• <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SE注意力機(jī)制和深度卷積的語音情感識(shí)別

    2024-11-21 00:00:00張少華馮炎余仁杰邢沛然任藝昊
    現(xiàn)代電子技術(shù) 2024年22期
    關(guān)鍵詞:深度特征情感

    摘" 要: 針對(duì)語音情感識(shí)別無法全面提取語音中的情感特征,導(dǎo)致識(shí)別準(zhǔn)確率低的問題,提出一種基于SE注意力機(jī)制和深度卷積的雙通道網(wǎng)絡(luò)模型。首先利用速度增強(qiáng)對(duì)原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增,選取Mel譜圖、一階差分、二階差分混合特征圖作為輸入,以獲得更全面的語音信號(hào)特征;然后在SE注意力機(jī)制通道前后添加Ghost卷積提取局部特征,在深度卷積通道前后引入卷積層和逐點(diǎn)卷積提取全局特征,通過特征融合層融合特征;最后利用指數(shù)型下降進(jìn)行訓(xùn)練識(shí)別。結(jié)果表明,所提模型在擴(kuò)增后的中文數(shù)據(jù)集CASIA、英文數(shù)據(jù)集SAVEE、eNTERFACE05中的準(zhǔn)確率均高于其他深度卷積神經(jīng)網(wǎng)絡(luò)模型,驗(yàn)證了該模型的有效性及泛化能力。

    關(guān)鍵詞: 語音情感識(shí)別; 雙通道; SE注意力機(jī)制; 數(shù)據(jù)擴(kuò)增; Ghost卷積; 深度卷積; 逐點(diǎn)卷積; 特征融合

    中圖分類號(hào): TN912?34" " " " " " " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼: A" " " " " " " " " " " 文章編號(hào): 1004?373X(2024)22?0064?07

    Speech emotion recognition based on SE attention mechanism and deep convolution

    Abstract: To solve the problem of low recognition accuracy due to the inability to fully extract emotion features in speech emotion recognition, a dual channel network model based on SE attention mechanism and deep convolution is proposed. The speed enhancement is used to augment the original dataset, and the Mel spectrogram, first?order differential, and second?order differential mixed feature maps are selected as inputs to obtain more comprehensive speech signal features. The Ghost convolution is added to extract local features before and after the SE attention mechanism channel, convolutional layers and point by point convolution are introduced to extract global features before and after the deep convolution channel, and then features are fused by means of feature fusion layer. The rain recognition is conducted by means of exponential descent. The results show that the accuracy of the proposed model in the expanded Chinese dataset CASIA, English dataset SAVEE, and eNTERFACE05 is higher than other deep convolutional neural network models, respectively, verifying the effectiveness and generalization ability of the model.

    Keywords: speech emotion recognition; dual channel; SE attention mechanism; data augmentation; Ghost convolution; deep convolution; pointwise convolution; feature fusion

    0" 引" 言

    語音情感識(shí)別作為人機(jī)交互和智能服務(wù)領(lǐng)域的關(guān)鍵技術(shù),旨在實(shí)現(xiàn)對(duì)語音信號(hào)中所蘊(yùn)含的情感和情緒信息的準(zhǔn)確識(shí)別和理解[1]。然而,面對(duì)人類情感的復(fù)雜性和多樣性,傳統(tǒng)的語音情感識(shí)別方法在情感特征提取和分類準(zhǔn)確率上面臨著諸多挑戰(zhàn)[2]。傳統(tǒng)方法依賴于人工設(shè)計(jì)特征,導(dǎo)致情感分類準(zhǔn)確率難以取得突破性進(jìn)展。傳統(tǒng)的情感特征分為韻律特征[3]、譜特征[4]和聲音質(zhì)量特征[5]3類。文獻(xiàn)[6]提取語音的短時(shí)過零率、MFCC、短時(shí)能量,利用SVM進(jìn)行語音情感識(shí)別分類。文獻(xiàn)[7]提取語音的Mel譜圖,利用HMM進(jìn)行語音情感識(shí)別。Mel譜圖對(duì)于信號(hào)動(dòng)態(tài)變化的敏感性較弱,因此,本文在Mel譜圖中加入一階差分和二階差分來提升效果。

    使用傳統(tǒng)方法對(duì)語音情感識(shí)別過程繁瑣而且準(zhǔn)確度較低,因此近年來深度學(xué)習(xí)方法在語音情感識(shí)別中嶄露頭角。文獻(xiàn)[8]以LeNet?5模型為基礎(chǔ),在此基礎(chǔ)上進(jìn)行改進(jìn),提升了語音情感識(shí)別效果。文獻(xiàn)[9]設(shè)計(jì)了一種加入注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)(CNN?ATN),在SAVEE數(shù)據(jù)庫中達(dá)到了74%的準(zhǔn)確率,在RAVDESS數(shù)據(jù)庫中達(dá)到了77%的準(zhǔn)確率。文獻(xiàn)[10]將深度殘差網(wǎng)絡(luò)和Transformer模型相結(jié)合,使用MFCC特征作為輸入,在RAVDESS數(shù)據(jù)集上準(zhǔn)確率達(dá)到了84.89%。文獻(xiàn)[11]設(shè)計(jì)了一種注意導(dǎo)向并行卷積神經(jīng)網(wǎng)絡(luò)編碼器模型,將不同的特征并行,在不同的數(shù)據(jù)集上取得了較好的效果。文獻(xiàn)[12]提出了一種基于多頭注意力的時(shí)空表征學(xué)習(xí)增強(qiáng)語音情感識(shí)別模型,所提方法獲得多尺度特征表達(dá),準(zhǔn)確度有了明顯提升。盡管深度學(xué)習(xí)在提高情感識(shí)別準(zhǔn)確率方面取得了顯著進(jìn)展,但在面對(duì)語音情感識(shí)別特征提取時(shí)仍無法全面提取語音中的情感特征,導(dǎo)致識(shí)別準(zhǔn)確率低。

