• <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 ?

    多尺度融合特征卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究

    2024-12-31 00:00:00徐春雨賈睿
    無線互聯(lián)科技 2024年22期
    關(guān)鍵詞:圖像分類特征融合卷積神經(jīng)網(wǎng)絡(luò)

    摘要:針對深度卷積神經(jīng)網(wǎng)絡(luò)在進行圖像分類時,隨著深度的增加可能出現(xiàn)的梯度彌散以及由于卷積核尺度不合適出現(xiàn)的特征提取能力不足等問題,文章提出了一種多尺度融合特征的深度卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)的主要結(jié)構(gòu)由包含多尺度卷積核的卷積層、多層感知機與池化層堆疊構(gòu)成,在特征提取完成后,經(jīng)過特征融合層與全連接層相連,輸入Softmax分類器完成圖像分類。實驗結(jié)果表明,與深度卷積神經(jīng)網(wǎng)絡(luò)相比,該網(wǎng)絡(luò)模型提高了CIFAR-10數(shù)據(jù)集的圖像分類精度,具有較強的魯棒性。

    關(guān)鍵詞:圖像分類;卷積神經(jīng)網(wǎng)絡(luò);卷積核;特征融合

    中圖分類號:TP183;TP391.41" 文獻(xiàn)標(biāo)志碼:A

    作者簡介:徐春雨(1978— ),女,講師,碩士;研究方向:人工智能,計算機視覺。

    0" 引言

    深度卷積神經(jīng)網(wǎng)絡(luò)通常由多個非線性的卷積層與池化層堆疊而成,隨著網(wǎng)絡(luò)深度的加深,能夠改善網(wǎng)絡(luò)結(jié)構(gòu)的性能,提升圖像分類的精度。但是,當(dāng)網(wǎng)絡(luò)進一步加深時,可能會導(dǎo)致網(wǎng)絡(luò)性能的退化而使得網(wǎng)絡(luò)無法收斂。另外,合適的卷積核尺寸對圖像分類結(jié)果有著很大的影響[1]。同時,在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中,每個卷積層通常采用單一尺度的卷積核,故當(dāng)卷積核尺寸不合適時,容易帶來網(wǎng)絡(luò)特征提取能力不足,導(dǎo)致?lián)p失圖像特征有效信息的問題;池化過程的實質(zhì)是對特征圖像進行下采樣,當(dāng)采樣間隔較小時,經(jīng)過卷積運算與最大值池化,網(wǎng)絡(luò)輸出能夠重構(gòu)與輸入圖像相似的圖像[2],但是過小的采樣間隔會使網(wǎng)絡(luò)喪失不變性,而過大的采樣間隔會損失特征圖像的細(xì)節(jié)信息,這兩者都會導(dǎo)致圖像分類準(zhǔn)確率下降。

    基于以上問題,本文提出了一種多尺度融合特征的深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Networks with Multi-Scale Fusion Features,DCNN-MSFF),首先,整個網(wǎng)絡(luò)的主要結(jié)構(gòu)由卷積層與池化層堆疊構(gòu)成,后接入2個全連接層,再接入輸出層;其次,每個卷積層由多尺度的卷積核構(gòu)成,在每個卷積層與池化層中間添加一個多層感知機層,主要作用是實現(xiàn)跨通道的信息融合;最后,在所有的卷積與池化操作均完成后,進行特征融合并與全連接層相連,輸入Softmax分類器完成圖像分類。

    1" 模型優(yōu)化策略

    為了提升網(wǎng)絡(luò)模型的性能,本文須要對網(wǎng)絡(luò)模型進行優(yōu)化,常用的模型優(yōu)化策略主要包括如下2種:正則化(Regulization)機制以及批標(biāo)準(zhǔn)化(Batch Normalization,BN)[3]。

    1.1" Dropout技術(shù)

    正則化機制主要包括2種方法,分別是權(quán)值衰減和Dropout技術(shù)[4-6]。在圖像分類的模型中,為了防止模型出現(xiàn)過擬合現(xiàn)象,通常使用的優(yōu)化策略是Dropout技術(shù)。Dropout技術(shù)是一種在訓(xùn)練過程中隨機刪除神經(jīng)元的方法,在訓(xùn)練過程中一部分神經(jīng)元輸出值為0,系統(tǒng)將使這些神經(jīng)元失效,并非將神經(jīng)元從網(wǎng)絡(luò)結(jié)構(gòu)中刪除。在反向傳播過程中,這些失效的神經(jīng)元不會參與權(quán)重參數(shù)的更新。在下輪的訓(xùn)練中,系統(tǒng)會再次隨機選擇一部分神經(jīng)元使其失效。通過這種方式減少網(wǎng)絡(luò)模型中權(quán)重參數(shù)的數(shù)量,降低網(wǎng)絡(luò)模型的復(fù)雜性,從而達(dá)到抑制過擬合的作用。該方法的工作原理如圖1所示。

    Dropout技術(shù)不僅可以降低模型發(fā)生過擬合現(xiàn)象的可能性,還減少了網(wǎng)絡(luò)模型的計算量,加快了網(wǎng)絡(luò)的收斂速度。Dropout技術(shù)的數(shù)學(xué)表達(dá)式如式(1)所示。

    y=m*a(Wx)(1)

