• <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 ?

    一種自適應(yīng)上采樣的光伏面板分割算法研究

    2021-07-08 08:27:46鄧慧萍
    小型微型計算機系統(tǒng) 2021年7期
    關(guān)鍵詞:池化分辨率尺度

    宋 燦,吳 謹(jǐn),朱 磊,鄧慧萍

    (武漢科技大學(xué) 信息科學(xué)與工程學(xué)院,武漢 430081) (冶金自動化與檢測技術(shù)教育部工程中心,武漢 430000)

    1 引 言

    國民經(jīng)濟的高速可持續(xù)發(fā)展,離不開能源這種基礎(chǔ)物質(zhì).目前,人類獲取能源的基本來源主要是化石,比如天然氣、石油和煤炭等[1].因為化石能源的不可再生和巨大的污染性,改善能源結(jié)構(gòu)就成了亟待解決的問題.太陽能因其環(huán)保安全可再生的特點,成為了優(yōu)化能源結(jié)構(gòu)和改善環(huán)境問題的一種可行辦法[2].近年來,國民經(jīng)濟越來越大的能源需求,引起光伏產(chǎn)業(yè)的迅猛發(fā)展.太陽能光伏越來越廣泛的應(yīng)用,帶來了統(tǒng)計和規(guī)劃管理上的巨大挑戰(zhàn).由此,如何快速、準(zhǔn)確地獲取光伏面板的數(shù)量和分布狀況,成為了一個極具經(jīng)濟價值的問題.

    目前,通過遙感圖像來獲取光伏面板的面積是一個可行的方案.主要的解決思路是首先從遙感圖像里分割出光伏面板,然后根據(jù)遙感圖像的相關(guān)參數(shù)計算光伏面板的面積.現(xiàn)今,一些研究者已經(jīng)提出了部分光伏面板[2-4]的分割算法.根據(jù)算法種類分,包含閾值[5]、邊緣[6]、區(qū)域[7]和聚類[8]等方法.而根據(jù)圖像種類分,目前的算法包含紅外[9,10]和航空影像[11].這些方法大多是基于傳統(tǒng)圖像處理方法和非遙感圖像的研究,而基于深度學(xué)習(xí)和遙感圖像的光伏面板分割研究很少.

    雖然光伏面板分割在深度學(xué)習(xí)方面的研究非常少,但是該任務(wù)作為語義分割的一種應(yīng)用對象,可以將相關(guān)的算法[12-17]遷移過來.語義分割作為基本的圖像處理任務(wù)之一,許多科研工作者已經(jīng)對其進行了大量的研究.相關(guān)的研究包含以下幾類:

    1)通過金字塔的方式增強模型的多尺度分割能力[18];

    2)通過帶孔卷積或者跳躍連接增加網(wǎng)絡(luò)的空間分辨率[19-21];

    3)通過上下文相關(guān)性提升網(wǎng)絡(luò)的分割性能[22-26].

    這些相關(guān)工作都是針對卷積網(wǎng)絡(luò)在語義分割上的相關(guān)問題來研究的.不同于圖像分類,目標(biāo)檢測和語義分割所處理的目標(biāo)在尺度上存在著很大的跨度,這種尺度上的差異性會影響網(wǎng)絡(luò)的性能,因此準(zhǔn)確檢測多尺度目標(biāo)可以有效提升網(wǎng)絡(luò)性能,典型的研究比如PSPNet[18].語義分割可以看成是一個密集型的分類任務(wù),既需要豐富的高層語義信息來進行像素分類,也需要足夠的空間信息來達到逐像素的分割精度.卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)能夠提取魯棒性非常好的高層語義特征,但是存在兩個問題:1)經(jīng)過多次卷積后,隱層特征容易出現(xiàn)擴散效應(yīng),導(dǎo)致目標(biāo)邊緣平滑,造成分割結(jié)果邊緣模糊;2)在經(jīng)過池化這種下采樣操作后,通過簡單的雙線性插值進行上采樣會丟失空間信息,影響像素級的分割精度,并且存在小目標(biāo)丟失的風(fēng)險.因此,很多科研工作者對此進行了研究.例如,CRFasRNN[22]通過遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)的方式把條件隨機場(Conditional Random Fields,CRFs)嵌入到CNN的末端,引入像素間的相關(guān)性來緩解目標(biāo)邊界模糊的問題.HRNet[27]通過不斷融合高低層特征的方式,獲取具有高層語義特征的高分辨率網(wǎng)絡(luò)來提升分割精度.UNet[28]通過跳躍連接直接把低層特征引入高層進行融合,以此補充高層特征的空間信息來提升網(wǎng)絡(luò)性能.Deeplabv3[20]則是通過帶孔卷積來替換池化層,以此避免池化層丟失空間分辨率的問題.此外,目前主流的CNN使用局部卷積作為基本模塊,這種局部響應(yīng)的方式雖然節(jié)省了計算量和存儲空間,以及有效提升了網(wǎng)絡(luò)性能,但是破壞了目標(biāo)之間空間上的長依賴關(guān)系,難以獲取長距離的上下文信息.因此,Wang等人[21]提出了非局部神經(jīng)網(wǎng)絡(luò)(Non-local Neural Networks),通過非局部的網(wǎng)絡(luò)處理來獲取長距離的依賴關(guān)系.此后,異步非局部神經(jīng)網(wǎng)絡(luò)(Asymmetric Non-local Neural Networks)[20]對此進行了改進,通過非對稱的方式來降低計算量.DANet[25]則可以看做是非局部網(wǎng)絡(luò)的一個特例,通過融合空間和通道維的依賴關(guān)系來提升網(wǎng)絡(luò)性能.

    針對以上3個方面的相關(guān)研究,本文設(shè)計了一個分割光伏面板的卷積神經(jīng)網(wǎng)絡(luò).首先,以ResNet[29]作為骨干網(wǎng)絡(luò),抽取相對于輸入圖像原始分辨率的1/8、1/16和1/32這3個尺度的特征圖,分別使用金字塔池化模塊(Pyramid Pooling Module,PPM)[18]提取多尺度的特征,以此提升網(wǎng)絡(luò)的多尺度性能.然后,使用異步融合非局部模塊(Asymmetric Fusion Non-local Block,AFNB)融合長距離的依賴關(guān)系,獲取上下文相關(guān)性信息來提升網(wǎng)絡(luò)性能.最后,本文提出了一種自適應(yīng)的上采樣模塊(Adaptive Upsample Module)和模糊融合策略.通過高分辨率的低層特征來自適應(yīng)地學(xué)習(xí)采樣系數(shù),以此緩解池化操作帶來的空間信息丟失現(xiàn)象,解決目標(biāo)邊緣模糊問題.