    針對(duì)目前模型無法全面提取語音中的情感特征,導(dǎo)致識(shí)別準(zhǔn)確率低的問題,結(jié)合現(xiàn)有注意力機(jī)制和深度卷積等模型的特點(diǎn)與缺陷,本文提出了一種基于SE注意力機(jī)制和深度卷積的雙通道網(wǎng)絡(luò)模型。該模型分別以SE注意力機(jī)制和深度卷積為兩條通道的主干,在注意力機(jī)制通道前后加入Ghost卷積,提取局部特征,以獲得更多特征信息;在深度卷積的通道前加入卷積層,避免信息丟失;在通道后加入逐點(diǎn)卷積,增強(qiáng)模型的非線性能力,提取全局特征,通過特征融合層融合特征。本文的研究旨在為語音情感識(shí)別領(lǐng)域的研究和應(yīng)用貢獻(xiàn)新的啟發(fā)和思路。

    1" 語音情感識(shí)別算法

    在語音情感識(shí)別中,研究過程包括數(shù)據(jù)預(yù)處理、特征提取、模型訓(xùn)練識(shí)別3個(gè)步驟。本文的語音情感識(shí)別算法流程如圖1所示。

    1.1" 數(shù)據(jù)擴(kuò)增

    CASIA漢語語音情感數(shù)據(jù)集樣本較少,為避免訓(xùn)練模型過程中出現(xiàn)過擬合問題,本文對(duì)原始語音信號(hào)進(jìn)行速度增強(qiáng)。速度增強(qiáng)是一種音頻信號(hào)處理技術(shù),通過調(diào)整音頻信號(hào)的播放速度來改變其音調(diào),同時(shí)保持音頻的時(shí)長(zhǎng)不變。

    在速度增強(qiáng)過程中,音頻信號(hào)的時(shí)間軸會(huì)被拉伸或壓縮,以達(dá)到改變播放速度的效果。這一過程中,音頻信號(hào)的頻率得到相應(yīng)的調(diào)整,但音頻的時(shí)長(zhǎng)保持不變。本文將速度增強(qiáng)的倍數(shù)設(shè)定為1.2,表示將音頻信號(hào)的播放速度加快20%。

    一條語音速度增強(qiáng)之前的信號(hào)波形和速度增強(qiáng)之后的信號(hào)波形分別如圖2、圖3所示。

    從圖2和圖3可以看出,速度增強(qiáng)之后的波形相較于速度增強(qiáng)之前,語音信號(hào)在時(shí)間軸上被拉伸,從而使得波形在短時(shí)間內(nèi)完成更多個(gè)周期的振動(dòng),導(dǎo)致整體振幅縮小。語音信號(hào)在時(shí)間軸上被加速,波形的時(shí)長(zhǎng)會(huì)相應(yīng)變短,波形振動(dòng)的周期變短。語音信號(hào)的頻率增加,使得聲音音調(diào)聽起來更高。在對(duì)1 200條語音信號(hào)進(jìn)行速度增強(qiáng)后,生成1 200條語音信號(hào),對(duì)樣本進(jìn)行數(shù)據(jù)擴(kuò)增,樣本數(shù)擴(kuò)增為2 400條,這樣可以有效地增加數(shù)據(jù)樣本的數(shù)量和多樣性,有利于為后續(xù)模型提供更為豐富的訓(xùn)練數(shù)據(jù),幫助提升模型性能。

    1.2" 特征提取

    本文提取語音信號(hào)的Mel譜圖、一階差分、二階差分特征,將這些特征合并成一個(gè)包含動(dòng)態(tài)和靜態(tài)頻譜信息的特征圖像。

    Mel譜圖[13]是一種在Mel頻率尺度上表示的頻譜圖,通常情況下呈現(xiàn)為一種頻率?能量圖,展示了音頻信號(hào)中不同頻率的能量分布。Mel譜圖包含頻率信息、Mel刻度信息、動(dòng)態(tài)范圍信息、音頻特征信息等有關(guān)內(nèi)容,其提取過程如圖4所示。圖中對(duì)語音信號(hào)進(jìn)行預(yù)加重、分幀、加窗、快速傅里葉變換(FFT),生成的功率譜通過Mel濾波器組后得到Mel譜圖。

    一階差分是指在時(shí)間序列數(shù)據(jù)中相鄰兩個(gè)樣本之間的差值。對(duì)于音頻特征提取,一階差分可以表示音頻頻譜在時(shí)間上的變化情況,有利于捕捉音頻信號(hào)的動(dòng)態(tài)特征。

    二階差分是一階差分的差分操作,即對(duì)一階差分再進(jìn)行一次差分。二階差分可以進(jìn)一步強(qiáng)調(diào)音頻信號(hào)的動(dòng)態(tài)變化特征,提供了更高階的信息。一階差分和二階差分可以幫助捕捉音頻信號(hào)在時(shí)間上的動(dòng)態(tài)特征,包括音頻頻譜的瞬時(shí)變化和加速度變化,對(duì)聲音的快速變化和變化趨勢(shì)提供了有用信息。

    1.3" 模型結(jié)構(gòu)

    基于SE注意力機(jī)制和深度卷積的雙通道模型是通過基于SE注意力機(jī)制的通道和基于深度卷積的通道分別提取局部特征和全局特征,然后將雙通道處理后的特征進(jìn)行融合以及語音情感識(shí)別?;赟E注意力機(jī)制和深度卷積的雙通道模型結(jié)構(gòu)如圖5所示。

    由圖5可知,模型主要由三部分組成:第一,基于SE注意力機(jī)制的通道是針對(duì)語音的局部特征,第一個(gè)Ghost卷積提取主要特征,下采樣確保寬高與后續(xù)一致,SE注意力機(jī)制學(xué)習(xí)特征之間的依賴關(guān)系,第二個(gè)Ghost卷積確保輸出特征圖通道數(shù)正確,殘差連接用來減少梯度消失或梯度爆炸問題;第二,基于深度卷積的通道是針對(duì)語音的全局特征,卷積層實(shí)現(xiàn)分塊操作,將圖像劃分為不重疊的區(qū)域,并為每個(gè)區(qū)域提取特征,避免信息丟失,深度卷積逐步提取圖像的高級(jí)特征表達(dá),逐點(diǎn)卷積增強(qiáng)模型非線性及泛化能力;第三,特征融合將輸入特征對(duì)應(yīng)維度進(jìn)行拼接,從而產(chǎn)生一個(gè)更大的特征作為輸出。

    1.3.1" 基于SE注意力機(jī)制的改進(jìn)通道

    基于SE注意力機(jī)制的改進(jìn)通道由Ghost卷積、下采樣、SE注意力機(jī)制、Ghost卷積、殘差連接五部分組成。本節(jié)在原有注意力機(jī)制通道的基礎(chǔ)上前后添加Ghost卷積,以獲得更多特征信息。

