a navigation system with an IMU and a magnetometer [M]. United Kingdom: LAMBERT Academic Publishing, 2009: 74?77.

    [5] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2014: 580?587.

    [6] REN S Q, HE K M, GIRSHICK R B, et al. Faster R?CNN: Towards real?time object detection with region proposal networks [J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 39(6): 1137?1149.

    [7] HE K M, GKIOXARI G, DOLLAR P, et al. Mask R?CNN [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2017: 2980?2988.

    [8] LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot MultiBox detector [C]// Proceedings of European Conference on Computer Vision. Heidelberg: Springer, 2016: 21?37.

    [9] REDMON J, FARHADI A. YOLOv3: An incremental improvement [EB/OL]. [2018?08?13]. http://arxiv.org/abs/1804.02767.

    [10] WANG C Y, BOCHKOVSKIY A, LIAO H Y M. Scaled?YOLOv4: Scaling cross stage partial network [C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2021: 13029?13038.

    [11] WANG C Y, BOCHKOVSKIY A, LIAO H Y M. YOLOv7: Trainable bag?of?freebies sets new state?of?the?art for real?time object detectors [EB/OL]. [2023?09?30]. https://doi.org/10.48550/arXiv.2207.02696.

    [12] 付宏建,白宏陽(yáng),郭宏偉,等.融合多注意力機(jī)制的光學(xué)遙感圖像目標(biāo)檢測(cè)方法[J].光子學(xué)報(bào),2022,51(12):312?320.

    [13] 裴偉,許晏銘,朱永英,等.改進(jìn)的SSD航拍目標(biāo)檢測(cè)方法[J].軟件學(xué)報(bào),2019,30(3):738?758.

    [14] 李安達(dá),吳瑞明,李旭東.改進(jìn)YOLOv7的小目標(biāo)檢測(cè)算法研究[J].計(jì)算機(jī)工程與應(yīng)用,2024,60(1):122?134.

    [15] XU D, WU Y. FE?YOLO: A feature enhancement network for remote sensing target detection [J]. Remote sensing, 2021, 13: 1311.

    [16] HUANG W, LI G, CHEN Q, et al. CF2PN: A cross?scale feature fusion pyramid network based remote sensing target detection [J]. Remote sensing, 2021, 13(5): 847.

    [17] LI Z, WANG Y, ZHANG N, et al. Deep learning?based object detection techniques for remote sensing images: A survey [J]. Remote sensing, 2022, 14(10): 2385.

    [18] ZHANG H, ZU K K, LU J, et al. EPSANet: An efficient pyramid squeeze attention block on convolutional neural network [EB/OL]. [2021?05?30]. https://api.semanticscholar.org/CorpusID:236177840.

    [19] LI J F, WEN Y, HE L H. SCConv: Spatial and channel reconstruction convolution for feature redundancy [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2023: 6153?6162.

    [20] YU J H, JIANG Y N, WANG Z Y, et al. UnitBox: An advanced object detection network [EB/OL]. [2018?08?13]. http://arxiv.org/abs/1608.01471.

    [21] WANG J W, XU C, YANG W, et al. A normalized Gaussian Wasserstein distance for tiny object detection [EB/OL]. [2022?12?15]. https://arxiv.org/abs/2110.13389.