    其中,x為輸入,是n×1維的向量,W為權(quán)重矩陣,a(x)為激活函數(shù),m為n×1維向量,m中的元素由0和1構(gòu)成,0表示失效的神經(jīng)元,1表示正常的神經(jīng)元。m與a(Wx)中的元素對應(yīng)相乘。本文使用Dropout技術(shù),即使是表現(xiàn)力很強的網(wǎng)絡(luò),仍然能夠抑制過擬合現(xiàn)象的發(fā)生。

    1.2" BN算法

    在深度學(xué)習(xí)中,每批輸入數(shù)據(jù)分布的不同都會導(dǎo)致網(wǎng)絡(luò)須要不斷學(xué)習(xí)來適應(yīng)不同的數(shù)據(jù)分布,既降低了網(wǎng)絡(luò)模型的收斂速度,又降低了模型的泛化能力。因此,本文須要考慮每批數(shù)據(jù)在輸入網(wǎng)絡(luò)之前能夠保持同一數(shù)據(jù)分布。BN(Batch Normalization)算法的主要思路是調(diào)整網(wǎng)絡(luò)中各層激活值的分布使其具有適當(dāng)?shù)膹V度,對網(wǎng)絡(luò)中每層輸入數(shù)據(jù)的分布進行正規(guī)化,即將網(wǎng)絡(luò)中每層輸入加入BN層。加入BN層的卷積神經(jīng)網(wǎng)絡(luò)如圖2所示。

    圖2中,構(gòu)建了一個簡單卷積神經(jīng)網(wǎng)絡(luò),在該網(wǎng)絡(luò)中的卷積層與池化層中間添加一個BN層。BN層對卷積運算后所得的結(jié)果進行數(shù)據(jù)分布調(diào)整,即數(shù)據(jù)正規(guī)化。在訓(xùn)練過程中,BN算法以一個批次(batch)的數(shù)據(jù)為單位,按照一個批次的數(shù)據(jù)進行正規(guī)化,即使數(shù)據(jù)服從均值為0、方差為1的分布。具體方法如式(2)所示。

    μB=1m∑mi=1xi

    σ2B=1m∑mi=1(xi-μB)2

    x^i=xi-μBσ2B+ε(2)

    其中,μB和σ2B分別為一個批次的輸入數(shù)據(jù)集合B={x1,x2,…,xm}的均值和方差。對輸入數(shù)據(jù)進行均值為0、方差為1的正規(guī)化,ε是一個微小值,作用主要是防止出現(xiàn)除數(shù)為0的情況,x^i為輸入數(shù)據(jù)xi正規(guī)化后所得結(jié)果,BN層將對正規(guī)化后的數(shù)據(jù)進行縮放和平移變換,如式(3)所示。

    yi=γx^i+β(3)

    其中,γ和β為須要學(xué)習(xí)的權(quán)重參數(shù),設(shè)其初始值分別為γ=1,β=0,經(jīng)過網(wǎng)絡(luò)學(xué)習(xí)將其調(diào)整到合適的值。BN層既可以在插入激活函數(shù)之前,又可以在插入激活函數(shù)之后,這樣可以減小輸入數(shù)據(jù)分布的偏向。在網(wǎng)絡(luò)中增加BN層,可以有效推動訓(xùn)練過程的進行并降低網(wǎng)絡(luò)對權(quán)重參數(shù)的初始值的依賴。該算法可以被應(yīng)用于很多類型的神經(jīng)元網(wǎng)絡(luò)中。

    2" 網(wǎng)絡(luò)模型設(shè)計

    2.1" 網(wǎng)絡(luò)基本結(jié)構(gòu)

    為了進一步增強卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力,降低深度卷積神經(jīng)網(wǎng)絡(luò)的深度,提升網(wǎng)絡(luò)模型的性能,本文設(shè)計了一種DCNN-MSFF。DCNN-MSFF網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

    由圖3可知,所提方案首先通過一個3×3的卷積層,然后通過堆疊多個集成單元加上一個特征融合層以及2個全連接層,最后通過Softmax輸出層,構(gòu)成了MSFF網(wǎng)絡(luò)。圖3中被虛線框出的部分為一個集成單元,每個集成單元由3個不同尺度的卷積層、多層感知機和池化層構(gòu)成。所提方案在每個尺度的卷積層后添加一個多層感知機層用來融合不同通道的特征信息;每個集成單元的最后為池化層,對提取的特征信息進行降維,池化算法采用最大值池化;經(jīng)過3個堆疊的集成單元后,對所得信息進行特征融合,形成特征融合層,特征融合的基本過程如圖4所示。A、B、C表示經(jīng)過3個集成單元中不同尺度的卷積運算以及池化操作所得到的圖像特征信息,將特征信息由二維數(shù)據(jù)形式展開成一維特征向量,經(jīng)過全連接層以及Softmax后得到最終的分類結(jié)果。模型優(yōu)化策略采用BN算法和Dropout技術(shù)。

    2.2" 網(wǎng)絡(luò)模型結(jié)構(gòu)分析

    在DCNN-MSFF網(wǎng)絡(luò)結(jié)構(gòu)中,每個集成單元所構(gòu)建的3個不同尺度卷積層主要用于增強網(wǎng)絡(luò)特征提取的能力,同時能夠減少網(wǎng)絡(luò)模型的深度;每個尺度的卷積層后的多層感知機層用來融合不同通道的特征信息;池化層對提取到的特征信息進行降維。經(jīng)過多個堆疊的集成單元后,本文對所得信息進行特征融合,其可將具有差異性的特征信息進行融合,從而使圖像特征信息的區(qū)分度更高,使圖像的表達(dá)能力更好,最后經(jīng)過全連接層以及Softmax后得到最終的分類結(jié)果。

