• <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
    亚洲欧美日韩高清在线视频| 两人在一起打扑克的视频| 操出白浆在线播放| 可以在线观看的亚洲视频| 在线免费观看不下载黄p国产 | 国产高清视频在线观看网站| 丰满人妻一区二区三区视频av | а√天堂www在线а√下载| 亚洲国产欧洲综合997久久,| 婷婷六月久久综合丁香| 超碰成人久久| av福利片在线观看| 欧美另类亚洲清纯唯美| 国产淫片久久久久久久久 | 午夜福利高清视频| netflix在线观看网站| 九色国产91popny在线| 亚洲欧美精品综合久久99| 可以在线观看的亚洲视频| 香蕉国产在线看| a级毛片在线看网站| 俄罗斯特黄特色一大片| 国产精品日韩av在线免费观看| 色吧在线观看| 日本黄大片高清| 在线观看66精品国产| 成人18禁在线播放| 久久这里只有精品19| 18美女黄网站色大片免费观看| 国产成人精品无人区| 男插女下体视频免费在线播放| 91在线精品国自产拍蜜月 | 国产三级中文精品| 亚洲欧美精品综合一区二区三区| 国产午夜福利久久久久久| 精品国产亚洲在线| 老司机在亚洲福利影院| 婷婷亚洲欧美| 午夜两性在线视频| 变态另类成人亚洲欧美熟女| 国产精品 欧美亚洲| 夜夜夜夜夜久久久久| 午夜免费激情av| 国产伦人伦偷精品视频| 亚洲精品美女久久av网站| 九九久久精品国产亚洲av麻豆 | 亚洲 欧美 日韩 在线 免费| 三级男女做爰猛烈吃奶摸视频| 国产成人精品久久二区二区免费| 在线免费观看不下载黄p国产 | 国产精品av视频在线免费观看| 在线永久观看黄色视频| 亚洲av成人不卡在线观看播放网| 黑人巨大精品欧美一区二区mp4| 夜夜躁狠狠躁天天躁| 欧美另类亚洲清纯唯美| www国产在线视频色| 在线观看免费午夜福利视频| 中国美女看黄片| 国产高清有码在线观看视频| 90打野战视频偷拍视频| 黄片小视频在线播放| 999久久久精品免费观看国产| 日韩免费av在线播放| 三级男女做爰猛烈吃奶摸视频| 成年版毛片免费区| 欧美乱码精品一区二区三区| 日韩欧美在线二视频| 国产97色在线日韩免费| 国产麻豆成人av免费视频| 亚洲av熟女| or卡值多少钱| 99精品欧美一区二区三区四区| 国产成人系列免费观看| 国产免费av片在线观看野外av| 日本五十路高清| 女人高潮潮喷娇喘18禁视频| 国产精品野战在线观看| 99久久国产精品久久久| 成人午夜高清在线视频| АⅤ资源中文在线天堂| 亚洲国产精品999在线| 熟女电影av网| 欧美日韩瑟瑟在线播放| 最近最新中文字幕大全电影3| 丰满人妻熟妇乱又伦精品不卡| 日韩有码中文字幕| 51午夜福利影视在线观看| 美女免费视频网站| 欧美+亚洲+日韩+国产| 亚洲中文字幕一区二区三区有码在线看 | 最近视频中文字幕2019在线8| 十八禁网站免费在线| 国产精品久久久av美女十八| 国产三级在线视频| 老司机午夜福利在线观看视频| 精品无人区乱码1区二区| 中出人妻视频一区二区| 国产成人aa在线观看| 亚洲五月婷婷丁香| 真人一进一出gif抽搐免费| 国产成人欧美在线观看| 国产久久久一区二区三区| 日本在线视频免费播放| 国产精品永久免费网站| 国产69精品久久久久777片 | 高清在线国产一区| www.