    Ghost卷積層首先通過1×1卷積將通道數(shù)降低,濃縮特征信息,生成M個(gè)特征圖。用于產(chǎn)生M個(gè)特征圖的任意卷積層的操作表示為:

    [Y=X*f]" " " " " (1)

    式中:X為輸入;f為卷積核。X:C×H×W,f:C×K×K×M,Y:H′×W′×M。其中:C為通道數(shù);H為輸入圖像的高度;W為輸入圖像的寬度;K×K為卷積核大小。

    后續(xù)對(duì)M個(gè)特征圖進(jìn)行3×3深度卷積(線性變換)得到N=M×S個(gè)特征圖,借此獲取更多的特征組合信息。3×3深度卷積(線性變換)的公式如下:

    [Yi′j′=Φi′j′yi′]" " " " " " " " " "(2)

    式中:i′=1,2,…,M;j′=1,2,…,S,S為線性操作方式的次數(shù)。

    將第一次卷積和深度卷積得到的特征圖在通道維度上進(jìn)行堆疊。

    下采樣通過調(diào)整步長(zhǎng)和卷積操作,以此降低特征圖的空間分辨率,確保寬高與后續(xù)一致。

    SE注意力機(jī)制[14]可以幫助學(xué)習(xí)特征之間的依賴關(guān)系,從而增強(qiáng)模型對(duì)重要特征的響應(yīng)。SE注意力機(jī)制原理圖如圖6所示。

    Squeeze操作將特征圖Y進(jìn)行全局平均池化處理,生成一個(gè)1×1×C的向量,公式為:

    Excitation操作通過權(quán)重W生成所需的權(quán)重信息,通過兩個(gè)全連接層W1、W2對(duì)上一步(Squeeze操作)的向量ZC進(jìn)行處理,得到通道權(quán)重值s,公式為:

    [s=σgZC,W=σW2δW1ZC]" " (4)

    Scale操作將生成的權(quán)重向量s對(duì)特征圖Y進(jìn)行權(quán)重更新賦值,得到所需的特征圖[Y'],公式為:

    [Y'=sY]" " " " " " " (5)

    殘差連接將輸入特征與經(jīng)過下采樣或通道調(diào)整后的殘差部分相加,以促進(jìn)信息傳遞和梯度流動(dòng),減少梯度消失或梯度爆炸問題。

    1.3.2" 基于深度卷積的改進(jìn)通道

    基于深度卷積的改進(jìn)通道主要由三部分組成,即:卷積層、深度卷積、逐點(diǎn)卷積。本節(jié)在原有深度卷積通道的基礎(chǔ)上,在通道前加入卷積層,避免信息丟失,在通道后加入逐點(diǎn)卷積,有效地增強(qiáng)了模型的非線性能力及泛化能力。卷積層采用7×7的卷積核、滑動(dòng)步長(zhǎng)為7的卷積層劃分圖像,提取特征,避免信息丟失。深度卷積[15]原理圖如圖7所示。對(duì)輸入的特征圖的每個(gè)通道進(jìn)行獨(dú)立的卷積操作,產(chǎn)生多個(gè)特征圖。對(duì)于輸入的每個(gè)通道,使用獨(dú)立的卷積核進(jìn)行卷積操作,得到與輸入通道數(shù)相等的特征圖。

    逐點(diǎn)卷積原理圖如圖8所示。對(duì)上一步(深度卷積)獲得的特征圖進(jìn)行卷積操作,將分離的通道特征圖進(jìn)行整合和壓縮,通道數(shù)減少至所需的輸出通道數(shù)。

    1.3.3" 特征融合

    特征融合層主要由三部分組成,即:concatenate、批標(biāo)準(zhǔn)化層、softmax。特征融合方式采用concatenate,concatenate用于將多個(gè)輸入特征沿著指定的軸連接,其原理為將輸入特征的對(duì)應(yīng)維度進(jìn)行拼接,從而產(chǎn)生一個(gè)更大的特征作為輸出。批標(biāo)準(zhǔn)化層對(duì)每個(gè)批次的數(shù)據(jù)上進(jìn)行標(biāo)準(zhǔn)化處理,使得每個(gè)特征的均值接近于0,標(biāo)準(zhǔn)差接近于1。softmax分類器將模型的輸出轉(zhuǎn)換為每個(gè)類別的概率分布。

    2" 實(shí)驗(yàn)分析

    2.1" 實(shí)驗(yàn)準(zhǔn)備

    CASIA數(shù)據(jù)集是中國(guó)科學(xué)院自動(dòng)化研究所錄制的,4位說話人(2男2女),包含6種情感(生氣(angry)、害怕(fear)、高興(happy)、中立(neutral)、悲傷(sad)、驚訝(surprise)),總共1 200條語音,對(duì)原始數(shù)據(jù)集進(jìn)行速度增強(qiáng),將速度增強(qiáng)后的1 200條語音擴(kuò)增到原始的數(shù)據(jù)集中,最終擴(kuò)增后的數(shù)據(jù)集總共2 400條語音。實(shí)驗(yàn)環(huán)境為云服務(wù)器,算力型號(hào)為L(zhǎng)40,顯存為48 GB,采用TensorFlow 2.9.0、Python 3.8、CUDA 11.2。

    對(duì)2 400條語音樣本數(shù)據(jù)集提取Mel譜圖、一階差分、二階差分混合特征圖,形狀為224×224×3。將數(shù)據(jù)集劃分為5份,4份作為訓(xùn)練集,1份作為測(cè)試集。學(xué)習(xí)率采用指數(shù)型下降,經(jīng)過5次輪換訓(xùn)練和測(cè)試,取平均值為最終的識(shí)別結(jié)果。準(zhǔn)確率計(jì)算公式為:

    式中:i為輪換的次數(shù),總共5次輪換;[TPi]為True Positives的數(shù)量,即在第i次輪換中模型正確分類為正類(或者說正確預(yù)測(cè)的樣本數(shù)量)的樣本數(shù);[Ni]為第i次輪換中所有測(cè)試樣本的數(shù)量。通過公式(6)可以看出,整體準(zhǔn)確率是通過對(duì)每次輪換時(shí)的正確分類占所有樣本比例進(jìn)行求和取平均值得到的。