    當(dāng)使用CNN進行圖像分類時,卷積核的大小與分類結(jié)果密切相關(guān)。當(dāng)卷積核的尺寸較大時,有利于提取圖像的全局信息;當(dāng)卷積核較小時,有利于提取圖像的細(xì)節(jié)信息。當(dāng)CNN模型中只采用單一尺度進行卷積運算時,可能會存在圖像的全局特征信息與局部特征信息丟失的情況,從而導(dǎo)致圖像分類準(zhǔn)確率下降。使用多尺度的卷積神經(jīng)網(wǎng)絡(luò)能夠減少圖像特征信息的損失,即在卷積層中使用不同尺度的卷積核與圖像進行卷積運算。若不同尺度卷積核的數(shù)量過多,則容易造成網(wǎng)絡(luò)模型的權(quán)重參數(shù)過多,使模型的表現(xiàn)力過強從而造成過擬合現(xiàn)象。因此,當(dāng)進行網(wǎng)絡(luò)模型設(shè)計時,本文在卷積層采用3個不同尺度的卷積核進行卷積運算,尺度分別為2×2、3×3和5×5。為了減少權(quán)重參數(shù)的數(shù)量,尺度為5×5的卷積核用2個3×3的卷積核替代,經(jīng)過不同尺度的卷積運算提取特征,既包括圖像的全局信息(卷積核尺度為5×5),又包括圖像的細(xì)節(jié)信息(卷積核尺度為2×2和3×3)。

    3" 實驗與結(jié)果分析

    本文使用CIFAR-10數(shù)據(jù)集為樣本數(shù)據(jù),對DCNN-MSFF網(wǎng)絡(luò)模型進行訓(xùn)練并與單一尺度的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)模型進行對比,從圖像分類的精度、網(wǎng)絡(luò)的收斂速度以及網(wǎng)絡(luò)的泛化性能等方面分析實驗結(jié)果。實驗平臺使用高性能計算機工作站,該工作站配置1塊CPU和2塊2080ti的GPU,其中,CPU型號為美國Intel公司生產(chǎn)的intel Xeon W-2150b,GPU型號為美國NVIDIA公司生產(chǎn)的NVIDIA GeForce RTX 2080ti。深度學(xué)習(xí)框架采用TensorFlow框架,版本為2.3。

    3.1" 實驗過程

    CIFAR-10數(shù)據(jù)集共有60000張圖片,其中50000張訓(xùn)練圖片,10000張測試圖片;共10個類別,每張圖片的大小為32×32×3。按照圖3所示的網(wǎng)絡(luò)結(jié)構(gòu),針對CIFAR-10數(shù)據(jù)集,設(shè)置網(wǎng)絡(luò)模型參數(shù),DCNN-MSFF模型各尺度的參數(shù)設(shè)置如表1—3所示。最后的2個全連接層神經(jīng)元個數(shù)為256,輸出層神經(jīng)元個數(shù)為10。

    DCNN-MSFF網(wǎng)絡(luò)訓(xùn)練過程中的其他參數(shù)設(shè)置如表4所示。

    與DCNN-MSFF網(wǎng)絡(luò)對比的單一尺度的CNN網(wǎng)絡(luò)模型主要由3組卷積層與池化層堆疊而成,采用3組堆疊主要是為了與DCNN-MSFF網(wǎng)絡(luò)模型進行比較,之后與2個全連接層相連并通過Softmax分類器進行圖像分類,網(wǎng)絡(luò)模型如圖5所示,具體參數(shù)如表5所示。

    與DCNN-MSFF網(wǎng)絡(luò)模型相比,CNN模型須要經(jīng)過多次迭代后才有可能收斂,因此,CNN模型的迭代次數(shù)設(shè)置為100次,訓(xùn)練過程中的具體參數(shù)如表6所示。

    3.2" 結(jié)果分析

    在DCNN-MSFF網(wǎng)絡(luò)模型與CNN模型參數(shù)設(shè)置完畢,本文使用CIFAR-10數(shù)據(jù)集作為訓(xùn)練集對這2個網(wǎng)絡(luò)模型進行訓(xùn)練,2種模型的訓(xùn)練結(jié)果如圖6所示。

    圖6為2種模型的訓(xùn)練結(jié)果。圖6(a)表示2種模型的訓(xùn)練誤差,由圖可知,DCNN-MSFF模型的損失函數(shù)值明顯下降得更快,僅訓(xùn)練了30次的損失函數(shù)值遠(yuǎn)小于CNN模型訓(xùn)練了100次的損失函數(shù)值。圖6(b)表示2種模型的圖像分類精度,由圖可知,DCNN-MSFF模型的圖像分類精度高于CNN模型;當(dāng)網(wǎng)絡(luò)迭代為20次以上時則可達(dá)到90%以上,而CNN模型迭代了100次,其圖像分類精度也只有近80%。2個模型的圖像分類精度及泛化能力評估如表7所示。

    表7中泛化能力評估的計算方法為測試集的分類精度與訓(xùn)練集的分類精度之差的絕對值除以訓(xùn)練集的分類精度[7]。若所得計算結(jié)果較小,則說明訓(xùn)練集的分類精度較高,同時訓(xùn)練集的分類精度與測試集的分類精度較接近,此時模型的訓(xùn)練效果好并且泛化能力強。