    2 系統(tǒng)框架

    光伏面板分割作為一個二分類的語義分割任務(wù),其模型設(shè)計可以借鑒常見的語義分割模型.由于衛(wèi)星的高度變化范圍廣,容易導(dǎo)致光伏面板的尺度不一.因此,使用多尺度模型可以提升檢測效果.受到PSPNet的啟發(fā),本文采用PPM模塊來提取多尺度的特征,分別作用在ResNet50骨干網(wǎng)絡(luò)的1/8、1/16和/1/32分辨率的特征層(如圖 1所示).此外,目標(biāo)之間存在著一定的相互關(guān)系,比如,密集的市區(qū)不可能出現(xiàn)大量的光伏面板,因此,融合全局的場景依賴關(guān)系能更準(zhǔn)確的檢測目標(biāo).為了降低計算量,將1/32分辨率的特征圖作為全局場景信息,并使用AFNB模塊分別融合到1/8、1/16和/1/32的特征圖上.AFNB模塊是一種局部和全局信息非對稱處理的方式,全局信息通過金字塔池化進行降分辨率,而局部信息仍然使用高分辨率的特征圖.這種方式在減少計算量的情況下也能保持不錯的性能.

    圖1 系統(tǒng)框架圖Fig.1 System framework diagram

    神經(jīng)網(wǎng)絡(luò)在經(jīng)過多次卷積和池化后會丟失空間信息.通過簡單的雙線性插值或者反卷積重構(gòu)原始分辨率,并不能完全恢復(fù)原有信息.雙線性插值可以看作是使用固定采樣系數(shù)進行加權(quán)求和,而反卷積則是使用可學(xué)習(xí)的采樣系數(shù)進行加權(quán)求和,這兩種方式在每個像素點的采樣系數(shù)都是相同的.而理想的情況是采樣系數(shù)隨著輸入圖像自適應(yīng)的變化,當(dāng)像素落在目標(biāo)邊緣時,如果該輸入圖像的像素與目標(biāo)的特征更相似,則在目標(biāo)一側(cè)的采樣系數(shù)應(yīng)該要更大.而當(dāng)像素落在目標(biāo)中間或者是背景區(qū)域,則需要采樣系數(shù)均衡一點.因此,使用雙線性這種位置平均或者反卷積這種固定系數(shù)是不太合適的.為了解決這個問題本文提出了一種自適應(yīng)上采樣的方法,使用輸入圖像的函數(shù)來生成采樣系數(shù),通過像素特征間的相似性調(diào)整權(quán)重.

    此外,在自適應(yīng)上采樣后,對跨尺度融合的方式進行了改進,即不采用常規(guī)的加權(quán)平均融合而采取最大值融合的方式.大多數(shù)的網(wǎng)絡(luò)做跨尺度融合時,要么簡單的直接相加,要么使用卷積融合,這兩種方式都可以理解為加權(quán)求和.與此不同的是,本文直接取兩者的最大值.使用這種融合方式的原因是:文中使用的模型會在3個尺度輸出結(jié)果,可能在某個尺度上,模型無法判斷某個區(qū)域是否屬于前景還是背景.這種情況下,在該尺度上只要在前景和背景上都輸出較小的值,就會被抑制.后續(xù)的網(wǎng)絡(luò)和反向傳播都不會產(chǎn)生影響,因此,這種模糊處理的方式可以避免網(wǎng)絡(luò)發(fā)生無法判斷時必須進行響應(yīng)的現(xiàn)象.需要注意的是,為了訓(xùn)練更平穩(wěn),網(wǎng)絡(luò)收斂更快,本文在AFNB的輸出結(jié)果上添加了輔助損失.后續(xù)章節(jié)中,本文將對每個模塊做詳細(xì)的介紹.

    3 金字塔池化

    遙感圖像拍攝面積廣,場景豐富,內(nèi)容繁雜,林區(qū),農(nóng)田,城市,湖泊和山川等都囊括其中.衛(wèi)星的高度變化和場景的多樣性造成了目標(biāo)和背景的尺度變化較大,需要網(wǎng)絡(luò)具有良好的多尺度特征檢測能力.因此,本文在模型設(shè)計中增加了多尺度結(jié)構(gòu),并且在每個尺度的特征圖上使用金字塔池化[16]來進一步增強網(wǎng)絡(luò)的多尺度性能.

    池化操作能夠增加網(wǎng)絡(luò)的感受野,有利于檢測大尺度的場景信息,但是會降低圖像的空間分辨率,丟失圖像的位置信息.因此本文使用PSPNet網(wǎng)絡(luò)模型中金字塔池化的方式,融合多種尺度的池化操作進行處理.小尺度的池化能獲取小場景和小目標(biāo)的信息,具有較高的分辨率,大尺度的池化獲取大尺度或者全局的場景信息,但分辨率較低.通過這種金字塔池化的方式,可以平衡處理尺度和分辨率,獲取更好的分割結(jié)果.

    本文的金字塔池化模塊如圖 2所示,與PSPNet原有結(jié)構(gòu)不同的是,本文并不是輸出固定尺寸的特征圖,而是固定池化層的感受野生成對應(yīng)尺寸的特征圖.4個尺度的大小依次為9×9,7×7,5×5和3×3,而步長依次為5,4,3和2.這樣設(shè)置的原因是在PSPNet中,只抽取了ResNet網(wǎng)絡(luò)模型中1/32分辨率的特征圖,而本文抽取了3個尺度的特征圖,每個特征圖負(fù)責(zé)對應(yīng)尺度的結(jié)果預(yù)測.如果采用PSPNet的方式,在1/8和1/16分辨率這兩個尺度上,與1/32分辨率相比,原始特征圖和池化后的特征圖之間會出現(xiàn)4倍的分辨率差異,這會導(dǎo)致在網(wǎng)絡(luò)設(shè)計上尺度過渡不平滑.

    圖2 金字塔池化模塊Fig.2 Pyramid pooling module

    4 異步融合非局部模塊

    深度卷積神經(jīng)網(wǎng)絡(luò)是通過許多個局部卷積操作疊加而成的.在網(wǎng)絡(luò)的最后一層使用全連接層或者是平均池化層來匯聚全局信息,這是一般分類網(wǎng)絡(luò)的模型搭建方法.這類網(wǎng)絡(luò)最后輸出的特征圖為1×1,也就是說,所有的特征都匯聚到了一點上.這種方式能有效地融合全局的信息,而語義分割網(wǎng)絡(luò)通常會移除全連接層,或者將全連接層替換成參數(shù)相同的局部卷積[30].雖然這種處理方式成功地將分類網(wǎng)絡(luò)轉(zhuǎn)換成了可以做逐像素密集預(yù)測的語義分割網(wǎng)絡(luò),但是破壞了網(wǎng)絡(luò)的全局特性,可能會使得網(wǎng)絡(luò)丟失某些長距離的依賴關(guān)系[24,26].比如當(dāng)兩個目標(biāo)分別位于左上角和右下角時,距離過遠(yuǎn),網(wǎng)絡(luò)的感受野不夠就無法捕獲到這種長距離的依賴關(guān)系,造成信息丟失.