    網(wǎng)絡(luò)層激活函數(shù)使用ReLU函數(shù),損失使用交叉熵函數(shù),加入Dropout層減少過擬合,采用Adam優(yōu)化器。

    2.2" 實(shí)驗(yàn)結(jié)果分析

    將擴(kuò)增后的CASIA數(shù)據(jù)集分別提取短時(shí)過零率、MFCC、短時(shí)能量混合特征圖,線性頻譜圖,Mel譜圖、一階差分、二階差分混合特征圖,并將提取的特征輸入本文模型。3種不同特征輸入下的測(cè)試集準(zhǔn)確率如表1所示。

    由表1可知,在本文模型的情況下,輸入為Mel譜圖、一階差分、二階差分混合特征圖的準(zhǔn)確率更高。短時(shí)過零率、MFCC、短時(shí)能量混合特征圖主要提取了語音信號(hào)的振幅、強(qiáng)度、頻譜信息;線性頻譜圖主要對(duì)語音信號(hào)的頻率和時(shí)間進(jìn)行分析,反映語音信號(hào)在不同頻率上的能量分布情況及聲道信息;Mel譜圖、一階差分、二階差分混合特征圖結(jié)合了頻譜信息和動(dòng)態(tài)信息,提取了語音信號(hào)在時(shí)間上的演變信息。Mel譜圖、一階差分、二階差分混合特征圖相較于其他特征圖,使得特征判別性更強(qiáng),更能夠捕捉語音信號(hào)的復(fù)雜結(jié)構(gòu)和變化及動(dòng)態(tài)特性。因此,本文選取Mel譜圖、一階差分、二階差分混合特征圖作為輸入的混合特征圖。

    接著對(duì)合適的學(xué)習(xí)率方式進(jìn)行對(duì)比分析:第1組為初始學(xué)習(xí)率不變,學(xué)習(xí)率大小為0.000 1;第2組為階梯型下降,初始學(xué)習(xí)率為0.000 1,若測(cè)試集損失保持3輪不下降,則學(xué)習(xí)率縮小為原來學(xué)習(xí)率的[12];第3組為指數(shù)型下降,初始學(xué)習(xí)率為0.000 1,衰減系數(shù)為0.95。不同學(xué)習(xí)率方法下本文模型的準(zhǔn)確率如表2所示。

    由表2可知,采用學(xué)習(xí)率調(diào)度策略,相較于學(xué)習(xí)率不變,測(cè)試集準(zhǔn)確率有明顯提升。指數(shù)型下降是一種連續(xù)、平滑的更新學(xué)習(xí)率過程,而階梯型下降是一種離散的參數(shù)更新。指數(shù)型下降相較于階梯型下降,具有更好的收斂性、平滑性和自適應(yīng)性,能夠更快、更穩(wěn)定地找到最優(yōu)解。通過實(shí)驗(yàn)證明,指數(shù)型下降的準(zhǔn)確率相較于階梯型下降也有些許提升。因此,本文采用指數(shù)型下降來更新學(xué)習(xí)率。

    為了驗(yàn)證本文模型的有效性,將該模型與其他深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比分析,并展示該模型混淆矩陣。LeNet、AlexNet、Vgg16、ResNet18、ResNet34及本文模型的混淆矩陣如圖9~圖14所示。

    不同模型在擴(kuò)增后的CASIA數(shù)據(jù)集的準(zhǔn)確率結(jié)果如表3所示。由表3可知,本文模型在語音情感識(shí)別上有著較好的效果,可以很好地區(qū)分不同的情感,對(duì)輸入數(shù)據(jù)的特征可以多尺度地提取有用的特征,增加特征的多樣性和豐富性,更全面地捕捉和利用特征信息。由混淆矩陣可知,測(cè)試集樣本為480,每種情感數(shù)量為80。從真實(shí)標(biāo)簽和預(yù)測(cè)標(biāo)簽的對(duì)應(yīng)關(guān)系的混淆百分?jǐn)?shù)可知,本文模型在識(shí)別率上有著較好的效果。

    為了進(jìn)一步驗(yàn)證模型在相似問題上的泛化能力,本文還在SAVEE數(shù)據(jù)集和eNTERFACE05數(shù)據(jù)集上進(jìn)行對(duì)比分析。SAVEE數(shù)據(jù)集是英語語言的數(shù)據(jù)集,4個(gè)說話人,包含7種情感,選取其中420條語音,每種情感的語音均勻分布。按照CASIA數(shù)據(jù)集數(shù)據(jù)擴(kuò)增的方法對(duì)SAVEE數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增,擴(kuò)增后的數(shù)據(jù)集為840條語音。eNTERFACE05數(shù)據(jù)集包含44個(gè)說話人,包含6種情感,選取其中1 260條語音,每種情感的語音均勻分布。按照CASIA數(shù)據(jù)集數(shù)據(jù)擴(kuò)增的方法對(duì)eNTERFACE05數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增,擴(kuò)增后的數(shù)據(jù)集為2 520條語音。不同模型在擴(kuò)增后的SAVEE數(shù)據(jù)集和eNTERFACE05數(shù)據(jù)集的準(zhǔn)確率結(jié)果分別如表4、表5所示。

    由表4和表5可知,本文模型在除中文之外的語音情感識(shí)別上也有著較好的效果,考慮到不同語種數(shù)據(jù)情感特征、說話人數(shù)量、樣本數(shù)量存在一定的差異性,所以準(zhǔn)確率會(huì)有些許不同。同時(shí)驗(yàn)證了該模型也具有一定的跨語種識(shí)別的能力,對(duì)后續(xù)的語音情感識(shí)別的研究也有著一定的參考價(jià)值。

    3" 結(jié)" 語

    本文為減少訓(xùn)練過程中的過擬合問題,利用速度增強(qiáng)對(duì)原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增,選取Mel譜圖、一階差分、二階差分混合特征圖作為輸入,以獲得更全面的語音信號(hào)特征。針對(duì)語音情感識(shí)別無法全面提取語音中的情感特征,導(dǎo)致識(shí)別準(zhǔn)確率低的問題,提出了一種基于SE注意力機(jī)制和深度卷積的網(wǎng)絡(luò)模型。利用基于SE注意力機(jī)制的改進(jìn)通道提取局部特征,基于深度卷積的改進(jìn)通道提取全局特征,通過特征融合層融合特征,進(jìn)一步提高了語音情感識(shí)別準(zhǔn)確率。同時(shí),在不同語種的語音情感數(shù)據(jù)集上,本文模型也得到了有效驗(yàn)證,具有一定的泛化能力,豐富了語音情感識(shí)別的研究。

    參考文獻(xiàn)

    [1] WANI T M, GUNAWAN T S, QADRI S A A, et al. A comprehensive review of speech emotion recognition systems [J]. IEEE access, 2021, 9: 47795?47814.