    由網(wǎng)絡(luò)模型訓(xùn)練結(jié)果可以看出,對于相同的訓(xùn)練數(shù)據(jù)集,DCNN-MSFF網(wǎng)絡(luò)的收斂速度更快,能夠在短時間內(nèi),快速下降到網(wǎng)絡(luò)的收斂值,主要原因是DCNN-MSFF網(wǎng)絡(luò)的深度較淺,網(wǎng)絡(luò)結(jié)構(gòu)更多的是縱向擴展,能夠快速進行正向計算和反向傳播,由于減小了網(wǎng)絡(luò)結(jié)構(gòu)的深度,因而降低了梯度彌散的可能性。DCNN-MSFF模型的圖像分類精度高于CNN模型的圖像分類精度,主要原因是DCNN-MSFF模型通過不同尺度的卷積核提取了不同尺度的圖像特征,增強了網(wǎng)絡(luò)特征提取的能力,使得模型在通過全連接層進行圖像分類時能夠?qū)D像進行更準(zhǔn)確的識別;另外,DCNN-MSFF模型還在2次卷積層之間添加了多層感知機,對提取的特征進行了通道融合,也進一步提升了網(wǎng)絡(luò)特征提取的能力。從泛化能力的評估結(jié)果可以看出,DCNN-MSFF模型的泛化能力優(yōu)于CNN模型。綜上,無論針對訓(xùn)練集還是測試集,DCNN-MSFF模型的圖像分類準(zhǔn)確率均高于CNN模型,DCNN-MSFF模型的收斂速度更快,這說明DCNN-MSFF模型是有效的,且該模型的特征提取更強,泛化能力也優(yōu)于CNN模型,具有較強的魯棒性。

    4" 結(jié)語

    當(dāng)網(wǎng)絡(luò)深度進一步加深并進行網(wǎng)絡(luò)反向傳播時,深度卷積神經(jīng)網(wǎng)絡(luò)容易產(chǎn)生梯度彌散的現(xiàn)象,從而使網(wǎng)絡(luò)性能迅速下降并導(dǎo)致網(wǎng)絡(luò)無法收斂;當(dāng)卷積核尺寸不合適時,將產(chǎn)生網(wǎng)絡(luò)特征提取能力不足,進而損失特征圖像的有效信息。針對以上問題,本文提出了DCNN-MSFF網(wǎng)絡(luò)模型,網(wǎng)絡(luò)模型由3個集成單元構(gòu)成,每個集成單元中包含了不同尺度的卷積核,增強了網(wǎng)絡(luò)特征提取的能力,降低了網(wǎng)絡(luò)模型的深度。相較于傳統(tǒng)的CNN網(wǎng)絡(luò)模型,DCNN-MSFF網(wǎng)絡(luò)模型提高了圖像分類的精度并具有較強的魯棒性。

    參考文獻(xiàn)

    [1]COATES A, NG A Y, LEE H. An analysis of single-layer networks in unsupervised feature learning[J]. Journal of Machine Learning Research,2011,15:215-223.

    [2]ZENLER M D, FERGUS R. Proceedings of the 13th European Conference Computer Vision on Visualizing and Understanding Convolutional Neural Networks, September 6-12,2014[C]. Berlin:Springer,2014.

    [3]LUO G Q, LI J H, ZUO W T. Improved batch normalization algorithm for deep learning[J]. Computer Systems and Applications,2020(4):187-194.

    [4]SRIVASTAVA N, HINTOM G E, KRIZHEVSKY A, et al. Dropout:a simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014(1):1929-1958.

    [5]YOO H J. Deep convolution neural networks in computer vision[J]. IEEE Transactions on Smart Processing and Computing, 2015(1):35-43.

    [6]魏雄,王子樊.融合多尺度卷積和BiGRU網(wǎng)絡(luò)的人類活動識別模型[J].計算機應(yīng)用,2023(增刊2):72-76.

    [7]朱曉寧.深度神經(jīng)網(wǎng)絡(luò)在圖像識別中的研究與應(yīng)用[D].北京:北京郵電大學(xué),2019.

    (編輯" 王雪芬)

    Research on image classification algorithm based on multi-scale fusion features of

    convolutional neural network

    XU" Chunyu, JIA" Rui

    (Liaoning Provincial College of Communications, Shenyang 110122, China)

    Abstract: When the deep convolutional neural networks are used for image classification, the problems such as gradient vanishing with increasing depth and the insufficient feature extraction ability due to inappropriate convolution kernel scale, a deep convolutional neural network with multi-scale fusion features is proposed to solve these problems. The main structure of this network consists of the convolutional layers containing multi-scale convolution kernels, stacked layers of perceptron,and pooling layers. After the feature extraction is completed,it is connected to fully connected layers through a feature fusion layer, and input into a Softmax classifier to complete image classification. The experimental result show that compared with deep convolutional neural network, the network model can improve the image classification accuracy of the CIFAR-10 dataset and have strong robustness.