    在深度神經(jīng)網(wǎng)絡(luò)中,如何捕獲長距離的依賴關(guān)系一直是一個比較重要的問題.對于序列數(shù)據(jù),比如語音,文本和視頻數(shù)據(jù),通常使用遞歸操作來進行長距離的依賴關(guān)系建模.在此方面也出現(xiàn)了很多優(yōu)秀的模型,如:遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,CNN)[30],長短時記憶(Long Short Term Memory,LSTM)[31],門控遞歸單元(Gated Recurrent Units,GRU)[32].對于圖像數(shù)據(jù),長距離的依賴關(guān)系通過增大感受野來獲取,常見的結(jié)構(gòu)是通過深度網(wǎng)絡(luò)來反復(fù)疊加卷積操作[33].卷積和遞歸操作都是用于處理局部信息的,因此,需要反復(fù)疊加才能增大網(wǎng)絡(luò)的感受野,通過不斷匯聚的方式融合長距離的信息.在語義分割網(wǎng)絡(luò)中,由于沒有全連接層匯聚全局信息,可能會造成網(wǎng)絡(luò)的感受野不足以覆蓋整個圖像的問題.此外,當(dāng)感受野足夠大時,在距離較遠(yuǎn)的情況下,這種不斷疊加匯聚的方式也會出現(xiàn)信息衰減和丟失的問題.因此,獲取長距離的依賴關(guān)系,最好的方式是通過非局部操作,直接融入長距離的全局信息.

    由于圖像中經(jīng)常會遇到這種場景之間的依賴關(guān)系,比如周圍有高大的樹木,會影響光照,附近就不太可能出現(xiàn)光伏面板.因此本文引入了非局部操作[24,34]來融合這種依賴關(guān)系,非局部操作可以抽象為:

    (1)

    這里x表示輸入數(shù)據(jù),可以是語音,文本,圖像和視頻等,y表示輸出結(jié)果,數(shù)據(jù)維度與x相同.i和j表示數(shù)據(jù)的位置索引,可以為時間或者空間.如果輸入數(shù)據(jù)是時間序列,則表示時間的索引,如果是圖像,則表示二維平面上的空間位置.二元函數(shù)f用來計算輸入數(shù)據(jù)x在位置i和j處的相關(guān)性,函數(shù)g則是輸入數(shù)據(jù)x在i處的一個變換.通常來說,在圖像數(shù)據(jù)里函數(shù)g被設(shè)置為一個1×1的卷積操作用來做線性變換.簡單的講,公式(1)可以看成對輸入數(shù)據(jù)使用函數(shù)g處理后,在所有位置進行加權(quán)求和,加權(quán)系數(shù)為f(xi,xj).函數(shù)c(x)用于對處理后數(shù)據(jù)進行歸一化.這個操作的非局部性體現(xiàn)在其對所有位置的輸入數(shù)據(jù)都進行響應(yīng),而不是像卷積層只對鄰近的局部數(shù)據(jù)進行響應(yīng).

    值得注意的是,這種非局部操作與全連接層是不同的,全連接層的權(quán)值不依賴于輸入數(shù)據(jù),無法反應(yīng)數(shù)據(jù)之間的相關(guān)性.而非局部操作的權(quán)值f(xi,xj)是輸入數(shù)據(jù)x的函數(shù),它的大小依賴于數(shù)據(jù)xi和xj之間的相關(guān)性,這種方式效果更好.一個典型的例子是,假定位置i處是光伏面板,而位置j處是城區(qū),則兩者之間的關(guān)系弱,權(quán)值就應(yīng)該小一點,這種方式能體現(xiàn)處城區(qū)附近出現(xiàn)光伏面板的可能性低的特點.反之,如果位置i處是光伏面板,位置j處是鄉(xiāng)村,則兩者之間的相關(guān)性會比較大,鄉(xiāng)村出現(xiàn)光伏面板的可能性比城區(qū)高,權(quán)值就應(yīng)該更大些.因此,非全局操作能更準(zhǔn)確地描述數(shù)據(jù)之間的依賴關(guān)系.

    在實際的建模中,函數(shù)g一般設(shè)置為一個線性卷積,如式(2)所示:

    g(xj)=Wgxj

    (2)

    上式中Wg是一個用于學(xué)習(xí)的權(quán)值矩陣.而函數(shù)f可以簡單地選為一個高斯函數(shù):

    (3)

    f(xi,xj)=eθ(xi)Tφ(xj)

    (4)

    上式中的核函數(shù)簡單的取θ(xi)=Wθxi,φ(xj)=Wfxj,使用卷積操作來實現(xiàn).此外,歸一化函數(shù)C可以簡單的表示為:

    (5)

    根據(jù)式(2),式(4)和式(5),式(1)可以表示為:

    (6)

    根據(jù)以上理論,可以得到圖 3中的模型.函數(shù)θ,φ和g可以看做三個卷積(Conv模塊),輸出尺寸為C×H×W的特征圖,C,H和W分別為特征圖的通道數(shù),高和寬.Reshape模塊用于對特征圖進行變形,其中N=H×C.整個結(jié)構(gòu)中只有卷積模塊,也就是函數(shù)θ,φ和g是可以進行學(xué)習(xí)的.

    圖3 非局部模塊結(jié)構(gòu)圖Fig.3 Non-local block framework

    圖 3中的非局部模塊有一個顯著的缺點就是計算量大,主要原因是需要計算所有位置之間的相似度,這個時間復(fù)雜度是O(CN2).當(dāng)特征圖的尺寸較大時,N=H×W就會很大.因此異步融合非局部模塊(AFNB)[26]對此進行了改進,使用金字塔池化對特征圖進行了下采樣.如圖 4所示,在經(jīng)過下采樣進行降維后,時間復(fù)雜度變?yōu)榱薕(CNS),當(dāng)S?N時,就可以將計算量降為圖像大小的線性級別.這種降低計算量的策略可以簡單的理解為,使用低分辨率的特征圖來融合長距離的依賴關(guān)系.這種處理方式是和人眼的視覺特性一致的,長距離的依賴關(guān)系可以看做是全局的信息,通過低分辨率的圖像來獲取.而在處理局部信息時,則會把目光聚集在關(guān)注的物體上,此時等價于對圖像進行放大,高分辨率圖像可以獲取更豐富的細(xì)節(jié)信息.