    [2] LATIF S, RANA R, KHALIFA S, et al. Survey of deep representation learning for speech emotion recognition [J]. IEEE transactions on affective computing, 2021, 14(2): 1634?1654.

    [3] MARY L, YEGNANARAYANA B. Extraction and represent?ation of prosodic features for language and speaker recognition [J]. Speech communication, 2008, 50(10): 782?796.

    [4] ITTICHAICHAREON C, SUKSRI S, YINGTHAWORNSUK T. Speech recognition using MFCC [C]// International Conference on Computer Graphics, Simulation and Modeling. Macau, China: IEEE, 2012: 9.

    [5] SHIMIZU T, ONAGA H. Study on acoustic improvements by sound?absorbing panels and acoustical quality assessment of teleconference systems [J]. Applied acoustics, 2018, 139: 101?112.

    [6] 陳富麗.中文語音情感識(shí)別方法研究[D].重慶:重慶郵電大學(xué),2019.

    [7] 林巧民,齊柱柱.基于HMM和ANN混合模型的語音情感識(shí)別研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2018,28(10):74?78.

    [8] 姜芃旭,傅洪亮,陶華偉,等.一種基于卷積神經(jīng)網(wǎng)絡(luò)特征表征的語音情感識(shí)別方法[J].電子器件,2019,42(4):998?1001.

    [9] MOUNTZOURIS K, PERIKOS I, HATZILYGEROUDIS I. Speech emotion recognition using convolutional neural networks with attention mechanism [J]. Electronics, 2023, 12(20): 4376.

    [10] 劉方如,王亮.基于Res?Transformer模型的語音情感識(shí)別方法研究[J].物聯(lián)網(wǎng)技術(shù),2023,13(6):36?39.

    [11] FAZLIDDIN M, ALPAMIS K, FARKHOD A, et al. Modeling speech emotion recognition via attention?oriented parallel CNN encoders [J]. Electronics, 2022, 11(23): 4047.

    [12] CHEN Z, LIN M, WANG Z, et al. Spatio?temporal represent?ation learning enhanced speech emotion recognition with multi?head attention mechanisms [J]. Knowledge?based systems, 2023, 281: 111077.

    [13] 楊雨欣,于紅,楊宗軼,等.基于Mel聲譜圖與改進(jìn)SEResNet的魚類行為識(shí)別[J].漁業(yè)現(xiàn)代化,2024,51(1):56?63.

    [14] JIE H, LI S, SAMUEL A, et al. Squ?eeze?and?excitation networks [EB/OL]. [2023?01?12]. https://blog.csdn.net/qq_45929156/article/details/116106978.

    [15] KAMAL K C, YIN Z, WU M, et al. Depthwise separable convolution architectures for plant disease classification [J]. Computers and electronics in agriculture, 2019, 165(10): 104948.