熟女人妻精品国产| 日本黄色片子视频| 色尼玛亚洲综合影院| 亚洲欧美激情综合另类| 国产亚洲欧美98| 狂野欧美白嫩少妇大欣赏| 免费在线观看成人毛片| 三级毛片av免费| 久9热在线精品视频| 中国美女看黄片| 男女视频在线观看网站免费| 精品久久久久久久末码| 亚洲五月天丁香| 免费人成视频x8x8入口观看| 国产野战对白在线观看| 12—13女人毛片做爰片一| 亚洲一区二区三区色噜噜| 又紧又爽又黄一区二区| 国产精品久久久久久久电影 | 久久九九热精品免费| 国产精品爽爽va在线观看网站| 91麻豆精品激情在线观看国产| 一a级毛片在线观看| 一级a爱片免费观看的视频| 日韩欧美国产一区二区入口| 亚洲精品一卡2卡三卡4卡5卡| 一个人看的www免费观看视频| 成人精品一区二区免费| 亚洲中文日韩欧美视频| 亚洲欧美激情综合另类| 性色av乱码一区二区三区2| 十八禁网站免费在线| 免费高清视频大片| 国产精品99久久久久久久久| 亚洲国产日韩欧美精品在线观看 | 岛国在线免费视频观看| 欧美zozozo另类| 岛国在线免费视频观看| 老鸭窝网址在线观看| 琪琪午夜伦伦电影理论片6080| 亚洲,欧美精品.| 老汉色av国产亚洲站长工具| 淫秽高清视频在线观看| 99国产综合亚洲精品| 一夜夜www| 国产成人精品无人区| 可以在线观看的亚洲视频| 日本撒尿小便嘘嘘汇集6| 精品久久久久久久末码| 欧美成人性av电影在线观看| 亚洲av熟女| 中文字幕人成人乱码亚洲影| 精品国产亚洲在线| 韩国av一区二区三区四区| 看片在线看免费视频| xxxwww97欧美| 欧美成人一区二区免费高清观看 | 18禁观看日本| 国产99白浆流出| 亚洲 国产 在线| netflix在线观看网站| 黑人操中国人逼视频| 窝窝影院91人妻| 99国产精品99久久久久| 在线免费观看不下载黄p国产 | 在线国产一区二区在线| 好看av亚洲va欧美ⅴa在| 色老头精品视频在线观看| 中文字幕av在线有码专区| 国产伦在线观看视频一区| 精品福利观看| 在线国产一区二区在线| 欧美乱码精品一区二区三区| 亚洲国产精品合色在线| 免费无遮挡裸体视频| 黄色成人免费大全| 全区人妻精品视频| 国产乱人视频| 久久草成人影院| 男人的好看免费观看在线视频| 嫩草影院入口| 最近最新中文字幕大全免费视频| 国产精品爽爽va在线观看网站| 精品国产乱码久久久久久男人| 91久久精品国产一区二区成人 | 一个人免费在线观看电影 | 亚洲欧美日韩卡通动漫| 99国产精品一区二区蜜桃av| 美女免费视频网站| 亚洲激情在线av| 亚洲精品色激情综合| 中文字幕最新亚洲高清| 午夜亚洲福利在线播放| 男女午夜视频在线观看| 美女大奶头视频| 成人三级黄色视频| 黑人巨大精品欧美一区二区mp4| 一二三四在线观看免费中文在| 身体一侧抽搐| 久久久久亚洲av毛片大全| 日韩人妻高清精品专区| 成人国产一区最新在线观看| 精品电影一区二区在线| 两个人的视频大全免费| 成人高潮视频无遮挡免费网站| 欧美激情久久久久久爽电影| 一本综合久久免费| 好看av亚洲va欧美ⅴa在| 亚洲专区国产一区二区| 欧美三级亚洲精品| 婷婷亚洲欧美| 九色国产91popny在线| 看片在线看免费视频| 精品福利观看| 国产精品亚洲一级av第二区| 亚洲中文字幕一区二区三区有码在线看 | 日本成人三级电影网站| 夜夜躁狠狠躁天天躁| 激情在线观看视频在线高清| 不卡一级毛片| av中文乱码字幕在线| 久久香蕉精品热| 男人舔女人的私密视频| 国内揄拍国产精品人妻在线| 久久精品国产亚洲av香蕉五月| 亚洲av美国av| 听说在线观看完整版免费高清| 啪啪无遮挡十八禁网站| 亚洲成人久久爱视频| 国产精品久久久久久人妻精品电影| АⅤ资源中文在线天堂| 香蕉丝袜av| 中国美女看黄片| 可以在线观看的亚洲视频| 久久久国产成人精品二区| 亚洲精品乱码久久久v下载方式 | 麻豆久久精品国产亚洲av| 