    Key words: image classification; convolutional neural network; convolution kernel; feature fusion

    猜你喜歡
    圖像分類特征融合卷積神經(jīng)網(wǎng)絡(luò)
    基于移動端的樹木葉片識別方法的研究
    科技資訊(2017年11期)2017-06-09 18:28:13
    基于SIFT特征的港口內(nèi)艦船檢測方法
    融合整體與局部特征的車輛型號識別方法
    基于云計算的圖像分類算法
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    基于錨點建圖的半監(jiān)督分類在遙感圖像中的應(yīng)用
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    一種基于引導(dǎo)濾波和MNF的高光譜遙感圖像分類方法
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于最大似然法的南京市土地利用類型分類研究
    商(2016年22期)2016-07-08 14:32:30
    中文字幕人妻熟女乱码| 99国产精品一区二区三区| 九色亚洲精品在线播放| 国产真人三级小视频在线观看| 亚洲中文av在线| 成人手机av| 日韩大片免费观看网站| 高清欧美精品videossex| 久久久久久久大尺度免费视频| 18禁国产床啪视频网站| 国产精品成人在线| 久久久久久久久免费视频了| 动漫黄色视频在线观看| 人人妻人人爽人人添夜夜欢视频| 久久九九热精品免费| 午夜日韩欧美国产| 久久久久久久国产电影| 亚洲精品粉嫩美女一区| 黄色片一级片一级黄色片| 青春草亚洲视频在线观看| 在线 av 中文字幕| 欧美黑人精品巨大| 亚洲精品自拍成人| 久久热在线av| 免费在线观看影片大全网站| 欧美日本中文国产一区发布| 亚洲人成电影免费在线| 免费一级毛片在线播放高清视频 | 美女国产高潮福利片在线看| 巨乳人妻的诱惑在线观看| 最近中文字幕2019免费版| 国产国语露脸激情在线看| 亚洲情色 制服丝袜| 老熟妇乱子伦视频在线观看 | 久久香蕉激情| 精品少妇久久久久久888优播| 亚洲三区欧美一区| 欧美午夜高清在线| 午夜福利在线观看吧| 亚洲第一欧美日韩一区二区三区 | 女性被躁到高潮视频| 丝瓜视频免费看黄片| 亚洲精品粉嫩美女一区| 亚洲av男天堂| 在线 av 中文字幕| 国产免费av片在线观看野外av| 欧美在线一区亚洲| 成人18禁高潮啪啪吃奶动态图| 美女国产高潮福利片在线看| 两个人免费观看高清视频| 亚洲一码二码三码区别大吗| 国产激情久久老熟女| 丝袜脚勾引网站| 精品视频人人做人人爽| 99国产精品一区二区蜜桃av | 亚洲天堂av无毛| 精品第一国产精品| 在线亚洲精品国产二区图片欧美| 岛国毛片在线播放| 麻豆国产av国片精品| 亚洲情色 制服丝袜| 在线观看www视频免费| 精品乱码久久久久久99久播| 精品熟女少妇八av免费久了| 咕卡用的链子| 青春草视频在线免费观看| 最近最新中文字幕大全免费视频| www.熟女人妻精品国产| 一区二区三区激情视频| 蜜桃在线观看..| 国产成人影院久久av| 爱豆传媒免费全集在线观看| 欧美大码av| 国产精品国产三级国产专区5o| a级片在线免费高清观看视频| 欧美亚洲 丝袜 人妻 在线| 搡老乐熟女国产| 国产亚洲av高清不卡| 亚洲第一青青草原| 国产成人一区二区三区免费视频网站| 亚洲自偷自拍图片 自拍| 日本91视频免费播放| 51午夜福利影视在线观看| 大片电影免费在线观看免费| 国产亚洲一区二区精品| 欧美日韩中文字幕国产精品一区二区三区 | 两性午夜刺激爽爽歪歪视频在线观看 | 啪啪无遮挡十八禁网站| 大片电影免费在线观看免费| 美女视频免费永久观看网站| 巨乳人妻的诱惑在线观看| 永久免费av网站大全| 欧美中文综合在线视频| 动漫黄色视频在线观看| 99国产精品免费福利视频| 十八禁人妻一区二区| 大片电影免费在线观看免费| 精品乱码久久久久久99久播| 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| 最近中文字幕2019免费版| 一本—道久久a久久精品蜜桃钙片| 久久精品国产综合久久久| 国产成人系列免费观看| 桃红色精品国产亚洲av| 亚洲成人手机| 久久国产精品男人的天堂亚洲| 精品福利永久在线观看| 中国国产av一级| 国产亚洲一区二区精品| 十八禁网站免费在线| 久久香蕉激情| 老司机影院成人| 久热这里只有精品99| 免费看十八禁软件| 国产成人a∨麻豆精品| 亚洲成人免费av在线播放| 