    猜你喜歡
    深度特征情感
    如何在情感中自我成長(zhǎng),保持獨(dú)立
    深度理解一元一次方程
    失落的情感
    北極光(2019年12期)2020-01-18 06:22:10
    如何表達(dá)“特征”
    情感
    不忠誠的四個(gè)特征
    深度觀察
    深度觀察
    如何在情感中自我成長(zhǎng),保持獨(dú)立
    深度觀察
    国产精品一二三区在线看| 国产又色又爽无遮挡免| 久久人人爽人人片av| 久久精品国产综合久久久| 国产精品欧美亚洲77777| e午夜精品久久久久久久| 人人妻人人澡人人看| 只有这里有精品99| 51午夜福利影视在线观看| 日韩,欧美,国产一区二区三区| 免费在线观看完整版高清| 日韩 欧美 亚洲 中文字幕| 无遮挡黄片免费观看| 18禁观看日本| 国产精品一二三区在线看| 一二三四在线观看免费中文在| 欧美 亚洲 国产 日韩一| 亚洲av电影在线观看一区二区三区| 男女高潮啪啪啪动态图| 日本猛色少妇xxxxx猛交久久| 黑丝袜美女国产一区| 精品国产国语对白av| 亚洲色图综合在线观看| 久久久精品94久久精品| 中文精品一卡2卡3卡4更新| 国产成人一区二区三区免费视频网站 | 91精品三级在线观看| 国产午夜精品一二区理论片| 亚洲国产毛片av蜜桃av| 纯流量卡能插随身wifi吗| 亚洲少妇的诱惑av| 久久亚洲精品不卡| 国产成人欧美| 九色亚洲精品在线播放| 国产免费视频播放在线视频| 亚洲精品久久午夜乱码| 激情五月婷婷亚洲| 国产亚洲午夜精品一区二区久久| 亚洲一卡2卡3卡4卡5卡精品中文| 嫁个100分男人电影在线观看 | 亚洲欧美一区二区三区久久| 国产高清国产精品国产三级| 成人三级做爰电影| 久久久精品国产亚洲av高清涩受| 午夜av观看不卡| 1024视频免费在线观看| 亚洲精品自拍成人| 成在线人永久免费视频| 免费观看av网站的网址| 色网站视频免费| 啦啦啦 在线观看视频| 亚洲精品美女久久av网站| 啦啦啦 在线观看视频| 亚洲精品美女久久av网站| 19禁男女啪啪无遮挡网站| 欧美激情极品国产一区二区三区| 久久鲁丝午夜福利片| 人人妻人人澡人人爽人人夜夜| 亚洲国产精品999| 国产精品二区激情视频| www.999成人在线观看| 人人妻人人爽人人添夜夜欢视频| 国产精品久久久人人做人人爽| videos熟女内射| 午夜影院在线不卡| 十八禁高潮呻吟视频| 亚洲成人免费av在线播放| 在线观看人妻少妇| 国产又爽黄色视频| 少妇被粗大的猛进出69影院| h视频一区二区三区| 国产午夜精品一二区理论片| kizo精华| 三上悠亚av全集在线观看| 日韩中文字幕欧美一区二区 | 免费高清在线观看日韩| 午夜福利在线免费观看网站| 亚洲人成77777在线视频| 久久中文字幕一级| 亚洲av日韩在线播放| 人成视频在线观看免费观看| 欧美精品一区二区大全| 亚洲一区二区三区欧美精品| 亚洲国产欧美一区二区综合| 亚洲国产欧美一区二区综合| 久久99精品国语久久久| 嫁个100分男人电影在线观看 | 日韩一区二区三区影片| 亚洲欧美精品综合一区二区三区| 手机成人av网站| 午夜91福利影院| 我要看黄色一级片免费的| 777久久人妻少妇嫩草av网站| 国产精品一区二区精品视频观看| 狂野欧美激情性bbbbbb| 日韩一区二区三区影片| 欧美成人精品欧美一级黄| 国产深夜福利视频在线观看| 免费黄频网站在线观看国产| 久久精品熟女亚洲av麻豆精品| 久热这里只有精品99| 黄片小视频在线播放| 国产一区二区激情短视频 | videosex国产| 99国产综合亚洲精品| 男女之事视频高清在线观看 | 久久久国产一区二区| 免费av中文字幕在线| 久久午夜综合久久蜜桃| 亚洲,一卡二卡三卡| 好男人视频免费观看在线| 国产在视频线精品| 曰老女人黄片| 国产视频一区二区在线看| 纯流量卡能插随身wifi吗| 亚洲专区中文字幕在线| 十八禁高潮呻吟视频| 国产成人系列免费观看| 国产免费又黄又爽又色| 美女中出高潮动态图| 欧美变态另类bdsm刘玥| 人人妻人人爽人人添夜夜欢视频| www.999成人在线观看| 久久久国产精品麻豆| 少妇裸体淫交视频免费看高清 | 男人添女人高潮全过程视频| 国产精品久久久人人做人人爽| 在线精品无人区一区二区三| videosex国产| 美女脱内裤让男人舔精品视频| 最近最新中文字幕大全免费视频 | 一级毛片我不卡| 最近手机中文字幕大全| 美女国产高潮福利片在线看| 一级a爱视频在线免费观看| 亚洲三区欧美一区| 丰满饥渴人妻一区二区三| 99久久人妻综合| 免费黄频网站在线观看国产| av欧美777| 国产免费现黄频在线看| 丝袜美腿诱惑在线| 久久天躁狠狠躁夜夜2o2o | 99热全是精品| 老熟女久久久| 狠狠精品人妻久久久久久综合| 久久久国产欧美日韩av| 日韩 欧美 亚洲 中文字幕| 91麻豆精品激情在线观看国产 | 校园人妻丝袜中文字幕| 真人做人爱边吃奶动态| 中文字幕精品免费在线观看视频| 下体分泌物呈黄色| 亚洲三区欧美一区| 老熟女久久久| 久久亚洲精品不卡| 欧美老熟妇乱子伦牲交| 国产免费现黄频在线看| 天天躁夜夜躁狠狠久久av| 后天国语完整版免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 男女高潮啪啪啪动态图| 欧美日韩视频高清一区二区三区二| 欧美日韩国产mv在线观看视频| 手机成人av网站| 亚洲专区中文字幕在线| 日韩精品免费视频一区二区三区| 黄色a级毛片大全视频| 欧美中文综合在线视频| 一级毛片女人18水好多 | 黄色视频不卡| 久久天躁狠狠躁夜夜2o2o | 欧美 日韩 精品 国产| 在线观看人妻少妇| 国产一卡二卡三卡精品| 看十八女毛片水多多多| 国产福利在线免费观看视频| 后天国语完整版免费观看| 首页视频小说图片口味搜索 | 日韩电影二区| 亚洲成色77777| 99国产精品一区二区蜜桃av | 女警被强在线播放| 亚洲国产欧美在线一区| 欧美日韩视频高清一区二区三区二| 女性被躁到高潮视频| 午夜两性在线视频| 新久久久久国产一级毛片| 尾随美女入室| 