    圖4 異步融合非局部模塊Fig.4 Asymmetric fusion non-local block

    在使用異步融合非局部模塊時,本文結(jié)合所提出的模型,對融合結(jié)構(gòu)進行了改進.如圖 1所示,本文使用高層1/32分辨率的特征提供全局信息,而不是用對應(yīng)分辨率的特征經(jīng)過金字塔采樣后作為全局信息.這樣做的原因有兩點,其一是1/32分辨率的特征圖相比1/8和1/16特征圖要小,計算量低,其二是1/32分辨率的特征圖網(wǎng)絡(luò)更深,語義更豐富.

    5 自適應(yīng)上采樣模塊

    光伏面板分割本質(zhì)上是一個語義分割任務(wù),它需要給圖像的每一個像素預(yù)測一個標(biāo)簽.也就是說,這是一個逐像素的密集性預(yù)測任務(wù).這種密集性預(yù)測任務(wù)相比于圖像分類和目標(biāo)檢測更難,它對像素級的誤差非常敏感,每一個像素預(yù)測錯誤都會直接影響到最終的分割精度.因此模型的設(shè)計要盡可能地減少各種操作產(chǎn)生的像素級誤差.在這方面的工作有很多,典型的有CRFasRNN[22],將條件隨機場概率圖模型以遞歸神經(jīng)網(wǎng)絡(luò)的形式嵌入到深度學(xué)習(xí)網(wǎng)絡(luò)中,獲取圖像像素之間的相關(guān)性來提升像素精度.UnpoolingNet[35]則是將上采樣操作換成了Unpooling 操作,在前向傳播過程中記錄最大值池化操作中激活值的位置,以便在后續(xù)的上采樣過程中,在對應(yīng)位置激活,通過對齊激活值來提升網(wǎng)絡(luò)精度.Deeplab[36]則是在網(wǎng)絡(luò)的高層使用帶孔卷積替換池化操作,避免池化操作造成的空間信息丟失的問題.

    這些文章都是在解決CNN結(jié)構(gòu)在語義分割任務(wù)中的固有問題.在語義分割網(wǎng)絡(luò)中,想要對像素進行準(zhǔn)確的分類,就需要大感受野的高層語義信息.但是,在感受野增加的過程中給像素級的精度帶來了巨大的挑戰(zhàn).通常情況下,增大感受野方式有兩種,卷積和池化.這兩種方式都會增加像素分割的難度,卷積的擴散效應(yīng)會造成特征圖過于平滑,池化則在下采樣過程中丟失了空間分辨率.不同于圖像分類的是,語義分割這種逐像素預(yù)測問題,必然有一個上采樣的過程.這種先下采樣再上采樣的結(jié)構(gòu)必然會丟失空間信息,從而影響最終的像素級分割結(jié)果.

    總的來說,語義分割網(wǎng)絡(luò)分為兩步,第一步是從高分辨率的輸入圖像提取低分辨率的高層信息,第二步是從低分辨率的高層信息中重構(gòu)出高分辨率的分割結(jié)果.這也是大多數(shù)語義分割網(wǎng)絡(luò)都由編碼器(Encoder)和解碼器(Decoder)構(gòu)成的原因.編碼器負(fù)責(zé)提取高層的語義信息,解碼器重構(gòu)逐像素的分割結(jié)果.對于卷積神經(jīng)網(wǎng)絡(luò)來說,提取高層的語義信息是相對容易的,比如圖像分類.但是在編碼器部分丟失了空間信息,難以生成高質(zhì)量的、高分辨率的分割結(jié)果,這也是大多數(shù)語義分割網(wǎng)絡(luò)目標(biāo)邊緣分割結(jié)果不好的原因.想要網(wǎng)絡(luò)不丟失空間信息,最直觀的做法是不進行下采樣,但是這樣會極大的增加計算量,使得計算資源難受承受.比如Deeplabv3模型,也只能在1/8分辨率以下的卷積層使用帶孔卷積替換下采樣操作.如果在整個網(wǎng)絡(luò)都不使用下采樣操作,計算量是難以承受的.

    在無法避免下采樣操作的情況下,提升分割精度就只能通過改進上采樣操作.目前關(guān)于上采樣的研究有很多,研究者們提出了很多超分辨率重構(gòu)(Super-Resolution Reconstruction)[12,37,38]的方法.超分辨率重構(gòu)用于將一幅低分辨率的圖像轉(zhuǎn)換的一幅高分辨率的圖像.這種圖像處理任務(wù)的輸入數(shù)據(jù)只有低分辨率的圖像.而語義分割任務(wù)輸入的是高分辨率的圖像,只是在提取高層語義信息的時候進行了降采樣.因此,可以充分利用高分辨率的輸入圖像信息,自適應(yīng)的生成采樣系數(shù),對低分辨率的高層語義信息進行上采樣.這個處理策略可以抽象為:

    (7)

    式(7)中,x為輸入圖像,z為高層的語義信息,y為輸出的采樣結(jié)果,Tj(x)表示輸入圖像在x在位置j處的采樣值.函數(shù)φ用于計算采樣系數(shù),表示的是輸入圖像中在i和j處像素之間的相似性,R(xi,x)用于歸一化,取R(xi,x)=∑jφ(xi,Tj(x)).需要注意的是,x和z的分辨率不同,為了保證一致性,i和j的值都?xì)w一化到區(qū)間[0,1].公式(7)可以簡單的理解為,根據(jù)輸入圖像的高分辨率結(jié)構(gòu)信息提取采樣系數(shù),對低分辨率的語義信息進行上采樣,也就是加權(quán)求和.模型中的采樣系數(shù)是輸入圖像的函數(shù),根據(jù)像素特征之間的相關(guān)性來生成采樣系數(shù).而雙線性插值和反卷積的采樣系數(shù)與輸入圖像無關(guān),無法提取到高分辨率輸入圖像的結(jié)構(gòu)信息,在任何位置的采樣系數(shù)都是固定的.典型的缺點如雙線性插值是一種對位置平均的結(jié)果,在目標(biāo)邊緣處會出現(xiàn)模糊現(xiàn)象.而自適應(yīng)上采樣是根據(jù)像素間的相似度求平均,相似度越高,權(quán)值越大.這種方式能更準(zhǔn)確地體現(xiàn)像素間的相關(guān)性,讓上采樣的結(jié)果和輸入圖像在像素間的相關(guān)性保持一致.

    根據(jù)上面的分析,具體的自適應(yīng)上采樣算法按如下的參數(shù)搭建模型.為了減少計算量,實際模型中并不對語義信息z在全圖做加權(quán)平均,而是選取以位置i為中心的一個小窗口Wi.那么式(7)可以簡化為:

    (8)

    對應(yīng)的,R(xi,x)=∑j∈Wiφ(xi,Tj(x)).需要注意的是,Tj(x)并不是直接在輸入圖像x上進行采樣,而是先對x做高斯平滑.這樣做的目的是避免在圖像相鄰像素的值變化很大時,出現(xiàn)較大的采樣誤差.事實上,語義信息z的每個像素對應(yīng)的是輸入圖像x中的一個區(qū)域,而不是單個像素,當(dāng)兩者分辨率相差越大時,區(qū)域的面積就越大.相比于使用單個像素的特征值作為該區(qū)域的特征,使用平均值更好.因此,在實際的計算中使用了高斯濾波來進行滑動平均.