    作者簡(jiǎn)介:陳鑫鈺(1997—),男,甘肅平?jīng)鋈?,碩士研究生,研究方向?yàn)橛?jì)算機(jī)視覺和目標(biāo)檢測(cè)。

    陳媛媛(1980—),女,山西太原人,博士研究生,教授,博士生導(dǎo)師,研究方向?yàn)楣怆娦畔⑻幚砑夹g(shù)。

    猜你喜歡
    多尺度目標(biāo)檢測(cè)深度學(xué)習(xí)
    海綿城市建設(shè)研究進(jìn)展與若干問題探討
    一種基于多尺度數(shù)學(xué)形態(tài)學(xué)的心電信號(hào)去噪方法
    多尺度高效用水評(píng)價(jià)
    視頻中目標(biāo)檢測(cè)算法研究
    軟件(2016年4期)2017-01-20 09:38:03
    行為識(shí)別中的人體運(yùn)動(dòng)目標(biāo)檢測(cè)方法
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    移動(dòng)機(jī)器人圖像目標(biāo)識(shí)別
    夜夜爽天天搞| 久久久久网色| 在线观看人妻少妇| 国产三级黄色录像| 欧美日韩视频精品一区| 一级毛片电影观看| 9热在线视频观看99| 天天躁夜夜躁狠狠躁躁| 欧美日本中文国产一区发布| a在线观看视频网站| 首页视频小说图片口味搜索| 我要看黄色一级片免费的| 妹子高潮喷水视频| 18禁国产床啪视频网站| 高清毛片免费观看视频网站 | 国产精品.久久久| 超色免费av| 丰满人妻熟妇乱又伦精品不卡| 国产1区2区3区精品| 另类精品久久| 啦啦啦 在线观看视频| 黄片大片在线免费观看| 精品第一国产精品| 老司机靠b影院| 免费在线观看完整版高清| 久久久久久久久久久久大奶| 国产成人啪精品午夜网站| 欧美人与性动交α欧美软件| tube8黄色片| 日韩熟女老妇一区二区性免费视频| 老鸭窝网址在线观看| 精品久久蜜臀av无| 色老头精品视频在线观看| 国产野战对白在线观看| 51午夜福利影视在线观看| 成人国产av品久久久| 国产免费av片在线观看野外av| 国产一区二区三区在线臀色熟女 | 久久国产精品大桥未久av| 亚洲色图 男人天堂 中文字幕| 亚洲成a人片在线一区二区| 精品少妇久久久久久888优播| 中文字幕精品免费在线观看视频| 每晚都被弄得嗷嗷叫到高潮| 色94色欧美一区二区| 操出白浆在线播放| 咕卡用的链子| 国产真人三级小视频在线观看| 91精品三级在线观看| 国产又色又爽无遮挡免费看| 中亚洲国语对白在线视频| 2018国产大陆天天弄谢| 下体分泌物呈黄色| 在线永久观看黄色视频| 欧美亚洲 丝袜 人妻 在线| 亚洲精品国产一区二区精华液| 高潮久久久久久久久久久不卡| 国产精品熟女久久久久浪| 精品人妻1区二区| 色94色欧美一区二区| 国产精品美女特级片免费视频播放器 | 成人永久免费在线观看视频 | 2018国产大陆天天弄谢| 成年版毛片免费区| a级片在线免费高清观看视频| 男女下面插进去视频免费观看| 国产成人免费观看mmmm| 国产成+人综合+亚洲专区| 国产野战对白在线观看| 亚洲精华国产精华精| 多毛熟女@视频| 国产精品99久久99久久久不卡| 精品亚洲成a人片在线观看| 亚洲性夜色夜夜综合| 精品一区二区三区四区五区乱码| 两个人看的免费小视频| 久久久久久人人人人人| 99国产综合亚洲精品| 18禁裸乳无遮挡动漫免费视频| 亚洲国产欧美网| 99久久人妻综合| 人人妻人人澡人人爽人人夜夜| 亚洲人成电影免费在线| 脱女人内裤的视频| 91成人精品电影| 免费女性裸体啪啪无遮挡网站| 久久久精品国产亚洲av高清涩受| 男男h啪啪无遮挡| 欧美+亚洲+日韩+国产| 久久精品人人爽人人爽视色| 