久久亚洲精品不卡| 美女高潮喷水抽搐中文字幕| 亚洲九九香蕉| www.www免费av| 在线观看免费午夜福利视频| 两人在一起打扑克的视频| 欧美大码av| 亚洲中文日韩欧美视频| 国产精品99久久99久久久不卡| 我的老师免费观看完整版| av欧美777| 亚洲精品色激情综合| 久久中文字幕一级| 日韩av在线大香蕉| 啦啦啦免费观看视频1| av福利片在线观看| 九九在线视频观看精品| 国产黄片美女视频| 国产精品影院久久| 哪里可以看免费的av片| 嫩草影院入口| 狂野欧美激情性xxxx| 国产探花在线观看一区二区| 欧美三级亚洲精品| 久久久久久九九精品二区国产| 国产精品av视频在线免费观看| 变态另类丝袜制服| 成人特级av手机在线观看| 精品国产三级普通话版| 波多野结衣高清作品| 亚洲欧美日韩卡通动漫| 国产精品九九99| 性色avwww在线观看| 狂野欧美激情性xxxx| 亚洲天堂国产精品一区在线| 岛国在线观看网站| 亚洲精品在线观看二区| 国产黄色小视频在线观看| 国产高清视频在线播放一区| 国产亚洲欧美在线一区二区| 老司机午夜十八禁免费视频| 在线播放国产精品三级| 天堂网av新在线| 少妇熟女aⅴ在线视频| 天堂av国产一区二区熟女人妻| 国产精品亚洲一级av第二区| 巨乳人妻的诱惑在线观看| 丰满的人妻完整版| 日本免费a在线| 成年免费大片在线观看| 中文亚洲av片在线观看爽| 国产91精品成人一区二区三区| 人妻久久中文字幕网| 亚洲中文字幕一区二区三区有码在线看 | 他把我摸到了高潮在线观看| 国产精品亚洲av一区麻豆| av福利片在线观看| 亚洲av免费在线观看| 亚洲精品色激情综合| 99精品久久久久人妻精品| 日日夜夜操网爽| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲国产欧美人成| 天堂影院成人在线观看| 国产视频一区二区在线看| 日本与韩国留学比较| 色播亚洲综合网| 国产av麻豆久久久久久久| 亚洲专区字幕在线| 国产午夜精品久久久久久| 最新在线观看一区二区三区| 夜夜看夜夜爽夜夜摸| 偷拍熟女少妇极品色| 国产成人啪精品午夜网站| 伦理电影免费视频| 亚洲国产精品999在线| 国产一区二区在线观看日韩 | 999精品在线视频| 国产成年人精品一区二区| 中文字幕精品亚洲无线码一区| 91老司机精品| 18禁黄网站禁片免费观看直播| 麻豆成人午夜福利视频| 国产亚洲精品综合一区在线观看| 久久这里只有精品中国| 欧美乱妇无乱码| 99热这里只有精品一区 | 黑人操中国人逼视频| 一二三四在线观看免费中文在| 国产又色又爽无遮挡免费看| 国产亚洲欧美在线一区二区| 制服丝袜大香蕉在线| 最新在线观看一区二区三区| 国产av麻豆久久久久久久| 亚洲 欧美 日韩 在线 免费| 久久精品夜夜夜夜夜久久蜜豆| 观看美女的网站| 成年女人毛片免费观看观看9| 欧美另类亚洲清纯唯美| 波多野结衣巨乳人妻| 免费av毛片视频| 精品熟女少妇八av免费久了| 天堂网av新在线| 18禁黄网站禁片免费观看直播| 给我免费播放毛片高清在线观看| 少妇的逼水好多| 成年女人永久免费观看视频| 亚洲人成网站高清观看| 日本精品一区二区三区蜜桃| 亚洲第一欧美日韩一区二区三区| 动漫黄色视频在线观看| 美女免费视频网站| 欧美中文日本在线观看视频| 波多野结衣高清无吗| 欧美日韩福利视频一区二区| 精品国产超薄肉色丝袜足j| 欧美成人一区二区免费高清观看 | 人妻夜夜爽99麻豆av| 在线永久观看黄色视频| 精品一区二区三区四区五区乱码| 亚洲人成网站在线播放欧美日韩| 深夜精品福利| 