久久精品国产亚洲av高清一级| 日本猛色少妇xxxxx猛交久久| 日韩一区二区三区影片| 国产免费现黄频在线看| 欧美另类一区| 韩国精品一区二区三区| 亚洲欧美精品自产自拍| 午夜免费鲁丝| 亚洲伊人色综图| 少妇裸体淫交视频免费看高清 | 每晚都被弄得嗷嗷叫到高潮| 欧美激情高清一区二区三区| 亚洲精品国产色婷婷电影| 日韩中文字幕欧美一区二区| 国产成人精品在线电影| 一级片'在线观看视频| 久久人人爽人人片av| 久久久久精品人妻al黑| 中文精品一卡2卡3卡4更新| av免费在线观看网站| 免费在线观看完整版高清| av福利片在线| 97人妻天天添夜夜摸| 18禁国产床啪视频网站| 极品人妻少妇av视频| av不卡在线播放| 国产免费av片在线观看野外av| 如日韩欧美国产精品一区二区三区| 啦啦啦在线免费观看视频4| 亚洲 国产 在线| 亚洲欧美一区二区三区黑人| 欧美大码av| 纯流量卡能插随身wifi吗| 丝袜美腿诱惑在线| 青春草亚洲视频在线观看| 三上悠亚av全集在线观看| 最近中文字幕2019免费版| 国产精品免费大片| www.自偷自拍.com| 亚洲精品自拍成人| 黄色毛片三级朝国网站| 日韩电影二区| 亚洲欧美成人综合另类久久久| 欧美人与性动交α欧美软件| 国产精品久久久人人做人人爽| 制服诱惑二区| 免费在线观看视频国产中文字幕亚洲 | 人人妻人人澡人人看| 亚洲欧美清纯卡通| 黄片小视频在线播放| 国产成人一区二区三区免费视频网站| 亚洲欧美日韩另类电影网站| 国产福利在线免费观看视频| 淫妇啪啪啪对白视频 | 久久性视频一级片| 免费在线观看视频国产中文字幕亚洲 | 桃花免费在线播放| 亚洲三区欧美一区| 天天添夜夜摸| 精品第一国产精品| 国产真人三级小视频在线观看| 一区二区三区精品91| 91精品国产国语对白视频| 国产真人三级小视频在线观看| 久久性视频一级片| 美女国产高潮福利片在线看| 国产一区二区激情短视频 | 高清视频免费观看一区二区| 久久久久视频综合| 12—13女人毛片做爰片一| 亚洲九九香蕉| 欧美精品av麻豆av| 午夜影院在线不卡| 国产国语露脸激情在线看| 亚洲一区中文字幕在线| 国产在线免费精品| 亚洲欧洲精品一区二区精品久久久| 女人被躁到高潮嗷嗷叫费观| 美女大奶头黄色视频| 精品国内亚洲2022精品成人 | 免费在线观看视频国产中文字幕亚洲 | 十分钟在线观看高清视频www| 侵犯人妻中文字幕一二三四区| 国产一区二区激情短视频 | 欧美黑人欧美精品刺激| 精品欧美一区二区三区在线| 亚洲精品国产av蜜桃| 亚洲七黄色美女视频| 91老司机精品| 久久精品国产亚洲av香蕉五月 | 亚洲精品自拍成人| 99国产精品一区二区三区| 亚洲成av片中文字幕在线观看| 国产成人免费观看mmmm| 亚洲精品国产区一区二| 男女边摸边吃奶| 久久国产亚洲av麻豆专区| 老汉色av国产亚洲站长工具| 多毛熟女@视频| 韩国精品一区二区三区| 后天国语完整版免费观看| 又黄又粗又硬又大视频| 深夜精品福利| 亚洲国产中文字幕在线视频| 日本五十路高清| 亚洲精品日韩在线中文字幕| 欧美国产精品va在线观看不卡| 老汉色av国产亚洲站长工具| 亚洲欧洲精品一区二区精品久久久| av天堂在线播放| 免费看十八禁软件| 女性被躁到高潮视频| 岛国毛片在线播放| 久久人人爽av亚洲精品天堂| 一区二区日韩欧美中文字幕| 18禁裸乳无遮挡动漫免费视频| 动漫黄色视频在线观看| 国产免费福利视频在线观看| 99久久综合免费| 久久久欧美国产精品| 老司机午夜十八禁免费视频| 亚洲国产欧美日韩在线播放| 亚洲精品久久久久久婷婷小说| 两个人免费观看高清视频| 精品久久久久久电影网| 亚洲国产欧美日韩在线播放| 免费人妻精品一区二区三区视频| a级毛片黄视频| 大香蕉久久网| 久久国产精品人妻蜜桃| 日韩欧美一区视频在线观看| 久久这里只有精品19| 一区二区三区激情视频| 久久天躁狠狠躁夜夜2o2o| 欧美日韩国产mv在线观看视频| 欧美激情 高清一区二区三区| 在线av久久热| 美女视频免费永久观看网站| 嫁个100分男人电影在线观看| 国产成+人综合+亚洲专区| 老汉色av国产亚洲站长工具| 午夜久久久在线观看| 欧美+亚洲+日韩+国产| 亚洲精品自拍成人| 午夜激情av网站| 黑丝袜美女国产一区| 黄色a级毛片大全视频| 国产又爽黄色视频| 国产欧美日韩综合在线一区二区| 一边摸一边抽搐一进一出视频| 欧美日韩中文字幕国产精品一区二区三区 | 国产一区二区在线观看av| 麻豆乱淫一区二区| 人成视频在线观看免费观看| 真人做人爱边吃奶动态| 国产欧美亚洲国产| 国产一区二区 视频在线| 久久国产精品男人的天堂亚洲| 国产成人av教育| 国产精品免费视频内射| 伊人亚洲综合成人网| 丰满少妇做爰视频| 久久女婷五月综合色啪小说| 亚洲色图综合在线观看| 欧美激情 