• <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 ?

    小樣本圖像分類中的類別信息融合網(wǎng)絡(luò)

    2022-08-30 09:18:34尚志華郭曉楠黃福玉劉毅志
    關(guān)鍵詞:類別分類器分類

    張 玉,尚志華,郭曉楠,黃福玉,劉毅志

    (1.鄭州師范學(xué)院信息科學(xué)與技術(shù)學(xué)院,鄭州 450044;2.中國科學(xué)技術(shù)大學(xué)信息科學(xué)技術(shù)學(xué)院,合肥 230026;3.北京中科研究院,北京 100049;4.湖南科技大學(xué)計算機(jī)科學(xué)與工程學(xué)院,湘潭 411201)

    深度學(xué)習(xí)被廣泛應(yīng)用于各種圖像識別任務(wù)中并取得了顯著的效果提升[1-6],但是基礎(chǔ)的深度學(xué)習(xí)框架通常需要大規(guī)模標(biāo)注的數(shù)據(jù)集作為監(jiān)督,例如ImageNet 數(shù)據(jù)集[7]等,才能得到能夠準(zhǔn)確分類的模型。然而,在一些領(lǐng)域獲取海量數(shù)據(jù)集的代價很高,尤其是一些安全領(lǐng)域,由于一些類別的圖像出現(xiàn)頻次低,采集標(biāo)注難度大,因此這些類別往往可供學(xué)習(xí)樣本數(shù)量極少,這種情況下,基礎(chǔ)的深度學(xué)習(xí)方式并不適用。同時,一個已經(jīng)在特定類別訓(xùn)練良好的深度學(xué)習(xí)模型在應(yīng)用到新類別時,通常需要大量的新類別樣本,這與人類的學(xué)習(xí)方式有極大的不同。人類在積累了足夠多的知識后,能夠僅從少量的圖片中學(xué)習(xí)到新類別的概念,并能準(zhǔn)確地識別該類別的其他圖片。為了縮小深度學(xué)習(xí)模型與人之間的這種差距,許多研究人員致力于研究如何用深度學(xué)習(xí)網(wǎng)絡(luò)模擬上述的人類學(xué)習(xí)行為,即小樣本圖像分類問題。

    小樣本圖像分類問題的目的是讓模型能夠僅通過少量的樣本學(xué)習(xí)新的類別,從而能夠?qū)π骂悇e的樣本進(jìn)行分類。一些先前的工作在小樣本分類中取得了很大的成功[8-15],Snell 等[10]學(xué)習(xí)一個嵌入,從而能夠使用最近鄰或線性分類器對來自新類別的圖像進(jìn)行識別。Sung 等[11]則直接使用基于度量的模型對新類別的查詢圖像進(jìn)行分類,無需更新網(wǎng)絡(luò)參數(shù)。Qiao等[15]利用預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)提取樣本的特征,并利用這些特征生成新的類別分類器。但是,當(dāng)計算某個類別的參數(shù)時,上述工作均只使用該類別中的樣本,而忽略其他類別中的樣本。

    為了在小樣本分類任務(wù)中更充分地利用不同類別樣本中的信息,本文的重點(diǎn)是在前向傳播中利用類間信息。其網(wǎng)絡(luò)框架如圖1 所示。在所示五分類任務(wù)中,從每個類別中選取1 張樣例圖像輸入網(wǎng)絡(luò),經(jīng)過特征提取器和融合模塊獲得融合后的各類別特征,并通過分類器參數(shù)預(yù)測器生成分類器。之后提取查詢圖像特征并通過生成的分類器獲得預(yù)測結(jié)果。本文網(wǎng)絡(luò)中,來自不同類別的樣本的信息通過一個可學(xué)習(xí)的映射融合在一起,通過這種方式,可以利用類間信息,學(xué)習(xí)到更準(zhǔn)確的新類別概念。但是如何對不同的輸入樣本改變?nèi)诤嫌成?,以及如何合理地改變?nèi)诤嫌成?,都是本文需要關(guān)注的問題。因此,本文設(shè)計了3 個不同的融合模塊來進(jìn)行融合映射,從而探討上述問題:(1)類無關(guān)模塊。使用常量映射來融合輸入樣本的特性。通過類無關(guān)模塊,在訓(xùn)練過程中直接學(xué)習(xí)融合映射,不因測試樣本而改變。(2)半相關(guān)模塊。學(xué)習(xí)生成動態(tài)映射。當(dāng)學(xué)習(xí)一個新的類別時,半相關(guān)模塊分別為屬于該類別和其他類別的輸入樣本計算兩種權(quán)值,然后將它們通過權(quán)值融合在一起。(3)完全相關(guān)模塊。計算不同類別樣本特征的內(nèi)積,然后利用這些內(nèi)積生成融合映射。

    圖1 本文網(wǎng)絡(luò)框架圖Fig.1 Framework of our network

    1 相關(guān)工作

    近年來,許多研究者對小樣本學(xué)習(xí)產(chǎn)生了興趣。其中,小樣本分類問題的目標(biāo)是讓機(jī)器學(xué)習(xí)模型在學(xué)習(xí)了一些類別的大量數(shù)據(jù)后,對于新的類別只需要少量的樣本就能快速學(xué)習(xí),達(dá)到在這些類別上的精確分類。對于一個具體的小樣本任務(wù),設(shè)其新的類別數(shù)為C,每個類別的樣本個數(shù)為K,則稱其為C-wayK-shot 任務(wù)。許多小樣本學(xué)習(xí)方法[8,10-12,15]可被歸納為3 類:基于元學(xué)習(xí)的方法、基于優(yōu)化器的方法和基于度量學(xué)習(xí)的方法。以上方法都能夠從類似的任務(wù)中提取一些可轉(zhuǎn)移的知識用于進(jìn)行新任務(wù)?;谠獙W(xué)習(xí)的方法。元學(xué)習(xí)方法[16]旨在訓(xùn)練1 種元學(xué)習(xí)模型,這種模型可以從1個新任務(wù)的幾個訓(xùn)練例子中快速學(xué)習(xí)出1 個新的模型。具體來說,MAML 方法[12]學(xué)習(xí)了1 個良好的初始條件,用于對小樣本問題進(jìn)行微調(diào)而不會嚴(yán)重過擬合。神經(jīng)網(wǎng)絡(luò)的初始權(quán)值可以在幾個梯度下降步驟中進(jìn)行微調(diào),以適用于新的分類任務(wù)。本文網(wǎng)絡(luò)是一種元學(xué)習(xí)網(wǎng)絡(luò),用于學(xué)習(xí)可遷移的融合樣本信息和生成分類器的方法。元學(xué)習(xí)方法的快速泛化能力源自其訓(xùn)練機(jī)制,在訓(xùn)練過程中產(chǎn)生的梯度被用來作為快速權(quán)重的生成。模型包含1 個元學(xué)習(xí)器和1 個基準(zhǔn)學(xué)習(xí)器,元學(xué)習(xí)器用于學(xué)習(xí)元學(xué)習(xí)任務(wù)之間的泛化信息,并使用存儲機(jī)制保存這種信息,基準(zhǔn)學(xué)習(xí)器則用于快速適應(yīng)新的任務(wù),并和元任務(wù)交互產(chǎn)生預(yù)測輸出。