一本—道久久a久久精品蜜桃钙片| 色综合婷婷激情| 亚洲伊人色综图| 国产精品av久久久久免费| 少妇的丰满在线观看| 女性被躁到高潮视频| 丁香欧美五月| 99riav亚洲国产免费| 制服人妻中文乱码| 伊人久久大香线蕉亚洲五| 久久精品人人爽人人爽视色| 美女扒开内裤让男人捅视频| 动漫黄色视频在线观看| 国产成人精品在线电影| 亚洲国产中文字幕在线视频| 国产无遮挡羞羞视频在线观看| av视频免费观看在线观看| 超色免费av| av国产精品久久久久影院| 大型黄色视频在线免费观看| 久久人妻福利社区极品人妻图片| 首页视频小说图片口味搜索| 亚洲熟女毛片儿| 欧美激情 高清一区二区三区| 久久精品91无色码中文字幕| 日本av手机在线免费观看| 国产欧美日韩一区二区三区在线| 精品久久久久久久毛片微露脸| 69精品国产乱码久久久| 热re99久久国产66热| 男女午夜视频在线观看| 最新的欧美精品一区二区| 人人澡人人妻人| 精品卡一卡二卡四卡免费| 亚洲精品中文字幕在线视频| 欧美激情高清一区二区三区| 中文字幕最新亚洲高清| 97在线人人人人妻| 满18在线观看网站| 怎么达到女性高潮| 欧美精品高潮呻吟av久久| 国产免费福利视频在线观看| 亚洲情色 制服丝袜| 每晚都被弄得嗷嗷叫到高潮| 国产福利在线免费观看视频| 精品少妇久久久久久888优播| 少妇粗大呻吟视频| 狠狠狠狠99中文字幕| 麻豆成人av在线观看| 国产主播在线观看一区二区| 国产色视频综合| 色综合婷婷激情| 啦啦啦免费观看视频1| 一级,二级,三级黄色视频| 青青草视频在线视频观看| 狠狠精品人妻久久久久久综合| 男女床上黄色一级片免费看| 国产单亲对白刺激| 少妇 在线观看| 十八禁网站免费在线| 三级毛片av免费| 亚洲va日本ⅴa欧美va伊人久久| 午夜福利欧美成人| 亚洲一卡2卡3卡4卡5卡精品中文| netflix在线观看网站| 国产又爽黄色视频| 精品熟女少妇八av免费久了| 97人妻天天添夜夜摸| www.999成人在线观看| 国产精品秋霞免费鲁丝片| 色婷婷久久久亚洲欧美| 午夜福利,免费看| 后天国语完整版免费观看| 国产1区2区3区精品| 国产又爽黄色视频| 免费在线观看黄色视频的| 午夜日韩欧美国产| 久久精品熟女亚洲av麻豆精品| 最近最新免费中文字幕在线| 国产日韩一区二区三区精品不卡| 亚洲专区中文字幕在线| 老鸭窝网址在线观看| 成人影院久久| 国产在线一区二区三区精| 99国产精品一区二区蜜桃av | 男女高潮啪啪啪动态图| 日韩制服丝袜自拍偷拍| 高清毛片免费观看视频网站 | 国产精品 国内视频| 两个人看的免费小视频| 亚洲国产毛片av蜜桃av| 国产精品偷伦视频观看了| 国产成人精品久久二区二区免费| 91成人精品电影| 大型av网站在线播放| 天堂8中文在线网| 亚洲国产成人一精品久久久| 狠狠婷婷综合久久久久久88av| 日韩中文字幕视频在线看片| 在线十欧美十亚洲十日本专区| 99久久人妻综合| 亚洲精品中文字幕一二三四区 | 热99久久久久精品小说推荐| 国产欧美日韩一区二区精品| 国产精品久久久久久精品电影小说| 国产又爽黄色视频| 一区在线观看完整版| 一区二区三区乱码不卡18| 在线观看免费视频网站a站| 美女主播在线视频| 女性被躁到高潮视频| 国产精品二区激情视频| www.