高清一区二区三区| 人妻久久中文字幕网| 狠狠精品人妻久久久久久综合| 免费看十八禁软件| 亚洲一区中文字幕在线| 狠狠狠狠99中文字幕| 91精品伊人久久大香线蕉| 欧美黄色片欧美黄色片| 亚洲人成电影免费在线| 美国免费a级毛片| 丁香六月天网| 色精品久久人妻99蜜桃| 日本vs欧美在线观看视频| 国产精品久久久久成人av| 在线永久观看黄色视频| 嫁个100分男人电影在线观看| av国产精品久久久久影院| 丝瓜视频免费看黄片| 久久精品国产亚洲av高清一级| 国产亚洲午夜精品一区二区久久| 激情视频va一区二区三区| 女性生殖器流出的白浆| 亚洲第一欧美日韩一区二区三区 | 在线观看免费高清a一片| 免费黄频网站在线观看国产| 人成视频在线观看免费观看| 黑人欧美特级aaaaaa片| 伊人久久大香线蕉亚洲五| 在线看a的网站| 久久国产精品人妻蜜桃| 久久精品国产a三级三级三级| 久久99一区二区三区| 欧美另类亚洲清纯唯美| 精品人妻1区二区| 国产欧美日韩一区二区精品| 美女视频免费永久观看网站| 久9热在线精品视频| 激情视频va一区二区三区| 亚洲激情五月婷婷啪啪| 97人妻天天添夜夜摸| 在线看a的网站| 又黄又粗又硬又大视频| 欧美xxⅹ黑人| 免费日韩欧美在线观看| 高清黄色对白视频在线免费看| 午夜福利影视在线免费观看| 免费观看av网站的网址| 亚洲av片天天在线观看| 亚洲视频免费观看视频| 自拍欧美九色日韩亚洲蝌蚪91| 丁香六月天网| av片东京热男人的天堂| 精品亚洲成国产av| 一区二区av电影网| 秋霞在线观看毛片| 精品免费久久久久久久清纯 | a在线观看视频网站| 水蜜桃什么品种好| 1024视频免费在线观看| 国产亚洲av片在线观看秒播厂| 一进一出抽搐动态| 老熟女久久久| 色婷婷av一区二区三区视频| 成年av动漫网址| 最黄视频免费看| 999精品在线视频| 两性夫妻黄色片| 国产精品一二三区在线看| 色精品久久人妻99蜜桃| 久久人人爽人人片av| 电影成人av| 亚洲国产精品成人久久小说| 国产免费福利视频在线观看| 一边摸一边抽搐一进一出视频| 男女免费视频国产| a 毛片基地| 纵有疾风起免费观看全集完整版| 97人妻天天添夜夜摸| 欧美精品一区二区大全| 777久久人妻少妇嫩草av网站| 人成视频在线观看免费观看| 一级a爱视频在线免费观看| 最近最新中文字幕大全免费视频| 老熟妇乱子伦视频在线观看 | 99九九在线精品视频| 国产一区二区三区综合在线观看| av国产精品久久久久影院| 久久久久精品人妻al黑| 国产1区2区3区精品| 成年人免费黄色播放视频| 黄色a级毛片大全视频| 男女床上黄色一级片免费看| 国精品久久久久久国模美| 亚洲国产日韩一区二区| 国产成人免费无遮挡视频| 日韩,欧美,国产一区二区三区| 黄色a级毛片大全视频| 亚洲精品美女久久久久99蜜臀| 两个人看的免费小视频| 在线精品无人区一区二区三| 久久 成人 亚洲| www.av在线官网国产| 国产1区2区3区精品| 欧美日韩中文字幕国产精品一区二区三区 | 国产伦人伦偷精品视频| 91国产中文字幕| 熟女少妇亚洲综合色aaa.| 日韩制服丝袜自拍偷拍| 亚洲熟女精品中文字幕| 97精品久久久久久久久久精品| 亚洲国产日韩一区二区| 欧美精品av麻豆av| 国产淫语在线视频| 亚洲国产av新网站| 国产视频一区二区在线看| 俄罗斯特黄特色一大片| 久久综合国产亚洲精品| 亚洲性夜色夜夜综合| 欧美另类亚洲清纯唯美| 亚洲成人免费av在线播放| 一进一出抽搐动态| 不卡一级毛片| 视频在线观看一区二区三区| 国产成人a∨麻豆精品| 黄片小视频在线播放| 日韩大片免费观看网站| 建设人人有责人人尽责人人享有的| 久久人妻熟女aⅴ| 50天的宝宝边吃奶边哭怎么回事| 午夜福利视频在线观看免费| 香蕉国产在线看| 午夜激情av网站| 男女下面插进去视频免费观看| 不卡av一区二区三区| 99国产综合亚洲精品| 少妇猛男粗大的猛烈进出视频| 宅男免费午夜| 国产亚洲午夜精品一区二区久久| 波多野结衣av一区二区av| 午夜老司机福利片| 久久人人爽人人片av| 在线看a的网站| 久久国产亚洲av麻豆专区| 人人妻人人爽人人添夜夜欢视频| 欧美日韩亚洲国产一区二区在线观看 | 99国产极品粉嫩在线观看| 一区二区三区精品91| 热re99久久国产66热| 亚洲成人国产一区在线观看| 亚洲av美国av| 99热网站在线观看| 黄色 视频免费看| 最近最新免费中文字幕在线| 欧美人与性动交α欧美软件| 日本a在线网址| 亚洲国产欧美日韩在线播放| 精品福利永久在线观看| 一本久久精品| 90打野战视频偷拍视频| 欧美 亚洲 国产 日韩一| 久久久久久久久久久久大奶| 婷婷色av中文字幕| 国产麻豆69| 一个人免费看片子| 丰满人妻熟妇乱又伦精品不卡| 亚洲男人天堂网一区| 