    基于優(yōu)化器的方法。基于優(yōu)化器的方法認(rèn)為普通的梯度下降方法難以在小樣本任務(wù)的場景下擬合,因此通過調(diào)整優(yōu)化方法來完成小樣本分類的任務(wù)。文獻(xiàn)[17]提出了在樣本較少的情況下,原有的分類任務(wù)中基于梯度的優(yōu)化器算法失效的原因。Finn 等[12]提出了1 種新的優(yōu)化方法,能夠?qū)W習(xí)模型的初始化參數(shù),使得一步或幾步迭代后在新任務(wù)上的精度最大化。本文方法可以學(xué)習(xí)任意標(biāo)準(zhǔn)模型的參數(shù),并讓該模型能快速適配。Antoniou 等[18]提出對MAML 進(jìn)行優(yōu)化,進(jìn)一步提高了系統(tǒng)的泛化性能,加快了網(wǎng)絡(luò)的收斂速度,減少了計算開銷。Nichol 等[19]提出的基于優(yōu)化的元學(xué)習(xí)模型Reptile,也是通過學(xué)習(xí)網(wǎng)絡(luò)參數(shù)的初始化,與MAML 不同的是,Reptile 在參數(shù)優(yōu)化時不要求使用微分。

    基于度量學(xué)習(xí)的方法。度量學(xué)習(xí)方法的目的是學(xué)習(xí)圖像的特征表示,并以前饋的方式對查詢和樣本圖像進(jìn)行分類。原型網(wǎng)絡(luò)[10]學(xué)習(xí)了1 種嵌入,這樣模型就可以通過計算到樣本圖像的距離來分類查詢圖像。關(guān)系網(wǎng)絡(luò)[11]則學(xué)習(xí)1 個深度距離度量來比較樣本圖像和查詢圖像。這里的深度距離度量比起歐幾里得距離和余弦距離更加復(fù)雜,由卷積神經(jīng)網(wǎng)絡(luò)計算得到。TADAM[8]學(xué)習(xí)了1 個任務(wù)相關(guān)的度量空間,該度量空間針對不同的任務(wù)度量不同尺度的距離。TADAM 用向量表示任務(wù),并將其輸入到后續(xù)網(wǎng)絡(luò)中,計算相應(yīng)的度量尺度。Cai 等[20]提出了一種生成式匹配網(wǎng)絡(luò),認(rèn)為新樣本的生成服從某一條件概率分布,使用該分布生成新樣本來進(jìn)行數(shù)據(jù)增強(qiáng)。該方法將樣本映射到語義嵌入空間,在嵌入空間中利用條件似然函數(shù)對樣本的語義特征向量進(jìn)行匹配,減小了特征空間和語義空間的鴻溝。同時,Cai 等[20]還提出了一種利用內(nèi)部存儲來進(jìn)行記憶編碼的元學(xué)習(xí)方法,它將提取到的圖像特征用記憶寫入控制器壓縮進(jìn)記憶間隙,然后利用上下文學(xué)習(xí)器,即雙向的Long short-term memory(LSTM)對記憶間隙進(jìn)行編碼,不僅提高了圖像特征的表示能力,而且能夠探索類別之間的關(guān)系,其輸出為未標(biāo)注樣本的嵌入向量,記憶讀入控制器通過讀入支持集的嵌入向量,將兩者點(diǎn)乘作為距離相似度度量,相比于余弦距離,計算復(fù)雜度更加簡單。Zhou 等[21]提出了基于嵌入回歸的視覺類比網(wǎng)絡(luò),學(xué)習(xí)低維的嵌入空間,再從嵌入空間中學(xué)習(xí)到分類參數(shù)的線性映射函數(shù),對新類分類時,將新類樣本與學(xué)習(xí)到基類的嵌入特征進(jìn)行相似度度量。

    除了以上常見的3 類方法之外,還有一些方法被應(yīng)用于小樣本圖像分類任務(wù)中,基于遷移學(xué)習(xí)的小樣本圖像分類有3 種實現(xiàn)方式:基于特征[22-23]、基 于 相 關(guān) 性[23-26]和 基 于 共 享 參 數(shù)[27-28]的 方 式 等。在一些工作中,對偶學(xué)習(xí)[21]、貝葉斯學(xué)習(xí)[29]和圖神經(jīng)網(wǎng)絡(luò)[30-32]等也被用于處理小樣本圖像分類問題。與本文最相關(guān)的方法是Qiao 等[15]中的激活中預(yù)測參數(shù)。該方法的目的是學(xué)習(xí)1 個參數(shù)預(yù)測器,以便在給定特定類別的樣本圖像時,模型能夠生成用于查詢圖像的分類器參數(shù)。一般來說,小樣本學(xué)習(xí)是一種多分類的任務(wù)。但是文獻(xiàn)[15]中的參數(shù)預(yù)測器僅從A 類別的樣本中學(xué)習(xí)生成A 類別的分類器參數(shù),在前向傳播中忽略了類間信息。相比之下,本文網(wǎng)絡(luò)根據(jù)來自不同類別的所有樣本圖像預(yù)測分類器的參數(shù),與文獻(xiàn)[15]相比只需要很小的額外計算量。