国产精品美女特级片免费视频播放器 | 免费观看精品视频网站| 婷婷六月久久综合丁香| 日本撒尿小便嘘嘘汇集6| 亚洲中文字幕一区二区三区有码在线看 | 久久性视频一级片| 亚洲国产中文字幕在线视频| 日本与韩国留学比较| 毛片女人毛片| 国产黄片美女视频| 舔av片在线| 国产亚洲精品久久久com| 国产精品99久久99久久久不卡| 欧美又色又爽又黄视频| 日韩三级视频一区二区三区| 蜜桃久久精品国产亚洲av| 国内少妇人妻偷人精品xxx网站 | 婷婷精品国产亚洲av| 亚洲精品色激情综合| 高潮久久久久久久久久久不卡| 美女被艹到高潮喷水动态| 黄色 视频免费看| 免费看美女性在线毛片视频| 窝窝影院91人妻| 美女午夜性视频免费| 欧美日韩福利视频一区二区| 禁无遮挡网站| 母亲3免费完整高清在线观看| 蜜桃久久精品国产亚洲av| 久久久久国产精品人妻aⅴ院| 国产私拍福利视频在线观看| 欧美黄色淫秽网站| 日本熟妇午夜| 欧美激情在线99| 成人精品一区二区免费| 黄色女人牲交| 中出人妻视频一区二区| 麻豆久久精品国产亚洲av| 99在线视频只有这里精品首页| 免费在线观看视频国产中文字幕亚洲| 亚洲精品国产精品久久久不卡| 一进一出抽搐动态| 亚洲无线观看免费| 久久久精品欧美日韩精品| 久久久久久久久免费视频了| 免费在线观看影片大全网站| 成人无遮挡网站| 在线国产一区二区在线| 国产成人福利小说| 天堂影院成人在线观看| 国产av在哪里看| 午夜免费观看网址| 99久久国产精品久久久| 好男人电影高清在线观看| 性色avwww在线观看| 亚洲最大成人中文| 极品教师在线免费播放| 久久久久国产一级毛片高清牌| 国内少妇人妻偷人精品xxx网站 | 99久国产av精品| 欧美日韩黄片免| 亚洲av成人不卡在线观看播放网| 19禁男女啪啪无遮挡网站| 亚洲欧洲精品一区二区精品久久久| 欧美日本亚洲视频在线播放| 亚洲精品456在线播放app | 精品熟女少妇八av免费久了| 亚洲 国产 在线| 国产真实乱freesex| 欧美绝顶高潮抽搐喷水| 男女之事视频高清在线观看| 99国产精品99久久久久| 99久久精品热视频| 非洲黑人性xxxx精品又粗又长| 麻豆久久精品国产亚洲av| 99精品久久久久人妻精品| 麻豆久久精品国产亚洲av| 老汉色∧v一级毛片| 色播亚洲综合网| 欧美黄色淫秽网站| 此物有八面人人有两片| 天堂√8在线中文| 国产精品永久免费网站| 日韩人妻高清精品专区| 十八禁人妻一区二区| 欧美3d第一页| 免费一级毛片在线播放高清视频| 他把我摸到了高潮在线观看| 国产真实乱freesex| 全区人妻精品视频| 国产精品精品国产色婷婷| 国产综合懂色| 国产乱人视频| 给我免费播放毛片高清在线观看| 在线观看免费视频日本深夜| 久久精品影院6| 午夜免费成人在线视频| 国产精华一区二区三区| 免费无遮挡裸体视频| 亚洲成av人片免费观看| 国产精品一区二区三区四区免费观看 | 伦理电影免费视频| 19禁男女啪啪无遮挡网站| 精品久久久久久久久久免费视频| 波多野结衣高清作品| 黑人操中国人逼视频| 天天添夜夜摸| 变态另类成人亚洲欧美熟女| 天天躁日日操中文字幕| 日韩欧美 国产精品| 色视频www国产| 日韩精品青青久久久久久| 特大巨黑吊av在线直播| 国产精品久久久av美女十八| 久久热在线av| 视频区欧美日本亚洲| 在线国产一区二区在线| 亚洲欧美日韩卡通动漫| 午夜激情欧美在线| 一级a爱片免费观看的视频| 在线看三级毛片| 又粗又爽又猛毛片免费看| 免费搜索国产男女视频| 欧美另类亚洲清纯唯美| 精品一区二区三区视频在线观看免费| 