    φ用于計算兩個像素之間的相似性,這個相似性度量采用雙邊濾波(Bilateral Filters)[39]類似的方法,使用高斯核函數(shù)進行計算:

    φ(xi,xj)=e-‖xi-xj‖2

    (9)

    此外,為了體現(xiàn)各個特征的相對重要性,在式(9)中引入了對角矩陣Wφ作為一組可學(xué)習(xí)的參數(shù):

    φ(xi,xj)=e-(xi-xj)TWφ(xi-xj)

    (10)

    根據(jù)以上分析過程,自適應(yīng)上采樣模塊可以有如下幾部分組成(如圖 5所示).Downsample表示高斯平滑和下采樣,Unfold表示按照窗口W展開,SimilarityComputer代表相似度計算函數(shù)φ,F(xiàn)old表示按照窗口W重構(gòu)成大小為x的高分辨率語義信息特征圖.

    圖5 自適應(yīng)上采樣模塊Fig.5 Adaptive upsample module

    6 實驗結(jié)果

    6.1 實驗數(shù)據(jù)

    本文的實驗數(shù)據(jù)為資源3號(ZY-3)和高分1號(GF-1)衛(wèi)星拍攝的遙感圖片.這兩顆衛(wèi)星是我國的高分圖像獲取衛(wèi)星,精度約為2m.由于遙感圖像的大量區(qū)域都是背景,因此,在訓(xùn)練之前對標(biāo)記數(shù)據(jù)做了簡單的清洗:根據(jù)光伏面板和背景的分布情況進行了簡單的篩選,保證前景和背景的比例約為1:3,以此避免訓(xùn)練失衡.此外,為了方便訓(xùn)練,將遙感圖像裁剪成了768×768的小圖片,訓(xùn)練時每次從小圖片中隨機裁剪出256×256的小塊作為輸入數(shù)據(jù).

    6.2 實驗設(shè)置

    為了驗證本文算法的有效性,與3種較新的算法(UNet[26],PSPNet[16],Deeplabv3[27])進行了比較.優(yōu)化方法使用Adam[40],batchsize設(shè)為4.訓(xùn)練過程中對數(shù)據(jù)做了增強處理,包括平滑,添加高斯噪聲,在HSV空間對亮度和飽和度添加隨機噪聲等.

    6.3 結(jié)果比較

    6.3.1 交并比(IoU)

    交并比是一個在語義分割任務(wù)中廣泛使用的評價指標(biāo),描述的是分割正確的像素所占的比例.該評價指標(biāo)是一個尺度不變的評價指標(biāo)[41],不同尺度的目標(biāo)在最終的評估中所占的比例是相同的.交并比定義為是前景目標(biāo)的預(yù)測值和真實值的交集與并集之比:

    (11)

    6.3.2 準(zhǔn)確率,召回率和F-Measure

    準(zhǔn)確率和召回率衡量的是模型的查準(zhǔn)率和查全率.在常見的語義分割評價指標(biāo)中,常用交并比來進行評價.比如道路場景分割,評價指標(biāo)能較好的描述目標(biāo)分割的準(zhǔn)確程度,因此使用IoU是比較好的一種選擇.但是在光伏面板分割的任務(wù)中,同一塊前景區(qū)域可能被分割到幾個小圖像,使用交并比就不是很準(zhǔn)確.因此,在對比結(jié)果中增加了準(zhǔn)確率,召回率和F-Measure這3個評價指標(biāo).F-Measure表示的是準(zhǔn)確率和召回率的加權(quán)調(diào)和,衡量的是兩者的綜合影響.計算方法如式(12)-式(14)所示:

    (12)

    (13)

    (14)

    式中Precision,Recall和Fα分別代表準(zhǔn)確率,召回率和F-Measure.α表示調(diào)和系數(shù),用于平衡準(zhǔn)確率和召回率,一般取α2=0.3.

    實驗結(jié)果如表1所示,本文提出的方法在IoU,Precision和F-Measure上都取得了最優(yōu)的結(jié)果.僅在Recall指標(biāo)上略低于Unet,但是Unet的精度偏低,說明Unet將更多的背景誤判成了前景,誤檢率高.F-Measure作為一個平衡精度和召回率的方法,能更好的描述模型的性能.而本文提出的方法在F-Measure這一指標(biāo)上比UNet更好,總的來說,本文的方法取得了更好的結(jié)果.IoU作為一種尺度不變的衡量指標(biāo),對于各種尺度目標(biāo)的評價都具有一定穩(wěn)定性.而本文的模型在IoU指標(biāo)上表現(xiàn)的更好,說明模型對所有尺度的目標(biāo)整體檢測效果更好.

    表1 實驗結(jié)果對比Table 1 Comparison of experiments results

    7 結(jié) 語

    本文設(shè)計了一個多尺度的光伏面板分割模型,引入了非局部模塊來融合全局信息進行預(yù)測,并提出了一種自適應(yīng)上采樣的方法來優(yōu)化目標(biāo)的邊緣.實驗結(jié)果表明,相比于一些較新的算法,本文的模型取得了更好的分割結(jié)果.在IoU,精度和F-Measure指標(biāo)都取得了最優(yōu)的結(jié)果.