    2 類別信息融合網(wǎng)絡(luò)模型

    本文算法步驟主要分為兩部分:(1)融合特征矩陣的計算,本文設(shè)計了多種可選方法,在第2.1 節(jié)融合映射模塊中分別進(jìn)行了詳細(xì)描述;(2)基于融合特征矩陣進(jìn)行分類器參數(shù)預(yù)測并對查詢圖像進(jìn)行分類,在第2.2 節(jié)類別融合網(wǎng)絡(luò)中進(jìn)行了表述。

    2.1 融合映射模塊

    2.1.1 類別無關(guān)模塊

    期望類別無關(guān)能夠?qū)W習(xí)到一種通用的、不變的融合映射來進(jìn)行小樣本的學(xué)習(xí)。同時,在小樣本學(xué)習(xí)中,由于采樣的隨機(jī)性和訓(xùn)練集/測試集的標(biāo)記空間的差異性,參數(shù)模型往往不能很好地從訓(xùn)練樣本中學(xué)習(xí)。因此,設(shè)計了一個具有少量額外參數(shù)的類 別 無 關(guān) 模 塊(Class-irrelevant module,CIM)。CIM 通過在RC×C中的矩陣WCIM直接學(xué)習(xí)融合映射。如圖2 所示,CIM 通過1 個全連接層將A映射為L,即

    圖2 類別無關(guān)模塊結(jié)構(gòu)圖Fig.2 Illustration of the class-irrelevant module architecture

    CIM 中參數(shù)較少,但有2 個優(yōu)點(diǎn):(1)不對實驗儀器產(chǎn)生更多的運(yùn)算要求;(2)可以避免過擬合。此外,CIM 中也沒有添加更多人為約束。因此,CIM 的性能可以直觀地說明利用類間信息的有效性。

    2.1.2 半相關(guān)模塊

    由于CIM 沒有考慮融合映射和輸入示例之間的關(guān)系,因此設(shè)計一個半相關(guān)模塊(Semi-relevant module,SRM)將這種關(guān)系進(jìn)行融合。SRM 就是為了學(xué)習(xí)這種關(guān)系并動態(tài)生成融合映射而設(shè)計的。用WSRM∈RC×C表示由SRM 生成的融合映射矩陣,在WSRM中,每個元素是1 個融合權(quán)值,它與兩個類別相關(guān),分別是輸入示例所屬的源類別和輸出特征所屬的目標(biāo)類別。如果是來自目標(biāo)類別的樣本,它們與目標(biāo)類別的邏輯關(guān)系相同。如果不是來自目標(biāo)類別的樣本,它們與目標(biāo)類別的邏輯關(guān)系相同,在融合中權(quán)重相近。因此,在SRM 中增加了1 個約束,即只考慮融合權(quán)值與目標(biāo)類別之間的相關(guān)性來控制參數(shù)的數(shù)量。如果用完全連接的層來實現(xiàn)SRM,那么約束至少可以減少一半?yún)?shù)。因此,給定樣本矩陣A,SRM 生成兩個權(quán)重向量α、β∈RC×1,并可計算WAFM和L,即

    式 中:αi、βi分 別 代 表α和β中 的 第i個 元 素;αrepeat∈RC×n,其每一列為α;Aarg∈R1×n為A中每行的平均值;(·)表示hadamard 乘積。由于SRM 只考慮融合映射與目標(biāo)類別之間的關(guān)系,本文稱之為“半相關(guān)”,結(jié)構(gòu)圖如圖3 所示。圖中α的“×”運(yùn)算表示沿某一維重復(fù)α以匹配A的大小并計算它們的hadamard 積β積下方的“×”運(yùn)算則表示矩陣乘法。

    圖3 半相關(guān)模塊結(jié)構(gòu)圖Fig.3 Illustration of the semi-relevant module architecture

    2.1.3 全相關(guān)模塊

    SRM 生成帶有強(qiáng)約束的融合映射,全相關(guān)模塊(Fully-relevant module,F(xiàn)RM)則根據(jù)沒有約束的輸入學(xué)習(xí)融合映射。但是,由于圖像特征的維數(shù)較高,如果FRM 直接從層間完全連接圖像特征生成融合映射,則FRM 參數(shù)過多,容易導(dǎo)致過擬合。因此,首先計算樣本的內(nèi)積。內(nèi)積包含了樣本之間的關(guān)系,用這種方法可以顯著減少參數(shù)數(shù)量,F(xiàn)RM結(jié)構(gòu)圖如圖4 所示。FRM 中計算L的方法為

    式中w( ·)為FRM 生成的融合映射的函數(shù),即圖4中的2 個全連接層。本文對全連接層的輸入和輸出進(jìn)行了重新設(shè)計,以便進(jìn)行后續(xù)計算。

    圖4 全相關(guān)模塊結(jié)構(gòu)圖Fig.4 Illustration of the fully-relevant module architecture

    2.2 類別融合網(wǎng)絡(luò)

    2.2.1 參數(shù)預(yù)測

    由于最終目標(biāo)是分類,因此類別融合網(wǎng)絡(luò)(Category-fusion network,CFN)期望生成1 個融合特征的分類器。Qiao 等[15]中的研究表明,圖像特征與分類器參數(shù)具有較高的相關(guān)性。同時,CFN學(xué)習(xí)的融合特征包含了大量的圖像特征信息。因此,CFN 以與Qiao 等[15]類似的方式生成分類器。CFN 通過Ψ將L映射到WL的線性映射學(xué)習(xí)預(yù)測分類器的參數(shù),其中L是最終分類的參數(shù),即

    式中:WL,y為類y的分類器中的參數(shù);a( ·)為利用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)的特征提取器。

    2.2.2 目標(biāo)函數(shù)

    為了訓(xùn)練CFN,通過最小化分類損失在訓(xùn)練集上訓(xùn)練本文的模型,有

    式中φ(A)y為φ(A)中的第y列。在實驗中,分別使用CIM、SRM 和FRM 作為融合映射模塊,而φ代表其中之一。

    2.2.3 測試過程

    在測試過程中,CFN 首先使用預(yù)先訓(xùn)練的特征提取器a( ·)提取樣本集合和查詢集合中圖像的特征向量。然后,CFN 用融合映射φ對實例進(jìn)行融合。使用融合特性,Ψ生成1 個分類器,該分類器可以對整個查詢集合進(jìn)行分類。