精华液| 国产无遮挡羞羞视频在线观看| 精品少妇黑人巨大在线播放| 精品久久蜜臀av无| 丝袜在线中文字幕| 这个男人来自地球电影免费观看| 高潮久久久久久久久久久不卡| 99国产极品粉嫩在线观看| 夜夜爽天天搞| 真人做人爱边吃奶动态| 久久亚洲精品不卡| av片东京热男人的天堂| 欧美日韩黄片免| 亚洲av第一区精品v没综合| 久久热在线av| av线在线观看网站| 啪啪无遮挡十八禁网站| 精品国产国语对白av| 久热这里只有精品99| 免费在线观看黄色视频的| 免费在线观看视频国产中文字幕亚洲| 午夜福利乱码中文字幕| 日本wwww免费看| 激情在线观看视频在线高清 | 久久亚洲真实| 丝袜美足系列| 亚洲成av片中文字幕在线观看| 中文字幕人妻熟女乱码| 一本大道久久a久久精品| 一本一本久久a久久精品综合妖精| 欧美亚洲 丝袜 人妻 在线| 中文字幕高清在线视频| 国产精品免费一区二区三区在线 | 亚洲免费av在线视频| 黄网站色视频无遮挡免费观看| 国产一卡二卡三卡精品| 国产成人av教育| 一边摸一边做爽爽视频免费| 狠狠婷婷综合久久久久久88av| 成年人免费黄色播放视频| 十分钟在线观看高清视频www| 99九九在线精品视频| 久久精品熟女亚洲av麻豆精品| 国产精品偷伦视频观看了| 91九色精品人成在线观看| 亚洲成人国产一区在线观看| 亚洲国产欧美在线一区| 日韩制服丝袜自拍偷拍| 亚洲熟女精品中文字幕| 黄色成人免费大全| 成在线人永久免费视频| 9色porny在线观看| 国产av一区二区精品久久| 国产麻豆69| 97人妻天天添夜夜摸| 午夜福利免费观看在线| 色视频在线一区二区三区| 免费黄频网站在线观看国产| 美女主播在线视频| 成人特级黄色片久久久久久久 | 丰满迷人的少妇在线观看| 女人高潮潮喷娇喘18禁视频| 国产色视频综合| 757午夜福利合集在线观看| 国产一区二区三区综合在线观看| 亚洲avbb在线观看| 国产在线一区二区三区精| 又大又爽又粗| 岛国在线观看网站| 99精国产麻豆久久婷婷| 亚洲成人手机| 亚洲,欧美精品.| 少妇的丰满在线观看| 国产高清视频在线播放一区| 最新的欧美精品一区二区| 热99国产精品久久久久久7| 在线天堂中文资源库| 国产精品久久电影中文字幕 | 自线自在国产av| 电影成人av| 色播在线永久视频| 黄片小视频在线播放| 亚洲avbb在线观看| 国产日韩欧美亚洲二区| 欧美日韩成人在线一区二区| 国产精品一区二区精品视频观看| 国产精品一区二区在线观看99| 精品午夜福利视频在线观看一区 | 51午夜福利影视在线观看| 国精品久久久久久国模美| 国产av一区二区精品久久| 成年女人毛片免费观看观看9 | 18禁观看日本| 成人手机av| 在线观看66精品国产| 免费观看人在逋| 看免费av毛片| 99精品欧美一区二区三区四区| 精品国产一区二区久久| 国产欧美日韩一区二区三区在线| 男女边摸边吃奶| 91精品国产国语对白视频| 他把我摸到了高潮在线观看 | 在线观看一区二区三区激情| 99久久精品国产亚洲精品| 精品一区二区三区视频在线观看免费 | 高清欧美精品videossex| 宅男免费午夜| 亚洲欧洲日产国产| 一区二区日韩欧美中文字幕| 91麻豆av在线| 少妇精品久久久久久久| 精品熟女少妇八av免费久了| 久久婷婷成人综合色麻豆| a在线观看视频网站| 美女国产高潮福利片在线看| 免费观看av网站的网址| 午夜福利影视在线免费观看| 大陆偷拍与自拍| 久久人妻av系列| 久久久精品免费免费高清| 国产成人欧美在线观看 | 亚洲男人天堂网一区| 国产激情久久老熟女| 男女午夜视频在线观看| 99久久精品国产亚洲精品| 午夜精品国产一区二区电影| 久久九九热精品免费| 手机成人av网站| 一个人免费在线观看的高清视频| 黑人猛操日本美女一级片| 精品一区二区三区视频在线观看免费 | 超碰成人久久| 老司机影院毛片| 中文字幕av电影在线播放| 欧美黄色片欧美黄色片| 丰满人妻熟妇乱又伦精品不卡| 好男人电影高清在线观看| 免费人妻精品一区二区三区视频| 成年版毛片免费区| 母亲3免费完整高清在线观看| 免费在线观看日本一区| 国产又色又爽无遮挡免费看| 在线av久久热| 好男人电影高清在线观看| 欧美日韩视频精品一区| 日本黄色视频三级网站网址 | 热99re8久久精品国产| 