    猜你喜歡
    池化分辨率尺度
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識別方法研究
    無線電工程(2024年8期)2024-09-16 00:00:00
    基于Sobel算子的池化算法設(shè)計
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    財產(chǎn)的五大尺度和五重應(yīng)對
    EM算法的參數(shù)分辨率
    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識別研究
    原生VS最大那些混淆視聽的“分辨率”概念
    基于深度特征學(xué)習(xí)的圖像超分辨率重建
    一種改進的基于邊緣加強超分辨率算法
    宇宙的尺度
    太空探索(2016年5期)2016-07-12 15:17:55
    国产伦精品一区二区三区视频9| 亚洲av欧美aⅴ国产| 五月伊人婷婷丁香| 多毛熟女@视频| 2021少妇久久久久久久久久久| 三上悠亚av全集在线观看 | 人人妻人人添人人爽欧美一区卜| 国产精品久久久久久精品古装| 精品亚洲成国产av| 免费观看在线日韩| 国产欧美另类精品又又久久亚洲欧美| 精品久久久精品久久久| 极品教师在线视频| 久久毛片免费看一区二区三区| 在线看a的网站| 十分钟在线观看高清视频www | 国产伦理片在线播放av一区| 亚洲精品,欧美精品| 国产亚洲午夜精品一区二区久久| 最近的中文字幕免费完整| 夜夜爽夜夜爽视频| 成年美女黄网站色视频大全免费 | 国产高清有码在线观看视频| 国产视频内射| 午夜免费男女啪啪视频观看| 夜夜看夜夜爽夜夜摸| 亚洲真实伦在线观看| 欧美国产精品一级二级三级 | 91aial.com中文字幕在线观看| 一级毛片电影观看| 免费在线观看成人毛片| 欧美人与善性xxx| 男人舔奶头视频| 精品久久国产蜜桃| 少妇人妻精品综合一区二区| 日日摸夜夜添夜夜添av毛片| 日日啪夜夜撸| 成人特级av手机在线观看| 国产老妇伦熟女老妇高清| 国产深夜福利视频在线观看| 一级毛片黄色毛片免费观看视频| 精品午夜福利在线看| 亚洲va在线va天堂va国产| 精品亚洲乱码少妇综合久久| 成人亚洲精品一区在线观看| 99热国产这里只有精品6| 日韩成人av中文字幕在线观看| 日本黄色片子视频| 国产成人精品福利久久| 视频区图区小说| 日日爽夜夜爽网站| 国产乱人偷精品视频| 亚洲国产日韩一区二区| 午夜av观看不卡| 人妻夜夜爽99麻豆av| 精品人妻一区二区三区麻豆| 啦啦啦视频在线资源免费观看| 下体分泌物呈黄色| 极品少妇高潮喷水抽搐| 久久久久久久久久久丰满| 亚洲精品乱码久久久v下载方式| av专区在线播放| 国产熟女欧美一区二区| 成人亚洲欧美一区二区av| 亚洲av国产av综合av卡| 丰满人妻一区二区三区视频av| 免费观看无遮挡的男女| 狂野欧美白嫩少妇大欣赏| 一本一本综合久久| 成年av动漫网址| 男人添女人高潮全过程视频| 亚洲av二区三区四区| 老司机影院毛片| 国内少妇人妻偷人精品xxx网站| 中国三级夫妇交换| 亚洲欧美日韩卡通动漫| 黄色毛片三级朝国网站 | 人妻制服诱惑在线中文字幕| 亚洲精品自拍成人| 日韩中文字幕视频在线看片| 天堂8中文在线网| 六月丁香七月| 国产黄片视频在线免费观看| 青青草视频在线视频观看| 国产中年淑女户外野战色| 在线观看一区二区三区激情| av专区在线播放| 成年美女黄网站色视频大全免费 | 色婷婷av一区二区三区视频| 国产免费视频播放在线视频| 国产精品久久久久久久久免| 免费少妇av软件| 免费观看在线日韩| 精品一区二区免费观看| av卡一久久| 九九爱精品视频在线观看| 精品少妇黑人巨大在线播放| 亚洲精品自拍成人| 国产精品三级大全| 欧美xxxx性猛交bbbb| 久久精品国产亚洲网站| a级一级毛片免费在线观看| 免费观看av网站的网址| 日本wwww免费看| 国产综合精华液| 午夜激情福利司机影院| 99久久精品一区二区三区| av.在线天堂| 色吧在线观看| 久久国内精品自在自线图片| 一个人免费看片子| 国产伦在线观看视频一区| 男女啪啪激烈高潮av片| 自拍欧美九色日韩亚洲蝌蚪91 | 内射极品少妇av片p| 99视频精品全部免费 在线| 久久久久久久久久久久大奶| 午夜av观看不卡| 爱豆传媒免费全集在线观看| 日韩av免费高清视频| 男女国产视频网站| 黑人高潮一二区| 深夜a级毛片| 伊人亚洲综合成人网| 亚洲天堂av无毛| 午夜久久久在线观看| 黄色毛片三级朝国网站 | 亚洲不卡免费看| 国产老妇伦熟女老妇高清| 9色porny在线观看| www.色视频.com| 亚洲精品乱码久久久久久按摩| 有码 亚洲区| 美女福利国产在线| av不卡在线播放| 蜜桃久久精品国产亚洲av| 蜜桃在线观看..| 欧美日本中文国产一区发布| 国产精品国产三级专区第一集| 久久精品国产自在天天线| av福利片在线| 国产国拍精品亚洲av在线观看| 久久6这里有精品| 青春草国产在线视频| 国产亚洲av片在线观看秒播厂| 亚洲久久久国产精品| 在线看a的网站| 久久久久久伊人网av| 亚洲精品久久午夜乱码| av免费在线看不卡| 美女内射精品一级片tv| 亚洲精品456在线播放app| 国产精品国产av在线观看| 国产成人午夜福利电影在线观看| 国产一区二区三区综合在线观看 | 国产美女午夜福利| 黄色视频在线播放观看不卡| 老熟女久久久| 国产91av在线免费观看| 免费在线观看成人毛片| 91久久精品国产一区二区成人| 我的女老师完整版在线观看| 永久免费av网站大全| 中文资源天堂在线| 九九爱精品视频在线观看| 热99国产精品久久久久久7| 国产高清国产精品国产三级| 婷婷色综合大香蕉| 久久人妻熟女aⅴ| 久久亚洲国产成人精品v| 高清毛片免费看| 精品一区二区三区视频在线| 丰满迷人的少妇在线观看| 亚洲怡红院男人天堂| 三级国产精品欧美在线观看| 亚洲精华国产精华液的使用体验| 晚上一个人看的免费电影| 国语对白做爰xxxⅹ性视频网站| 大片电影免费在线观看免费| 