    3 實驗與分析

    3.1 數(shù)據(jù)集

    在MiniImageNet 數(shù)據(jù)集上評估了本文方法,該數(shù)據(jù)集是較大規(guī)模的ILSVRC-15 數(shù)據(jù)集中的一部分。該數(shù)據(jù)集由來自100 個類別的60 000 張彩色圖像組成,其中每個類別中有600 個樣本圖像。遵循Qiao 等[15]提出的劃分方式,選取80 個類別用于訓(xùn)練,20 個類別用于測試。在實驗中預(yù)處理圖像像素的方式為:首先,將圖像的大小調(diào)整為92×92,然后隨機(jī)裁剪它們,以80/92 的比例進(jìn)行訓(xùn)練,并以相同的比例進(jìn)行測試。

    3.2 具體步驟

    訓(xùn)練過程中,本文通過使用兩種不同的基礎(chǔ)網(wǎng)絡(luò)骨架得到兩種特征提取器,分別是簡單卷積模塊組成的網(wǎng)絡(luò)[9]和寬殘差網(wǎng)絡(luò)(WRN-28-10)[33]。按照Qiao 等[15]中的方法將這些網(wǎng)絡(luò)進(jìn)行了調(diào)整以適應(yīng)MiniImageNet 數(shù)據(jù)集。比起CIFAR 數(shù)據(jù)集上的網(wǎng)絡(luò),本文網(wǎng)絡(luò)中將2 倍下采樣改為3 倍下采樣,并在最后添加1 個全局平均池化層。

    本文提出了5 種分類的CFN 網(wǎng)絡(luò)。對于CIM,使用無激活層的單級全連接層,輸入和輸出維度均為5,如圖2 所示。SRM 則是由2 個完全連接的層和2 個層之間的ReLu 層組成的順序網(wǎng)絡(luò)。第1 層的輸入和輸出尺寸與圖像特征相同,第2 層的輸出為α和β。FRM 通過2 個全連接層實現(xiàn),其中輸入和輸出的大小都是5×5=25。在第1 個全連接層之后還有1 個ReLu 層。使用1 個n×n的全連接層來實現(xiàn)參數(shù)預(yù)測器Ψ。

    在訓(xùn)練過程中,首先在訓(xùn)練集上對網(wǎng)絡(luò)進(jìn)行常規(guī)的多分類訓(xùn)練。無論在小樣本學(xué)習(xí)還是常規(guī)的分類網(wǎng)絡(luò)學(xué)習(xí)中,特征提取器的目的都是為了得到具有鑒別性的圖像特征。雖然這部分不是關(guān)于小樣本學(xué)習(xí)的主要研究,但在實驗中證實了其對結(jié)果的顯著影響。預(yù)訓(xùn)練之后,將融合映射φ和參數(shù)預(yù)測器Ψ一起訓(xùn)練。按照現(xiàn)有的小樣本學(xué)習(xí)工作的常規(guī)設(shè)置,進(jìn)行了5-way 1-shot 和5-shot 分類。在每個訓(xùn)練/測試集中,查詢集都由來自每個類別的15 張圖像組成。即在1 次5-way 1-shot 實驗中,使用1×5=5 個樣本來生成分類器,并在15×5=75 張圖像上進(jìn)行分類測試。

    3.3 方法對比

    在每一個小樣本學(xué)習(xí)步驟中,將在5 個類別上驗證模型的分類準(zhǔn)確性。與Sung 等[11]中一致,最終的準(zhǔn)確率平均在600 個隨機(jī)生成的測試集上進(jìn)行測試。表1 對比了本文方法和以往方法的準(zhǔn)確性。其中方法欄中上半部分方法使用3.2 節(jié)中提到的簡單卷積網(wǎng)絡(luò)骨架,下半部分采用的是殘差網(wǎng)絡(luò)作為網(wǎng)絡(luò)骨架。與其他使用簡單卷積網(wǎng)絡(luò)的方法相比,CIM、SRM 和FRM 都有較大的提升,F(xiàn)RM 在1 樣本和5 樣本場景上都獲得了最高的精度。這一結(jié)果表明,融合實例信息對小樣本學(xué)習(xí)是有效的。在以簡單網(wǎng)絡(luò)為骨架的本文網(wǎng)絡(luò)中,F(xiàn)RM 的性能優(yōu)于CIM,說明根據(jù)輸入實例改變?nèi)诤嫌成涫强尚械?。但是,在以WRN 為骨架時,每個模塊對精度的提升要小于簡單卷積網(wǎng)絡(luò)作為骨架的情況。本文認(rèn)為這應(yīng)該是由于過擬合的原因,因為WRN-28-10 的參數(shù)數(shù)量是簡單骨架網(wǎng)絡(luò)的幾百倍。由于過擬合嚴(yán)重,SRM 和FRM的性能受到限制。然而,CIM 仍然達(dá)到了最好的性能,證明了CIM 的魯棒性。CIM 具有更少的參數(shù),它可以學(xué)習(xí)較通用的類別無關(guān)的融合映射。因此,在過擬合條件下,該算法具有較好的魯棒性和性能。綜上所述,雖然3 個模塊有不同的優(yōu)點(diǎn),但本文提出的融合樣本方法的有效性是毋庸置疑的。

    表1 MiniImageNet 數(shù)據(jù)集上小樣本的學(xué)習(xí)精度Table1 Few-shot 5-way accuracies on MiniImageNet %

    3.4 分析與討論

    3.4.1 CIM 學(xué)習(xí)情況分析

    CIM 的設(shè)計思路是在不考慮樣本差異的情況下學(xué)習(xí)融合映射。為了分析CIM 學(xué)到的內(nèi)容,將CIM 的融合映射矩陣的絕對值顯示在表2 中。為了便于觀察,每個部分的值均進(jìn)行了除以最大值的歸一化。觀察可以發(fā)現(xiàn)對角線上的值支配著矩陣,這意味著對于每個目標(biāo)類別,屬于這個類的樣本對它的影響最大。雖然非對角元素的值較小,但它們的總和也比較可觀,這也說明了類間信息對最終分類是有幫助的。此外還可觀察到,沿對角線,最大值為1.0,最小值為0.52,這表明CIM 并沒有平等地融合每個類的樣本。推測這是因為每個融合的圖像特征都包含了所有類別的信息,CIM 學(xué)到了一個適合的策略來利用樣本信息,而不是平均地融合。