国产亚洲一区二区精品| 最近最新中文字幕大全免费视频| 男男h啪啪无遮挡| 久久久久精品人妻al黑| 怎么达到女性高潮| av有码第一页| 黄色毛片三级朝国网站| 捣出白浆h1v1| 亚洲精品av麻豆狂野| 欧美黑人欧美精品刺激| 国产精品一区二区免费欧美| 亚洲成人国产一区在线观看| 欧美精品av麻豆av| 亚洲av美国av| av国产精品久久久久影院| 日本精品一区二区三区蜜桃| 国产av国产精品国产| 欧美黑人欧美精品刺激| 窝窝影院91人妻| 亚洲精品美女久久久久99蜜臀| 久久久久国产一级毛片高清牌| 在线亚洲精品国产二区图片欧美| 18在线观看网站| 亚洲专区国产一区二区| 最新的欧美精品一区二区| 国产视频一区二区在线看| 中亚洲国语对白在线视频| 黄色成人免费大全| 99riav亚洲国产免费| 成人特级黄色片久久久久久久 | 久久久久久久国产电影| 丁香欧美五月| 18禁裸乳无遮挡动漫免费视频| 999精品在线视频| 久久性视频一级片| 天堂俺去俺来也www色官网| 久久久久国内视频| 动漫黄色视频在线观看| 日韩有码中文字幕| av天堂在线播放| 日本wwww免费看| 日本五十路高清| 国产97色在线日韩免费| 亚洲第一av免费看| 免费久久久久久久精品成人欧美视频| 老熟女久久久| 69精品国产乱码久久久| 男人舔女人的私密视频| 午夜老司机福利片| 欧美av亚洲av综合av国产av| 日韩中文字幕视频在线看片| 啦啦啦免费观看视频1| 高清av免费在线| 精品视频人人做人人爽| 久久影院123| 国产伦理片在线播放av一区| 日本av手机在线免费观看| 19禁男女啪啪无遮挡网站| 日日爽夜夜爽网站| 国产精品.久久久| 99久久99久久久精品蜜桃| 国产精品自产拍在线观看55亚洲 | 欧美精品亚洲一区二区| 亚洲国产精品一区二区三区在线| 又黄又粗又硬又大视频| 男女之事视频高清在线观看| 国产精品免费视频内射| 亚洲五月婷婷丁香| 欧美日韩亚洲高清精品| 国产成人av教育| 国产在线一区二区三区精| 18禁裸乳无遮挡动漫免费视频| 三上悠亚av全集在线观看| 女警被强在线播放| 国产日韩欧美亚洲二区| 国产亚洲欧美精品永久| 国产欧美日韩一区二区三| 最近最新中文字幕大全电影3 | 国产精品二区激情视频| 亚洲欧美日韩高清在线视频 | 最新美女视频免费是黄的| 国产不卡av网站在线观看| 国产精品一区二区在线不卡| 亚洲男人天堂网一区| 看免费av毛片| 久久中文字幕一级| 成年版毛片免费区| 欧美日韩视频精品一区| 99久久人妻综合| 狂野欧美激情性xxxx| 国产不卡一卡二| 丰满人妻熟妇乱又伦精品不卡| 欧美变态另类bdsm刘玥| 精品少妇久久久久久888优播| 黄片小视频在线播放| 窝窝影院91人妻| 午夜福利在线免费观看网站| 日本一区二区免费在线视频| 人人妻,人人澡人人爽秒播| 少妇的丰满在线观看| 一区二区三区国产精品乱码| 免费高清在线观看日韩| a级毛片黄视频| 欧美精品人与动牲交sv欧美| 亚洲三区欧美一区| 久久香蕉激情| 精品亚洲乱码少妇综合久久| 亚洲国产欧美在线一区| 亚洲精品一二三| 精品少妇久久久久久888优播| 一二三四社区在线视频社区8| 国产高清国产精品国产三级| 老汉色av国产亚洲站长工具| 精品久久久精品久久久| 纵有疾风起免费观看全集完整版| 美女国产高潮福利片在线看| 免费人妻精品一区二区三区视频| 曰老女人黄片| 超色免费av| 蜜桃国产av成人99| 日本vs欧美在线观看视频| 国产又爽黄色视频| 色尼玛亚洲综合影院| 国产91精品成人一区二区三区 | 美女高潮喷水抽搐中文字幕| 色视频在线一区二区三区| 91成年电影在线观看| 王馨瑶露胸无遮挡在线观看| 久久久久久久久久久久大奶| 欧美日韩黄片免| 视频区图区小说| 亚洲精品国产区一区二| 国产精品成人在线| 99久久人妻综合| 免费不卡黄色视频| av天堂在线播放| 国产欧美日韩综合在线一区二区| 亚洲专区中文字幕在线| 人妻久久中文字幕网| 久热这里只有精品99| 男女高潮啪啪啪动态图| 国产精品.