午夜精品久久久久久毛片777| 亚洲国产高清在线一区二区三| 91久久精品国产一区二区成人 | 每晚都被弄得嗷嗷叫到高潮| 亚洲九九香蕉| 中文字幕高清在线视频| 色哟哟哟哟哟哟| 日本黄色片子视频| 色在线成人网| 中国美女看黄片| 精品一区二区三区av网在线观看| 欧美一区二区精品小视频在线| 久久久久久大精品| svipshipincom国产片| 一个人看的www免费观看视频| 国产精品香港三级国产av潘金莲| 午夜福利在线观看吧| 精品一区二区三区av网在线观看| 婷婷精品国产亚洲av在线| 91久久精品国产一区二区成人 | 1000部很黄的大片| 国产一区二区三区在线臀色熟女| 精品无人区乱码1区二区| 老司机深夜福利视频在线观看| 免费看a级黄色片| 久久精品91蜜桃| 午夜a级毛片| 日本撒尿小便嘘嘘汇集6| 国产三级在线视频| а√天堂www在线а√下载| 成年女人看的毛片在线观看| 90打野战视频偷拍视频| 国产精品98久久久久久宅男小说| 亚洲九九香蕉| 亚洲男人的天堂狠狠| 欧美3d第一页| 久久久久亚洲av毛片大全| 一本久久中文字幕| 在线观看66精品国产| www.999成人在线观看| 精品国产乱子伦一区二区三区| 亚洲精品色激情综合| 91老司机精品| 男女午夜视频在线观看| 国产精品亚洲av一区麻豆| 在线观看舔阴道视频| 亚洲精品国产精品久久久不卡| 国产69精品久久久久777片 | 91av网站免费观看| 韩国av一区二区三区四区| 99精品欧美一区二区三区四区| 国产成人av激情在线播放| 亚洲真实伦在线观看| 夜夜爽天天搞| 亚洲成av人片免费观看| 久久久久久九九精品二区国产| 99久久精品国产亚洲精品| 亚洲乱码一区二区免费版| 亚洲国产欧美一区二区综合| 网址你懂的国产日韩在线| 又大又爽又粗| 一区二区三区激情视频| АⅤ资源中文在线天堂| 国产v大片淫在线免费观看| h日本视频在线播放| 免费大片18禁| 色av中文字幕| 国产精品99久久久久久久久| 神马国产精品三级电影在线观看| 淫秽高清视频在线观看| a级毛片在线看网站| 成年免费大片在线观看| 国产视频一区二区在线看| 禁无遮挡网站| 不卡av一区二区三区| 欧美成人性av电影在线观看| 日本熟妇午夜| 久久亚洲真实| 一级黄色大片毛片| 亚洲七黄色美女视频| 亚洲自偷自拍图片 自拍| 亚洲精品中文字幕一二三四区| 一个人看的www免费观看视频| 欧美日本亚洲视频在线播放| 日本黄色片子视频| 日本免费一区二区三区高清不卡| 后天国语完整版免费观看| 1000部很黄的大片| 好男人在线观看高清免费视频| 亚洲在线观看片| 久久久水蜜桃国产精品网| 亚洲第一欧美日韩一区二区三区| 国内揄拍国产精品人妻在线| 色精品久久人妻99蜜桃| 精品国产亚洲在线| 哪里可以看免费的av片| 九色国产91popny在线| 久久久久久久久久黄片| 国产精品久久电影中文字幕| 日韩欧美一区二区三区在线观看| 亚洲人成网站高清观看| 日本 av在线| 国内久久婷婷六月综合欲色啪| 欧美黄色片欧美黄色片| 特大巨黑吊av在线直播| 欧美+亚洲+日韩+国产| 欧美一级毛片孕妇| 日本 av在线| 欧美成人一区二区免费高清观看 | 男人舔奶头视频| 18禁黄网站禁片午夜丰满| 国内精品美女久久久久久| 午夜精品久久久久久毛片777| 成人av一区二区三区在线看| 亚洲人与动物交配视频| 国产高潮美女av| 日本撒尿小便嘘嘘汇集6| 美女午夜性视频免费| 人妻久久中文字幕网| 一区二区三区高清视频在线| 欧美色视频一区免费| 亚洲精品一卡2卡三卡4卡5卡| 69av精品久久久久久| 婷婷精品国产亚洲av|