    表2 CIM 融合映射矩陣絕對值Table 2 Absolute values of CIM fusion mapping matrix

    3.4.2 SRM 學(xué)習(xí)情況分析

    與CIM 不同,SRM 采用動態(tài)融合映射,而α和β是理解SRM 融合映射特性的關(guān)鍵。圖5 顯示了它們在600 個訓(xùn)練步中的分布。結(jié)果表明,α的分布區(qū)間較小,而β的分布區(qū)間較大。這說明該方法可以調(diào)整非目標(biāo)類別實例對融合映射的影響,最終根據(jù)實例改變?nèi)诤嫌成洹4送?,α和β分布相對密集,這意味著不同輸入的融合映射具有相似性。

    圖5 SRM 中α 和β 的分布Fig.5 Distribution of α and β in SRM

    3.4.3 分類器中參數(shù)的相關(guān)性

    通過觀察對應(yīng)分類器中參數(shù)的相關(guān)性來分析這3 個模塊。由于最終目標(biāo)是進(jìn)行分類,所以分類器的參數(shù)直接影響結(jié)果。在每1 訓(xùn)練/測試步中,每個類別都有1 組分類器參數(shù)。本文計算了每一集不同參數(shù)的平均相關(guān)性,并在圖6 中顯示了600步的相關(guān)性的核密度估計。顯然這3 個模塊都降低了分類器參數(shù)的相關(guān)性,這意味著分類器更加關(guān)注類別之間的差異,而忽略了多余的相似信息。這個結(jié)果是合理的,因為沒有類間的信息,分類器不能學(xué)習(xí)類別之間的差異是什么,只衡量查詢圖像與樣本圖像的相似程度。毫無疑問,學(xué)習(xí)這些額外的知識可以幫助分類器做出正確的預(yù)測。同時,從圖6 中可見,模塊之間也存在差異。圖中“Base”表示沒有融合映射的類別融合網(wǎng)絡(luò),F(xiàn)RM 的相關(guān)性最低,說明FRM 學(xué)習(xí)融合的方法比其他2 種方法更能提高分類器的識別性能。

    圖6 分類器參數(shù)相關(guān)性的核密度估計Fig.6 Kernel density estimation of correlation of classifier parameters

    4 結(jié) 論

    本文提出了一種新的類別信息融合網(wǎng)絡(luò),該網(wǎng)絡(luò)可以通過融合樣本信息來充分利用樣本中的類間信息。本文的網(wǎng)絡(luò)能夠?qū)W習(xí)前向傳播中類別之間的差異,并生成一個更有分辨力的分類器。此外,設(shè)計了3 個模塊,以不同的方式融合不同類別的信息,并討論了它們各自的優(yōu)缺點(diǎn)。3種模塊間相互獨(dú)立,可以根據(jù)不同任務(wù)上的選擇單一模塊使用,同時3種模塊也可以在模型中并行計算,分別計算相應(yīng)的融合特征及其分類器,最終對多個分類器進(jìn)行模型融合得到最終結(jié)果。本文網(wǎng)絡(luò)在MiniImageNet 數(shù)據(jù)集上實現(xiàn)了最先進(jìn)的性能,在每個新類別1 個樣本和5個樣本場景下分別得到了60.03%和74.15%的分類精確度,超越了基準(zhǔn)網(wǎng)絡(luò)的分類性能。實驗結(jié)果證明了該方法對類間信息的有效利用。