大型av网站在线播放| 性少妇av在线| 国产高清videossex| 一本综合久久免费| 狠狠精品人妻久久久久久综合| 精品视频人人做人人爽| 中文字幕人妻丝袜一区二区| 满18在线观看网站| 中文欧美无线码| 亚洲免费av在线视频| 青青草视频在线视频观看| 成年人午夜在线观看视频| 亚洲熟女毛片儿| 黑人巨大精品欧美一区二区蜜桃| 国产xxxxx性猛交| 欧美人与善性xxx| 男女免费视频国产| 成人手机av| 狂野欧美激情性xxxx| 久久精品久久精品一区二区三区| 在线 av 中文字幕| 每晚都被弄得嗷嗷叫到高潮| 人妻一区二区av| 免费女性裸体啪啪无遮挡网站| 亚洲伊人久久精品综合| 中文字幕最新亚洲高清| 黄色a级毛片大全视频| 欧美精品啪啪一区二区三区 | 桃花免费在线播放| 久久久久精品国产欧美久久久 | 欧美精品一区二区大全| 成年人黄色毛片网站| 国产精品人妻久久久影院| 久久国产亚洲av麻豆专区| 一级黄片播放器| 丝袜喷水一区| 两个人免费观看高清视频| 国产在线免费精品| 欧美精品一区二区大全| 免费在线观看黄色视频的| 国产精品免费大片| 女人爽到高潮嗷嗷叫在线视频| 久久久久久久大尺度免费视频| av视频免费观看在线观看| 肉色欧美久久久久久久蜜桃| 免费观看a级毛片全部| 黑人猛操日本美女一级片| 亚洲精品国产av成人精品| 欧美 日韩 精品 国产| 欧美黑人欧美精品刺激| 男女下面插进去视频免费观看| 欧美黄色淫秽网站| 青春草亚洲视频在线观看| 高清欧美精品videossex| 久久久久久人人人人人| 久久毛片免费看一区二区三区| 久久人妻福利社区极品人妻图片 | a 毛片基地| 国产一级毛片在线| 欧美变态另类bdsm刘玥| 国产有黄有色有爽视频| 日韩制服骚丝袜av| 黄片播放在线免费| 亚洲专区国产一区二区| 国产一区有黄有色的免费视频| 大香蕉久久网| 免费高清在线观看视频在线观看| 一级片'在线观看视频| 精品高清国产在线一区| 在线亚洲精品国产二区图片欧美| 亚洲男人天堂网一区| a级毛片在线看网站| 高清av免费在线| 亚洲欧美清纯卡通| 亚洲 国产 在线| 免费在线观看完整版高清| 亚洲美女黄色视频免费看| 又粗又硬又长又爽又黄的视频| 亚洲欧美清纯卡通| 女人高潮潮喷娇喘18禁视频| 人人妻人人澡人人爽人人夜夜| 69精品国产乱码久久久| 久久人人爽av亚洲精品天堂| 在线 av 中文字幕| 日本91视频免费播放| 午夜福利免费观看在线| 最黄视频免费看| 国产成人av激情在线播放| 色精品久久人妻99蜜桃| 国产黄频视频在线观看| 国产高清国产精品国产三级| 亚洲精品日本国产第一区| av在线app专区| 精品国产一区二区三区久久久樱花| 99热国产这里只有精品6| √禁漫天堂资源中文www| 久久国产亚洲av麻豆专区| 欧美日韩亚洲高清精品| 亚洲成av片中文字幕在线观看| 国产精品偷伦视频观看了| 欧美精品av麻豆av| 亚洲精品第二区| 成人亚洲欧美一区二区av| 国产亚洲欧美精品永久| 一边摸一边做爽爽视频免费| 熟女av电影| 交换朋友夫妻互换小说| av又黄又爽大尺度在线免费看| netflix在线观看网站| 好男人电影高清在线观看| 国产精品二区激情视频| 亚洲美女黄色视频免费看| 美女扒开内裤让男人捅视频| av一本久久久久| 一级毛片我不卡| 精品亚洲成a人片在线观看| 考比视频在线观看| 久久毛片免费看一区二区三区| 精品少妇黑人巨大在线播放| 十八禁网站网址无遮挡| 丝袜人妻中文字幕| 两人在一起打扑克的视频| 精品久久久精品久久久| 97在线人人人人妻| 九草在线视频观看| 日本wwww免费看| 欧美日韩国产mv在线观看视频| 午夜免费成人在线视频| 国产av精品麻豆| 成年女人毛片免费观看观看9 | 午夜激情久久久久久久| 亚洲欧美清纯卡通| 久久久国产欧美日韩av| 精品国产乱码久久久久久男人| 18禁裸乳无遮挡动漫免费视频| av不卡在线播放| 午夜福利乱码中文字幕| 日韩av在线免费看完整版不卡| 免费久久久久久久精品成人欧美视频| 国产亚洲一区二区精品| 成人午夜精彩视频在线观看| 18在线观看网站| 亚洲欧美日韩高清在线视频 | 亚洲人成电影观看| 精品第一国产精品| 亚洲欧美日韩另类电影网站| 蜜桃在线观看..| 久久性视频一级片| √禁漫天堂资源中文www| 日韩 亚洲 欧美在线| 午夜福利,免费看| 在线观看免费日韩欧美大片| 精品久久蜜臀av无| 日韩大片免费观看网站| 国产伦理片在线播放av一区| 久久国产精品人妻蜜桃| 久久av网站| 大码成人一级视频| 婷婷丁香在线五月| 亚洲av片天天在线观看| 亚洲精品一区蜜桃| 国产精品av久久久久免费| av又黄又爽大尺度在线免费看| 中文乱码字字幕精品一区二区三区| 成人午夜精彩视频在线观看| 十八禁人妻一区二区| 丰满迷人的少妇在线观看| 99久久人妻综合| 精品国产一区二区三区久久久樱花| av网站在线播放免费| 一区二区三区激情视频| 亚洲久久久国产精品| 日本一区二区免费在线视频| 无限看片的www在线观看| 一本一本久久a久久精品综合妖精| 在线观看免费午夜福利视频| 美国免费a级毛片| 精品一区二区三卡| 波野结衣二区三区在线| 中文字幕色久视频| 国产精品99久久99久久久不卡| 熟女av电影| 亚洲一卡2卡3卡4卡5卡精品中文| 国产av国产精品国产| 日韩制服丝袜自拍偷拍| 90打野战视频偷拍视频| 日韩大片免费观看网站| 777久久人妻少妇嫩草av网站| 日本黄色日本黄色录像| 国产成人av教育| 一本大道久久a久久精品| 久久久欧美国产精品| 国产欧美日韩综合在线一区二区| 咕卡用的链子| 国产主播在线观看一区二区 | 男人爽女人下面视频在线观看| 亚洲成人国产一区在线观看 | 国产精品久久久久久精品电影小说| 精品国产一区二区三区四区第35| 老司机影院毛片| 熟女少妇亚洲综合色aaa.