91精品国产国语对白视频| 国产有黄有色有爽视频| 亚洲欧美精品综合一区二区三区| 麻豆国产av国片精品| 人人妻,人人澡人人爽秒播| 亚洲第一欧美日韩一区二区三区 | 午夜免费成人在线视频| 国产男女内射视频| 男女床上黄色一级片免费看| 午夜91福利影院| 国产福利在线免费观看视频| 性色av一级| 99久久国产精品久久久| 青春草视频在线免费观看| 中国国产av一级| 国产亚洲欧美在线一区二区| 不卡av一区二区三区| 免费看十八禁软件| 999久久久国产精品视频| 国产精品亚洲av一区麻豆| 国产av一区二区精品久久| 色视频在线一区二区三区| 91成年电影在线观看| 老司机影院成人| 黄片大片在线免费观看| 亚洲精品一区蜜桃| 国产精品免费大片| 日韩,欧美,国产一区二区三区| 人妻人人澡人人爽人人| 久久精品成人免费网站| 狠狠精品人妻久久久久久综合| 亚洲精品乱久久久久久| 欧美老熟妇乱子伦牲交| 亚洲av片天天在线观看| 美女福利国产在线| 成年美女黄网站色视频大全免费| 亚洲中文字幕日韩| 视频区图区小说| 国产真人三级小视频在线观看| 国产日韩一区二区三区精品不卡| 久久精品人人爽人人爽视色| 一边摸一边抽搐一进一出视频| 青草久久国产| 精品亚洲成国产av| 欧美大码av| 91成年电影在线观看| 亚洲va日本ⅴa欧美va伊人久久 | a级毛片黄视频| 久久九九热精品免费| 精品人妻1区二区| 亚洲欧洲日产国产| 成年人免费黄色播放视频| 一本大道久久a久久精品| 男女边摸边吃奶| 999久久久国产精品视频| 自拍欧美九色日韩亚洲蝌蚪91| 人妻一区二区av| 99久久综合免费| 欧美精品人与动牲交sv欧美| 在线亚洲精品国产二区图片欧美| 午夜激情久久久久久久| 日韩,欧美,国产一区二区三区| 欧美人与性动交α欧美软件| 久久性视频一级片| 日本91视频免费播放| 91大片在线观看| 久久国产精品大桥未久av| 狂野欧美激情性bbbbbb| 三级毛片av免费| 亚洲国产看品久久| 看免费av毛片| 国产福利在线免费观看视频| 飞空精品影院首页| 在线av久久热| 欧美黑人欧美精品刺激| 国产精品久久久久成人av| 久久性视频一级片| tube8黄色片| 久久综合国产亚洲精品| 免费观看av网站的网址| 久久久久久免费高清国产稀缺| 成人国产av品久久久| 日韩三级视频一区二区三区| 久久精品亚洲熟妇少妇任你| 一区在线观看完整版| 少妇精品久久久久久久| 午夜免费鲁丝| 高清黄色对白视频在线免费看| 丝袜在线中文字幕| 久久久久国产一级毛片高清牌| 久久天堂一区二区三区四区| 最新在线观看一区二区三区| 久久av网站| 国产亚洲精品一区二区www | 国产男女超爽视频在线观看| 一二三四在线观看免费中文在| 国产欧美日韩综合在线一区二区| 一区二区日韩欧美中文字幕| 国产成人免费无遮挡视频| 伊人亚洲综合成人网| 91字幕亚洲| 午夜成年电影在线免费观看| videosex国产| 美女国产高潮福利片在线看| 免费观看a级毛片全部| 男人添女人高潮全过程视频| 久久 成人 亚洲| 最近最新免费中文字幕在线| 99久久人妻综合| 久久久久精品国产欧美久久久 | 日日夜夜操网爽| 亚洲黑人精品在线| 国产深夜福利视频在线观看| 国产高清videossex| 午夜福利在线免费观看网站| 一级黄色大片毛片| 亚洲免费av在线视频| 高清视频免费观看一区二区| www日本在线高清视频| 久久九九热精品免费| 日本五十路高清| 欧美久久黑人一区二区| 少妇裸体淫交视频免费看高清 | 亚洲人成77777在线视频| 久久久久国产精品人妻一区二区| 精品一区二区三区四区五区乱码| 宅男免费午夜| 不卡av一区二区三区| 美女主播在线视频| 日韩欧美一区视频在线观看| 亚洲欧美一区二区三区久久| 国产色视频综合| 欧美97在线视频| 国产成人a∨麻豆精品| 最新的欧美精品一区二区| 国产野战对白在线观看| 亚洲欧美日韩高清在线视频 | 午夜久久久在线观看| 亚洲人成77777在线视频| 建设人人有责人人尽责人人享有的| 欧美日韩福利视频一区二区| 午夜福利一区二区在线看| 美国免费a级毛片| 18在线观看网站| 97在线人人人人妻| 黄色怎么调成土黄色| 伊人亚洲综合成人网| 新久久久久国产一级毛片| 正在播放国产对白刺激| av有码第一页| 免费日韩欧美在线观看| av福利片在线| 国产欧美日韩一区二区三 | 91成年电影在线观看| 性色av一级| 亚洲国产中文字幕在线视频| 99国产综合亚洲精品| 12—13女人毛片做爰片一| 午夜成年电影在线免费观看| 国内毛片毛片毛片毛片毛片| 老汉色∧v一级毛片| 男女高潮啪啪啪动态图| 性色av乱码一区二区三区2| 亚洲国产成人一精品久久久| av一本久久久久| 欧美xxⅹ黑人| av线在线观看网站| 精品一区二区三区av网在线观看 |