    猜你喜歡
    類別分類器分類
    分類算一算
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    教你一招:數(shù)的分類
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識別
    少妇被粗大猛烈的视频| 成人av一区二区三区在线看| 黄色欧美视频在线观看| 亚洲av成人精品一区久久| 国产成人a区在线观看| 国产伦精品一区二区三区四那| 欧美+日韩+精品| 亚洲成人av在线免费| av在线亚洲专区| 久久久久免费精品人妻一区二区| 国产视频一区二区在线看| 亚洲中文字幕一区二区三区有码在线看| 91av网一区二区| 亚洲熟妇中文字幕五十中出| 成人午夜高清在线视频| 秋霞在线观看毛片| 蜜桃亚洲精品一区二区三区| 国产探花在线观看一区二区| 人妻制服诱惑在线中文字幕| 成年版毛片免费区| 国产视频内射| 色尼玛亚洲综合影院| 女人被狂操c到高潮| 黄色欧美视频在线观看| 赤兔流量卡办理| av福利片在线观看| 婷婷精品国产亚洲av在线| 最好的美女福利视频网| 搡女人真爽免费视频火全软件 | 99热只有精品国产| 99在线人妻在线中文字幕| 国产精品女同一区二区软件| 一级毛片我不卡| 免费看av在线观看网站| 亚洲在线自拍视频| 国产精品不卡视频一区二区| 国产成人freesex在线 | 青春草视频在线免费观看| 国产av麻豆久久久久久久| 亚洲国产精品合色在线| 高清午夜精品一区二区三区 | 国产白丝娇喘喷水9色精品| 插逼视频在线观看| av天堂中文字幕网| 91久久精品电影网| 精华霜和精华液先用哪个| 亚洲成人中文字幕在线播放| 成人av一区二区三区在线看| 国产白丝娇喘喷水9色精品| 熟女电影av网| 蜜臀久久99精品久久宅男| 少妇被粗大猛烈的视频| 最新中文字幕久久久久| 国产精品爽爽va在线观看网站| 在线观看午夜福利视频| 麻豆精品久久久久久蜜桃| 午夜精品一区二区三区免费看| 日韩国内少妇激情av| 亚洲人成网站在线播放欧美日韩| 久久久午夜欧美精品| 国产精品综合久久久久久久免费| 一级黄色大片毛片| 国语自产精品视频在线第100页| 日韩成人伦理影院| 免费观看精品视频网站| 丝袜喷水一区| 99久久成人亚洲精品观看| 欧美成人免费av一区二区三区| 国产精品无大码| 搡女人真爽免费视频火全软件 | 丝袜喷水一区| 又粗又爽又猛毛片免费看| 一级毛片电影观看 | 黄色视频,在线免费观看| 三级毛片av免费| 午夜免费男女啪啪视频观看 | 成年av动漫网址| 大香蕉久久网| 久久久久久伊人网av| 国产成人a∨麻豆精品| 国产久久久一区二区三区| 看十八女毛片水多多多| 国产精品免费一区二区三区在线| 国产精品美女特级片免费视频播放器| 伦精品一区二区三区| 亚洲成人精品中文字幕电影| 校园人妻丝袜中文字幕| 亚洲第一电影网av| 麻豆久久精品国产亚洲av| 床上黄色一级片| 国产美女午夜福利| 国产成人freesex在线 | av专区在线播放| 久久热精品热| 天美传媒精品一区二区| 国产综合懂色| 国内少妇人妻偷人精品xxx网站| 国产一区二区在线av高清观看| 亚洲国产精品成人久久小说 | 精品久久久久久久人妻蜜臀av| 1000部很黄的大片| a级毛片a级免费在线| 国产麻豆成人av免费视频| 久久久国产成人精品二区| 亚洲精华国产精华液的使用体验 | av中文乱码字幕在线| 国产精品女同一区二区软件| 尤物成人国产欧美一区二区三区| 日韩欧美 国产精品| 亚洲精品粉嫩美女一区| 免费看日本二区| 色综合色国产| 在线免费观看的www视频| 男人和女人高潮做爰伦理| 成人综合一区亚洲| 色在线成人网| 97热精品久久久久久| 国产aⅴ精品一区二区三区波| 夜夜看夜夜爽夜夜摸| 波多野结衣高清作品| 午夜爱爱视频在线播放| 成人高潮视频无遮挡免费网站| 少妇被粗大猛烈的视频| 国产欧美日韩一区二区精品| 内射极品少妇av片p| 久久精品夜夜夜夜夜久久蜜豆| 一边摸一边抽搐一进一小说| 人人妻人人看人人澡| 国产亚洲精品综合一区在线观看| 国产精品不卡视频一区二区| 婷婷色综合大香蕉| 亚洲最大成人手机在线| 尾随美女入室| 日韩制服骚丝袜av| 老司机影院成人| 成人精品一区二区免费| 午夜a级毛片| 男人的好看免费观看在线视频| 午夜精品一区二区三区免费看| 日韩精品青青久久久久久| 免费看美女性在线毛片视频| 午夜精品国产一区二区电影 | 男女啪啪激烈高潮av片| 亚洲aⅴ乱码一区二区在线播放| 精品人妻一区二区三区麻豆 | 俺也久久电影网| 色哟哟哟哟哟哟| 成年女人永久免费观看视频| 国产精品久久电影中文字幕| 午夜激情欧美在线| 亚洲国产精品久久男人天堂| 久久欧美精品欧美久久欧美| 国产成人a∨麻豆精品| 黄色欧美视频在线观看| 3wmmmm亚洲av在线观看| 久久九九热精品免费| 久久久久久久久中文| 少妇人妻一区二区三区视频| 久久午夜亚洲精品久久| 欧美激情国产日韩精品一区| 国产高清视频在线观看网站| 欧美丝袜亚洲另类| av在线亚洲专区| 久久精品国产自在天天线| 一级毛片我不卡| 天堂av国产一区二区熟女人妻| 久久人人精品亚洲av| 亚洲婷婷狠狠爱综合网| 亚洲精华国产精华液的使用体验 | 日日干狠狠操夜夜爽| 老师上课跳d突然被开到最大视频| 22中文网久久字幕| 日本免费a在线| 久久精品国产亚洲av天美| 身体一侧抽搐| 深爱激情五月婷婷| 国产在线精品亚洲第一网站| 久久国产乱子免费精品| 国产片特级美女逼逼视频| 91狼人影院| 久久婷婷人人爽人人干人人爱| 久久久色成人| 国产精品一区二区三区四区免费观看 | 国产精品免费一区二区三区在线| 麻豆av噜噜一区二区三区| 99久久九九国产精品国产免费| 日韩欧美三级三区| 精品日产1卡2卡| 久久精品91蜜桃| 变态另类丝袜制服| 亚洲美女搞黄在线观看 | 女人被狂操c到高潮| 三级男女做爰猛烈吃奶摸视频| АⅤ资源中文在线天堂| 