| 欧美亚洲日本最大视频资源| www.999成人在线观看| 性少妇av在线| a级毛片黄视频| 亚洲视频免费观看视频| 99热国产这里只有精品6| 欧美人与性动交α欧美软件| 在线观看一区二区三区激情| 亚洲精品自拍成人| 高清不卡的av网站| 久热这里只有精品99| 国产深夜福利视频在线观看| 大型av网站在线播放| 搡老乐熟女国产| 韩国精品一区二区三区| 一级,二级,三级黄色视频| 日本av手机在线免费观看| 久久精品国产a三级三级三级| 美女大奶头黄色视频| 亚洲国产精品一区三区| 成人国产一区最新在线观看 | 在线观看国产h片| 97在线人人人人妻| 亚洲激情五月婷婷啪啪| 99国产精品99久久久久| 国产xxxxx性猛交| 日本av免费视频播放| 精品卡一卡二卡四卡免费| 在线观看免费视频网站a站| 欧美日韩福利视频一区二区| 最近手机中文字幕大全| 熟女av电影| 少妇的丰满在线观看| 一级黄片播放器| 一本一本久久a久久精品综合妖精| 婷婷色综合大香蕉| 国产在视频线精品| 亚洲成av片中文字幕在线观看| 首页视频小说图片口味搜索 | 国产一卡二卡三卡精品| 人人妻人人澡人人爽人人夜夜| 777米奇影视久久| 老汉色∧v一级毛片| 天天操日日干夜夜撸| 日日夜夜操网爽| 成年动漫av网址| 亚洲一卡2卡3卡4卡5卡精品中文| 美女国产高潮福利片在线看| 国产亚洲欧美在线一区二区| 国产人伦9x9x在线观看| 每晚都被弄得嗷嗷叫到高潮| 永久免费av网站大全| 国产99久久九九免费精品| 丝袜喷水一区| 男人操女人黄网站| 久热爱精品视频在线9| 国产男女超爽视频在线观看| 国产麻豆69| 亚洲精品第二区| 久久国产精品大桥未久av| 搡老乐熟女国产| 欧美av亚洲av综合av国产av| 免费观看a级毛片全部| 手机成人av网站| 国产在线视频一区二区| 91麻豆av在线| 久久久久久免费高清国产稀缺| 伊人亚洲综合成人网| 久久国产亚洲av麻豆专区| 欧美变态另类bdsm刘玥| 首页视频小说图片口味搜索 | 久久99精品国语久久久| 午夜福利影视在线免费观看| 亚洲成av片中文字幕在线观看| 啦啦啦在线观看免费高清www| 在线亚洲精品国产二区图片欧美| 永久免费av网站大全| 9191精品国产免费久久| 黄片小视频在线播放| 大码成人一级视频| av天堂在线播放| 日本午夜av视频| 秋霞在线观看毛片| 51午夜福利影视在线观看| 久久99热这里只频精品6学生| 国产主播在线观看一区二区 | 亚洲少妇的诱惑av| 亚洲精品自拍成人| 欧美性长视频在线观看| 色网站视频免费| 国产av国产精品国产| 国产伦理片在线播放av一区| 亚洲国产中文字幕在线视频| 午夜影院在线不卡| 国产欧美日韩综合在线一区二区| 九色亚洲精品在线播放| 大话2 男鬼变身卡| 人妻人人澡人人爽人人| 大香蕉久久网| 国产精品一区二区在线不卡| 精品人妻1区二区| 精品国产乱码久久久久久小说| 麻豆乱淫一区二区| 夫妻性生交免费视频一级片| 国产视频首页在线观看| 亚洲av在线观看美女高潮| 成年人黄色毛片网站| 国产老妇伦熟女老妇高清| 黑丝袜美女国产一区| 亚洲 欧美一区二区三区| 中文字幕人妻丝袜一区二区| 男女高潮啪啪啪动态图| 国产真人三级小视频在线观看| 99热网站在线观看| 亚洲精品国产区一区二| 婷婷色麻豆天堂久久| 欧美人与性动交α欧美软件| 午夜福利免费观看在线| 精品少妇久久久久久888优播| 91麻豆精品激情在线观看国产 | 男女床上黄色一级片免费看| 男女国产视频网站| 亚洲欧美色中文字幕在线| 老司机午夜十八禁免费视频| 国产一级毛片在线| 国产色视频综合| 久久国产精品影院| 国产成人精品无人区| 亚洲自偷自拍图片 自拍| 午夜福利免费观看在线| 丁香六月欧美| 精品少妇黑人巨大在线播放| 成人影院久久| 国产精品久久久人人做人人爽| 成人三级做爰电影| 国产野战对白在线观看| 日韩伦理黄色片| 欧美成人午夜精品| 国产福利在线免费观看视频| 欧美人与性动交α欧美软件| 久久女婷五月综合色啪小说| 青青草视频在线视频观看| 国产欧美日韩一区二区三 | 狠狠婷婷综合久久久久久88av| 精品卡一卡二卡四卡免费| 国产欧美日韩精品亚洲av| 两个人看的免费小视频| 午夜福利一区二区在线看| 丝袜脚勾引网站| 国产av精品麻豆| 午夜福利视频精品| 九草在线视频观看| 免费在线观看日本一区| 91精品三级在线观看| 黄色怎么调成土黄色| 久久狼人影院| 一级片'在线观看视频| 天天影视国产精品| 女人精品久久久久毛片| 人人妻,人人澡人人爽秒播 | 免费一级毛片在线播放高清视频 | 欧美日韩亚洲综合一区二区三区_| av国产精品久久久久影院| 午夜福利一区二区在线看| 免费久久久久久久精品成人欧美视频| 国产在线观看jvid| av又黄又爽大尺度在线免费看| 丝袜喷水一区| 一本—道久久a久久精品蜜桃钙片| 亚洲av成人不卡在线观看播放网 | 亚洲中文av在线| 校园人妻丝袜中文字幕| 久热这里只有精品99| 国产精品人妻久久久影院| 精品亚洲乱码少妇综合久久| 精品熟女少妇八av免费久了| 丰满饥渴人妻一区二区三| 纵有疾风起免费观看全集完整版| 一级毛片我不卡| 国产免费现黄频在线看| xxxhd国产人妻xxx| 成人午夜精彩视频在线观看| 99热网站在线观看| 亚洲 国产 在线| 亚洲人成电影免费在线| 欧美亚洲日本最大视频资源| 男的添女的下面高潮视频| av不卡在线播放| 欧美日韩亚洲综合一区二区三区_| 亚洲色图综合在线观看| 一本一本久久a久久精品综合妖精| 一边亲一边摸免费视频| 国产成人系列免费观看| 两人在一起打扑克的视频| 国产深夜福利视频在线观看| 99精品久久久久人妻精品| 在线观看www视频免费| 亚洲av欧美aⅴ国产| 亚洲一区中文字幕在线| 少妇裸体淫交视频免费看高清 | 亚洲免费av在线视频| 又紧又爽又黄一区二区| 少妇裸体淫交视频免费看高清 | 国产亚洲精品第一综合不卡| 亚洲欧美成人综合另类久久久| 999久久久国产精品视频| 精品一区二区三区四区五区乱码 | 国产91精品成人一区二区三区 | 亚洲 欧美一区二区三区| 两个人免费观看高清视频| 首页视频小说图片口味搜索 | 久久久久久久久久久久大奶| 亚洲自偷自拍图片 自拍| 美女高潮到喷水免费观看| 久久 成人 亚洲| www.av在线官网国产| 亚洲 欧美一区二区三区| 亚洲国产精品999| www.熟女人妻精品国产| 午夜福利乱码中文字幕| 日本猛色少妇xxxxx猛交久久| 国产在线观看jvid| 中文字幕色久视频| 国产又爽黄色视频| 亚洲精品国产一区二区精华液|