国产真实伦视频高清在线观看| 亚洲成人av在线免费| a级一级毛片免费在线观看| 在线亚洲精品国产二区图片欧美 | 美女xxoo啪啪120秒动态图| 精品久久久久久电影网| 日韩av不卡免费在线播放| 国产成人精品福利久久| 日韩电影二区| 亚洲av不卡在线观看| 在线 av 中文字幕| 午夜免费鲁丝| 爱豆传媒免费全集在线观看| 亚洲欧美精品专区久久| 亚洲第一区二区三区不卡| 国产成人一区二区在线| 美女大奶头黄色视频| 免费观看a级毛片全部| 日韩大片免费观看网站| 国产午夜精品久久久久久一区二区三区| 国产欧美亚洲国产| 成人综合一区亚洲| 晚上一个人看的免费电影| 亚洲成人一二三区av| 国产 精品1| 热re99久久国产66热| 日本猛色少妇xxxxx猛交久久| 美女主播在线视频| 日韩欧美 国产精品| 亚洲av二区三区四区| 少妇被粗大的猛进出69影院 | 中文字幕久久专区| 纯流量卡能插随身wifi吗| 最近2019中文字幕mv第一页| 精品少妇内射三级| 久久影院123| 一级片'在线观看视频| 亚洲一级一片aⅴ在线观看| 六月丁香七月| 国产一级毛片在线| 国产精品一区www在线观看| 一区二区三区免费毛片| 亚洲国产精品一区三区| 免费不卡的大黄色大毛片视频在线观看| 亚洲精品日韩av片在线观看| 久久热精品热| 久久人妻熟女aⅴ| 久久久国产精品麻豆| 91精品一卡2卡3卡4卡| 黄色欧美视频在线观看| 久久精品国产鲁丝片午夜精品| 久久99热6这里只有精品| 男人和女人高潮做爰伦理| 国产精品久久久久久av不卡| 欧美性感艳星| 午夜久久久在线观看| 亚洲一级一片aⅴ在线观看| 久久精品国产自在天天线| freevideosex欧美| 纵有疾风起免费观看全集完整版| 国产精品一区二区在线观看99| 不卡视频在线观看欧美| 少妇被粗大的猛进出69影院 | 人人妻人人看人人澡| 欧美97在线视频| 在线观看人妻少妇| 国产深夜福利视频在线观看| 精品亚洲乱码少妇综合久久| 中文在线观看免费www的网站| 午夜免费鲁丝| 欧美性感艳星| 一本一本综合久久| 久久久精品免费免费高清| 国产av精品麻豆| 99热国产这里只有精品6| 偷拍熟女少妇极品色| 超碰97精品在线观看| 丝袜喷水一区| 国产成人精品福利久久| 天天躁夜夜躁狠狠久久av| 伦理电影免费视频| 婷婷色av中文字幕| 人妻制服诱惑在线中文字幕| 哪个播放器可以免费观看大片| 亚洲精品国产色婷婷电影| 97精品久久久久久久久久精品| 人人妻人人看人人澡| 日产精品乱码卡一卡2卡三| 亚洲av电影在线观看一区二区三区| 乱系列少妇在线播放| 欧美人与善性xxx| 黄片无遮挡物在线观看| 观看美女的网站| 男人狂女人下面高潮的视频| 欧美+日韩+精品| 在线观看av片永久免费下载| 亚洲av电影在线观看一区二区三区| 黄色视频在线播放观看不卡| 午夜福利,免费看| 国产极品粉嫩免费观看在线 | 亚州av有码| 人妻系列 视频| 99视频精品全部免费 在线| 亚洲欧洲日产国产| 久久久久久久大尺度免费视频| 久久热精品热| 久久久久精品性色| 久久99一区二区三区| 亚洲成人手机| 亚洲经典国产精华液单| 日日爽夜夜爽网站| 九草在线视频观看| 久久97久久精品| 国产成人午夜福利电影在线观看| 成人特级av手机在线观看| 国产日韩欧美在线精品| 国产欧美另类精品又又久久亚洲欧美| 免费黄频网站在线观看国产| 国产成人91sexporn| 亚洲精品456在线播放app| 亚洲精品日韩在线中文字幕| 最近的中文字幕免费完整| 国产精品一区二区性色av| 少妇猛男粗大的猛烈进出视频| 国产伦精品一区二区三区四那| 亚洲熟女精品中文字幕| 午夜老司机福利剧场| 80岁老熟妇乱子伦牲交| 观看av在线不卡| av不卡在线播放| 国产午夜精品一二区理论片| 国产 一区精品| 99久久综合免费| 极品少妇高潮喷水抽搐| 日本黄大片高清| 久久午夜综合久久蜜桃| 精品99又大又爽又粗少妇毛片| 三级国产精品欧美在线观看| 久久99热这里只频精品6学生| 成人二区视频| 色视频www国产| 国产毛片在线视频| 亚洲综合色惰| 国产精品久久久久久久久免| 伦理电影大哥的女人| 日韩强制内射视频| 国模一区二区三区四区视频| 18+在线观看网站| 日韩制服骚丝袜av| 亚洲精品中文字幕在线视频 | 日韩伦理黄色片| 秋霞在线观看毛片| 男女免费视频国产| 亚洲国产最新在线播放| 国产在线视频一区二区| 国产精品一区二区在线不卡| 少妇精品久久久久久久| 国产熟女午夜一区二区三区 | 如何舔出高潮| 欧美精品人与动牲交sv欧美| 亚洲成人手机| 18+在线观看网站| 亚洲一级一片aⅴ在线观看| 特大巨黑吊av在线直播| 91午夜精品亚洲一区二区三区| 毛片一级片免费看久久久久| 欧美老熟妇乱子伦牲交| 国产一区亚洲一区在线观看| 狠狠精品人妻久久久久久综合| 久久免费观看电影| 精品少妇内射三级| 伦精品一区二区三区| 高清av免费在线| 又黄又爽又刺激的免费视频.| 国产午夜精品久久久久久一区二区三区| 国产淫片久久久久久久久| 日韩熟女老妇一区二区性免费视频| av天堂久久9| 欧美一级a爱片免费观看看| 国产成人91sexporn| 欧美3d第一页| 欧美三级亚洲精品| 91精品伊人久久大香线蕉| 中文资源天堂在线| 国产男人的电影天堂91| 国产精品久久久久久久久免| 婷婷色麻豆天堂久久| 国内精品宾馆在线| 三级经典国产精品| 一级毛片 在线播放| 91精品国产九色| 男的添女的下面高潮视频| 国产成人免费无遮挡视频| 国产精品不卡视频一区二区| 亚洲内射少妇av| videos熟女内射| 国产极品粉嫩免费观看在线 | 高清不卡的av网站| 亚洲精华国产精华液的使用体验| 在线观看三级黄色| 蜜桃久久精品国产亚洲av| 久久99精品国语久久久| 51国产日韩欧美| 欧美最新免费一区二区三区| 99九九线精品视频在线观看视频| 在线观看免费视频网站a站| www.