欧美极品一区二区三区四区| 国产极品精品免费视频能看的| 中国国产av一级| 久久久久精品国产欧美久久久| 日本免费一区二区三区高清不卡| 男女视频在线观看网站免费| 亚洲成av人片在线播放无| 精品久久久久久久久亚洲| 日韩欧美精品免费久久| 国产午夜精品论理片| 国产伦精品一区二区三区视频9| 国产片特级美女逼逼视频| 国产伦一二天堂av在线观看| 亚洲av成人av| 99热这里只有是精品在线观看| 成人精品一区二区免费| 熟女电影av网| 久久精品夜夜夜夜夜久久蜜豆| 日韩三级伦理在线观看| 色播亚洲综合网| 中国国产av一级| 亚洲精品国产av成人精品 | 中文字幕av成人在线电影| 免费不卡的大黄色大毛片视频在线观看 | 国产私拍福利视频在线观看| 一个人免费在线观看电影| 欧美色视频一区免费| 久久久国产成人免费| 大又大粗又爽又黄少妇毛片口| 亚洲人成网站高清观看| 国产伦在线观看视频一区| 国产精品一区二区三区四区免费观看 | 亚洲国产欧洲综合997久久,| 日韩av在线大香蕉| 99热这里只有精品一区| 亚洲中文字幕一区二区三区有码在线看| 深爱激情五月婷婷| 欧美潮喷喷水| 久久婷婷人人爽人人干人人爱| 秋霞在线观看毛片| 日韩欧美 国产精品| 少妇猛男粗大的猛烈进出视频 | 99国产极品粉嫩在线观看| 插阴视频在线观看视频| 精品少妇黑人巨大在线播放 | 国产精品一及| 特大巨黑吊av在线直播| 国产三级在线视频| 老司机影院成人| 亚洲色图av天堂| or卡值多少钱| 免费人成在线观看视频色| 午夜a级毛片| 久久精品国产亚洲网站| 亚洲成人久久性| 卡戴珊不雅视频在线播放| 天堂av国产一区二区熟女人妻| 色综合亚洲欧美另类图片| 久久人人爽人人片av| 欧美三级亚洲精品| 亚洲高清免费不卡视频| 欧美激情久久久久久爽电影| 97在线视频观看| 中文字幕人妻熟人妻熟丝袜美| 亚洲乱码一区二区免费版| 99久久精品国产国产毛片| 久久久久国产精品人妻aⅴ院| 欧美性猛交黑人性爽| 最近最新中文字幕大全电影3| 搡老岳熟女国产| 国产黄色视频一区二区在线观看 | 看免费成人av毛片| 美女xxoo啪啪120秒动态图| 国产在线精品亚洲第一网站| 91麻豆精品激情在线观看国产| 一级av片app| 我的老师免费观看完整版| 嫩草影院精品99| 成年女人毛片免费观看观看9| 成人一区二区视频在线观看| 成人特级黄色片久久久久久久| 日韩av不卡免费在线播放| 美女免费视频网站| 国产一区二区激情短视频| 国产精品三级大全| 少妇猛男粗大的猛烈进出视频 | 老司机影院成人| 国产91av在线免费观看| 欧美潮喷喷水| 亚洲精华国产精华液的使用体验 | 少妇人妻一区二区三区视频| 免费大片18禁| 亚洲最大成人av| 国产精品嫩草影院av在线观看| 最近最新中文字幕大全电影3| 久久久久国产精品人妻aⅴ院| 午夜福利18| 内地一区二区视频在线| 老熟妇仑乱视频hdxx| 一区二区三区免费毛片| 亚洲最大成人中文| 欧美性感艳星| 亚洲性久久影院| 一区福利在线观看| 简卡轻食公司| 免费观看精品视频网站| 婷婷精品国产亚洲av| 最好的美女福利视频网| 丝袜美腿在线中文| 欧美成人免费av一区二区三区| av天堂中文字幕网| 少妇的逼好多水| 午夜激情福利司机影院| 在线国产一区二区在线| 一个人看的www免费观看视频| 日本五十路高清| 精品久久久久久久久av| 97热精品久久久久久| 性欧美人与动物交配| 亚洲在线自拍视频| 日本黄大片高清| 深夜精品福利| 18禁裸乳无遮挡免费网站照片| 在线免费观看不下载黄p国产| 成人美女网站在线观看视频| 欧美一级a爱片免费观看看| 国产黄片美女视频| 少妇被粗大猛烈的视频| 免费看美女性在线毛片视频| 晚上一个人看的免费电影| 麻豆久久精品国产亚洲av| 俄罗斯特黄特色一大片| 欧美国产日韩亚洲一区| 日本-黄色视频高清免费观看| 亚洲熟妇中文字幕五十中出| 给我免费播放毛片高清在线观看| 桃色一区二区三区在线观看| 内射极品少妇av片p| 18禁黄网站禁片免费观看直播| 亚洲熟妇熟女久久| 一边摸一边抽搐一进一小说| 亚洲国产色片| 成年女人毛片免费观看观看9| 国产亚洲精品综合一区在线观看| 成人毛片a级毛片在线播放| 99热网站在线观看| 国产精品久久视频播放| 国产在线精品亚洲第一网站| 日韩国内少妇激情av| 久久婷婷人人爽人人干人人爱| 男女视频在线观看网站免费| 中文字幕精品亚洲无线码一区| 麻豆一二三区av精品| 精品人妻偷拍中文字幕| 色哟哟·www| 热99re8久久精品国产| 男女那种视频在线观看| 婷婷色综合大香蕉| 国内精品宾馆在线| 亚洲色图av天堂| 亚洲欧美日韩卡通动漫| 国语自产精品视频在线第100页| 91久久精品国产一区二区成人| 国产探花极品一区二区| 一个人免费在线观看电影| 国产精品亚洲美女久久久| 国产精品精品国产色婷婷| 看黄色毛片网站| 91久久精品国产一区二区三区| 麻豆一二三区av精品| 国产精品日韩av在线免费观看| 99精品在免费线老司机午夜| 成人特级av手机在线观看| 亚洲人成网站在线观看播放| or卡值多少钱| 欧美激情国产日韩精品一区| 日日摸夜夜添夜夜爱| 色综合色国产| 亚洲精品久久国产高清桃花| 成年版毛片免费区| 综合色av麻豆| 特级一级黄色大片| 搡老妇女老女人老熟妇| 少妇高潮的动态图| 99久久无色码亚洲精品果冻| 欧美最新免费一区二区三区| 禁无遮挡网站| 91久久精品电影网| 麻豆乱淫一区二区| 日本色播在线视频| 免费黄网站久久成人精品| 国产一区二区在线观看日韩| 亚洲国产精品国产精品| 亚洲自偷自拍三级| 欧美潮喷喷水| 激情 狠狠 欧美| 亚洲国产日韩欧美精品在线观看| 欧美日韩乱码在线| 亚洲av五月六月丁香网| 亚洲va在线va天堂va国产| 国产亚洲精品久久久久久毛片| 一级毛片我不卡| 亚洲第一区二区三区不卡| 老司机影院成人| 成人毛片a级毛片在线播放| 国产成人aa在线观看| 久久欧美精品欧美久久欧美| 久久草成人影院| 男女下面进入的视频免费午夜| 