久久久| 免费在线观看视频国产中文字幕亚洲| 中文字幕另类日韩欧美亚洲嫩草| 中文字幕精品免费在线观看视频| 国产福利在线免费观看视频| 亚洲专区字幕在线| 高清黄色对白视频在线免费看| 午夜免费鲁丝| 午夜福利免费观看在线| 色老头精品视频在线观看| a在线观看视频网站| 韩国精品一区二区三区| 色综合欧美亚洲国产小说| 一本一本久久a久久精品综合妖精| 国产片内射在线| 在线天堂中文资源库| 国产在视频线精品| 汤姆久久久久久久影院中文字幕| av免费在线观看网站| 在线观看免费午夜福利视频| 91成人精品电影| 亚洲欧洲精品一区二区精品久久久| 80岁老熟妇乱子伦牲交| 黄色毛片三级朝国网站| 极品教师在线免费播放| 亚洲欧美日韩另类电影网站| 黄色片一级片一级黄色片| 巨乳人妻的诱惑在线观看| 久久热在线av| 国产av精品麻豆| 精品少妇一区二区三区视频日本电影| 最近最新免费中文字幕在线| 亚洲专区中文字幕在线| √禁漫天堂资源中文www| 99精品欧美一区二区三区四区| 我的亚洲天堂| 国产亚洲精品久久久久5区| 久久久欧美国产精品| 人人妻人人添人人爽欧美一区卜| 欧美日本中文国产一区发布| 中文字幕精品免费在线观看视频| 久久精品国产亚洲av高清一级| a级毛片黄视频| 桃红色精品国产亚洲av| 无遮挡黄片免费观看| 欧美精品av麻豆av| 90打野战视频偷拍视频| 亚洲专区国产一区二区| 午夜老司机福利片| 久久天堂一区二区三区四区| 大片免费播放器 马上看| 欧美精品一区二区大全| 老司机靠b影院| 18禁裸乳无遮挡动漫免费视频| 午夜福利欧美成人| 啦啦啦中文免费视频观看日本| 少妇裸体淫交视频免费看高清 | 午夜精品久久久久久毛片777| av天堂在线播放| 亚洲精品国产一区二区精华液| 热99久久久久精品小说推荐| 精品卡一卡二卡四卡免费| 18在线观看网站| 亚洲精品在线观看二区| 久久影院123| 黄色视频不卡| 下体分泌物呈黄色| 亚洲人成电影免费在线| 国产高清激情床上av| 国产成人免费无遮挡视频| 亚洲精品中文字幕一二三四区 | 人人妻人人澡人人看| 久久亚洲精品不卡| 9191精品国产免费久久| 又大又爽又粗| 丝袜喷水一区| 色视频在线一区二区三区| 亚洲av第一区精品v没综合| 999精品在线视频| 免费久久久久久久精品成人欧美视频| 日韩欧美三级三区| 一本综合久久免费| 成年人黄色毛片网站| 精品国产一区二区三区四区第35| 国产精品免费大片| 午夜福利免费观看在线| 亚洲欧美日韩另类电影网站| 日韩大片免费观看网站| 日本精品一区二区三区蜜桃| 亚洲一区中文字幕在线| 99香蕉大伊视频| 成年动漫av网址| 久久久久精品国产欧美久久久| 亚洲精品久久成人aⅴ小说| 午夜福利视频精品| 亚洲国产欧美一区二区综合| 亚洲全国av大片| 欧美大码av| 肉色欧美久久久久久久蜜桃| 亚洲精品国产区一区二| av网站在线播放免费| 90打野战视频偷拍视频| 丰满饥渴人妻一区二区三| 亚洲成a人片在线一区二区| 99re6热这里在线精品视频| 女性被躁到高潮视频| 精品国产乱码久久久久久小说| 男女午夜视频在线观看| 欧美精品av麻豆av| 少妇裸体淫交视频免费看高清 | 精品久久久久久电影网| 国产高清激情床上av| 一区二区三区乱码不卡18| 久久九九热精品免费| 少妇精品久久久久久久| 国产在线精品亚洲第一网站| 亚洲欧美一区二区三区黑人| 老汉色∧v一级毛片| 成人18禁在线播放| 叶爱在线成人免费视频播放| 黄网站色视频无遮挡免费观看| 极品人妻少妇av视频| 深夜精品福利| 免费日韩欧美在线观看|