色视频.com| 久久久久久久国产电影| 深夜a级毛片| 国产精品一区www在线观看| 在线天堂最新版资源| 视频中文字幕在线观看| av在线老鸭窝| 九九久久精品国产亚洲av麻豆| 欧美日韩亚洲高清精品| 中文字幕人妻丝袜制服| 中国三级夫妇交换| 99热全是精品| 国产有黄有色有爽视频| 777米奇影视久久| 三上悠亚av全集在线观看 | 久久人人爽人人片av| 天天躁夜夜躁狠狠久久av| 美女cb高潮喷水在线观看| 欧美激情国产日韩精品一区| 亚洲精品国产成人久久av| 乱码一卡2卡4卡精品| 日本色播在线视频| 国产精品一区www在线观看| 国产成人精品福利久久| 男女国产视频网站| 观看免费一级毛片| 亚洲熟女精品中文字幕| 国产黄色视频一区二区在线观看| 免费大片黄手机在线观看| 大片电影免费在线观看免费| 纯流量卡能插随身wifi吗| 国产黄色免费在线视频| 99久国产av精品国产电影| 久久久久久久久久人人人人人人| 9色porny在线观看| 欧美成人午夜免费资源| 这个男人来自地球电影免费观看 | 中文精品一卡2卡3卡4更新| 国产精品蜜桃在线观看| a级毛片在线看网站| 午夜老司机福利剧场| 久久久久国产网址| 嫩草影院新地址| 午夜免费男女啪啪视频观看| 五月玫瑰六月丁香| 香蕉精品网在线| 亚洲第一区二区三区不卡| 欧美日韩视频高清一区二区三区二| 精品亚洲成国产av| 国产一区二区三区av在线| 国内精品宾馆在线| 看免费成人av毛片| 国产亚洲午夜精品一区二区久久| 国产欧美日韩一区二区三区在线 | 22中文网久久字幕| 卡戴珊不雅视频在线播放| 国产又色又爽无遮挡免| 男女边吃奶边做爰视频| 亚洲精品一区蜜桃| 91aial.com中文字幕在线观看| 国内精品宾馆在线| 国产av精品麻豆| 男男h啪啪无遮挡| 免费大片黄手机在线观看| 亚洲欧洲日产国产| videos熟女内射| 国产一区二区在线观看日韩| 欧美精品亚洲一区二区| 亚洲国产精品一区二区三区在线| 亚洲国产最新在线播放| 不卡视频在线观看欧美| 国产极品粉嫩免费观看在线 | 亚洲av电影在线观看一区二区三区| 久久人人爽av亚洲精品天堂| 国产91av在线免费观看| 日韩av不卡免费在线播放| 亚洲四区av| 国产黄片美女视频| 日韩成人av中文字幕在线观看| kizo精华| 大码成人一级视频| 中文在线观看免费www的网站| 精品一区二区免费观看| 亚洲精品一区蜜桃| 亚洲综合色惰| av在线app专区| 国内揄拍国产精品人妻在线| 久热久热在线精品观看| 汤姆久久久久久久影院中文字幕| 久久久久精品性色| 交换朋友夫妻互换小说| 亚洲精品日本国产第一区| 一级毛片黄色毛片免费观看视频| 久久韩国三级中文字幕| 国产探花极品一区二区| 成人影院久久| 国产在线男女| av一本久久久久| 国产午夜精品一二区理论片| 男女国产视频网站| 国产成人freesex在线| 成人无遮挡网站| 男的添女的下面高潮视频| 男人狂女人下面高潮的视频| 一本色道久久久久久精品综合| 久久久欧美国产精品| 啦啦啦视频在线资源免费观看| 久久人妻熟女aⅴ| 99热这里只有是精品在线观看| 免费播放大片免费观看视频在线观看| 精品视频人人做人人爽| 久久97久久精品| 寂寞人妻少妇视频99o| 免费在线观看成人毛片| 日本vs欧美在线观看视频 | 精品国产一区二区久久| 亚洲人成网站在线播| 国产成人精品婷婷| 亚洲欧美日韩东京热| 国内精品宾馆在线| 亚洲熟女精品中文字幕| 免费少妇av软件| 在线观看美女被高潮喷水网站| 美女脱内裤让男人舔精品视频| 午夜激情福利司机影院| 国产一区二区在线观看av| 久久久精品免费免费高清| 日日摸夜夜添夜夜爱| 久久人妻熟女aⅴ| 在线观看www视频免费| 我的女老师完整版在线观看| 日韩成人伦理影院| 国语对白做爰xxxⅹ性视频网站| 这个男人来自地球电影免费观看 | 国产av码专区亚洲av| 少妇人妻精品综合一区二区| 亚洲欧美成人综合另类久久久| 精品一区二区三卡| 日日爽夜夜爽网站| av网站免费在线观看视频| 中文字幕制服av| 日韩av免费高清视频| 成年人免费黄色播放视频 | 成人亚洲欧美一区二区av| 亚洲精品国产av成人精品| 人妻夜夜爽99麻豆av| 人妻少妇偷人精品九色| 美女大奶头黄色视频| 国产 精品1| 国产成人精品无人区| 六月丁香七月| 老司机影院毛片| 精品久久久精品久久久| 寂寞人妻少妇视频99o| 熟女人妻精品中文字幕| 亚洲av国产av综合av卡| 免费看日本二区| 搡女人真爽免费视频火全软件| 亚洲不卡免费看| 18禁裸乳无遮挡动漫免费视频| 国产色婷婷99| 激情五月婷婷亚洲| 亚洲久久久国产精品| 日日摸夜夜添夜夜爱| 九九在线视频观看精品| 成年人午夜在线观看视频| 91午夜精品亚洲一区二区三区| 久久精品久久久久久久性| av免费观看日本| 在线 av 中文字幕| av网站免费在线观看视频| 秋霞在线观看毛片| 深夜a级毛片| 成人二区视频| 国产一区二区在线观看日韩| 99久久人妻综合| 各种免费的搞黄视频| 秋霞伦理黄片| 欧美少妇被猛烈插入视频| 人妻一区二区av| 91精品国产国语对白视频| 欧美日韩综合久久久久久| 亚洲精品日本国产第一区| 久久久午夜欧美精品| 亚洲成人一二三区av| 亚洲欧洲国产日韩| 免费少妇av软件| 搡老乐熟女国产| 亚洲国产日韩一区二区| 亚洲婷婷狠狠爱综合网| 边亲边吃奶的免费视频| 丝袜在线中文字幕| av在线观看视频网站免费| 国产精品久久久久久精品古装| 日本av免费视频播放| 免费黄网站久久成人精品| 日韩三级伦理在线观看| 国产精品国产av在线观看| 91在线精品国自产拍蜜月| 国产av精品麻豆| 亚洲欧美中文字幕日韩二区| 日日啪夜夜撸| 中文字幕免费在线视频6| 色吧在线观看| 18+在线观看网站| 国产精品久久久久久av不卡| 一级毛片黄色毛片免费观看视频| 简卡轻食公司| 天天躁夜夜躁狠狠久久av| 国产乱来视频区| 看非洲黑人一级黄片| 丁香六月天网| 色哟哟·www| 一个人看视频在线观看www免费| 亚洲婷婷狠狠爱综合网| 国产女主播在线喷水免费视频网站| 三级国产精品片| 一区二区av电影网| av在线app专区| 久久久精品94久久精品| 九草在线视频观看| 2021少妇久久久久久久久久久| 国产黄色免费在线视频| 久久久久久久国产电影| 中文精品一卡2卡3卡4更新| 欧美+日韩+精品| 亚洲精品国产av成人精品| 午夜日本视频在线| 亚洲精品国产av蜜桃| 亚州av有码|