欧洲精品卡2卡3卡4卡5卡区| 99热只有精品国产| 国产精品野战在线观看| av在线天堂中文字幕| 一个人看视频在线观看www免费| 男女之事视频高清在线观看| 真人做人爱边吃奶动态| 亚洲av.av天堂| 久久精品夜色国产| 你懂的网址亚洲精品在线观看 | 97超碰精品成人国产| 欧美日韩精品成人综合77777| 日韩强制内射视频| 久久久久久久久久久丰满| 精品一区二区三区人妻视频| 国产一区二区激情短视频| 99热这里只有精品一区| 国产高潮美女av| 亚洲aⅴ乱码一区二区在线播放| 亚州av有码| 干丝袜人妻中文字幕| 人妻夜夜爽99麻豆av| 日韩在线高清观看一区二区三区| 五月伊人婷婷丁香| 欧美xxxx性猛交bbbb| 人人妻人人澡人人爽人人夜夜 | 俄罗斯特黄特色一大片| 精品午夜福利视频在线观看一区| 永久网站在线| 岛国在线免费视频观看| 波多野结衣巨乳人妻| 国产高清视频在线观看网站| 国产av麻豆久久久久久久| 亚洲丝袜综合中文字幕| av免费在线看不卡| 亚洲不卡免费看| 国产一区二区三区av在线 | 69人妻影院| 日韩欧美在线乱码| or卡值多少钱| 亚洲丝袜综合中文字幕| 精品久久久久久久久亚洲| 久久久国产成人精品二区| 国产高清视频在线播放一区| 六月丁香七月| 亚洲欧美日韩东京热| 亚洲无线在线观看| 十八禁国产超污无遮挡网站| 欧美日韩精品成人综合77777| 99热6这里只有精品| 精品一区二区三区人妻视频| 一级毛片我不卡| 国内精品一区二区在线观看| 欧美一区二区亚洲| 久久久久久久久中文| 麻豆国产97在线/欧美| 国产大屁股一区二区在线视频| 久久精品久久久久久噜噜老黄 | 九色成人免费人妻av| 国产综合懂色| 国产蜜桃级精品一区二区三区| 成人亚洲精品av一区二区| 亚洲成人精品中文字幕电影| 韩国av在线不卡| 免费在线观看影片大全网站| 99久国产av精品国产电影| 国产午夜精品论理片| or卡值多少钱| 亚洲av二区三区四区| 毛片一级片免费看久久久久| 久久精品国产亚洲av涩爱 | 亚洲精品乱码久久久v下载方式| 久久久久久久久大av| 日韩一区二区视频免费看| 亚洲av一区综合| 日本成人三级电影网站| 亚洲国产色片| 亚洲国产精品sss在线观看| av黄色大香蕉| 一级毛片电影观看 | 亚洲久久久久久中文字幕| 亚洲18禁久久av| 日日摸夜夜添夜夜添av毛片| 91久久精品国产一区二区成人| 在线天堂最新版资源| 在线免费观看不下载黄p国产| 久久精品国产自在天天线| 晚上一个人看的免费电影| 日韩中字成人| 欧美中文日本在线观看视频| 人人妻,人人澡人人爽秒播| 99在线视频只有这里精品首页| 日韩欧美 国产精品| 国产麻豆成人av免费视频| 夜夜看夜夜爽夜夜摸| 嫩草影院入口| 亚洲成av人片在线播放无| 久久久久久久午夜电影| 日韩一区二区视频免费看| 久久精品国产亚洲av香蕉五月| 精品99又大又爽又粗少妇毛片| 最好的美女福利视频网| 成人性生交大片免费视频hd| 一区二区三区高清视频在线| 午夜精品在线福利| 亚洲人成网站在线播放欧美日韩| а√天堂www在线а√下载| 日韩成人伦理影院| 一级毛片电影观看 | 国产真实伦视频高清在线观看| 美女高潮的动态| 日韩精品青青久久久久久| 日韩 亚洲 欧美在线| 嫩草影视91久久| 可以在线观看的亚洲视频| 22中文网久久字幕| 国产麻豆成人av免费视频| 亚洲精品在线观看二区| 韩国av在线不卡| 此物有八面人人有两片| 国产69精品久久久久777片| www日本黄色视频网| 久久久久精品国产欧美久久久| a级毛片免费高清观看在线播放| 免费无遮挡裸体视频| 简卡轻食公司| 日韩精品有码人妻一区| 日日摸夜夜添夜夜添小说| 女人十人毛片免费观看3o分钟| 亚洲成人久久性| 色av中文字幕| 少妇的逼好多水| 大香蕉久久网| 狂野欧美白嫩少妇大欣赏| 国产伦精品一区二区三区视频9| 国产在线男女| 欧美成人一区二区免费高清观看| 男人舔奶头视频| 久久久久精品国产欧美久久久| 久久久精品欧美日韩精品| 亚洲成人av在线免费| 日本撒尿小便嘘嘘汇集6| 91麻豆精品激情在线观看国产| 中文资源天堂在线| 午夜免费激情av| 国产精品无大码| 欧美一级a爱片免费观看看| 亚洲七黄色美女视频| 亚洲一区二区三区色噜噜| 亚洲精品456在线播放app| 久久人人爽人人爽人人片va| 少妇高潮的动态图| 久久精品夜色国产| 久久精品国产清高在天天线| 尾随美女入室| 国产精华一区二区三区| 美女大奶头视频| 亚洲丝袜综合中文字幕| 亚洲婷婷狠狠爱综合网| 国产av在哪里看| 男女那种视频在线观看| 两个人视频免费观看高清| 日本免费一区二区三区高清不卡| 蜜桃久久精品国产亚洲av| 国产精品爽爽va在线观看网站| 九九在线视频观看精品| 成年女人毛片免费观看观看9| 国产av不卡久久| 成年版毛片免费区| 99热全是精品| 国产成年人精品一区二区| 久久久久国产网址| 国产成人aa在线观看| 亚洲综合色惰| 国产免费男女视频| 简卡轻食公司| 日日撸夜夜添| 欧美人与善性xxx| 99在线视频只有这里精品首页| 精品国产三级普通话版| 国产亚洲精品av在线| 亚洲av免费高清在线观看| 一a级毛片在线观看| 国产在线男女| 亚洲av熟女| 欧美激情久久久久久爽电影| 午夜免费激情av| 久久热精品热| 一级av片app| 亚洲av.av天堂| 真人做人爱边吃奶动态| 日韩成人av中文字幕在线观看 | 天天躁日日操中文字幕| 精品一区二区三区视频在线观看免费| 熟女人妻精品中文字幕| 日本五十路高清| 国产精品永久免费网站| 少妇的逼好多水| 内射极品少妇av片p| 久久久久国内视频| 又粗又爽又猛毛片免费看| 极品教师在线视频| 我的女老师完整版在线观看| a级一级毛片免费在线观看| 亚洲av第一区精品v没综合| 国产精品1区2区在线观看.| 国产淫片久久久久久久久| 亚洲精品在线观看二区| 日本三级黄在线观看| 有码 亚洲区| 日本熟妇午夜| 99riav亚洲国产免费|