• <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 ?

    判別相關(guān)分析雙注意力機制的目標檢測算法

    2022-09-06 11:08:42鄭愛玲
    計算機工程與應用 2022年17期
    關(guān)鍵詞:注意力卷積特征

    趙 珊,鄭愛玲

    河南理工大學 計算機科學與技術(shù)學院,河南 焦作 454003

    目標檢測是一種基于統(tǒng)計特征和幾何特征的圖像自動檢測過程,需要對圖像中的目標進行準確的分類和定位。作為機器視覺領(lǐng)域的研究熱點,廣泛地應用于智能監(jiān)控、無人機導航、智能交通等領(lǐng)域,但對于復雜環(huán)境中的目標,多變的光線和復雜的背景增加了目標檢測的難度。近年來,基于深度學習的目標檢測技術(shù)成為研究的熱點。

    目前基于深度學習的目標檢測算法主要分為兩種,一種是以R-CNN[1]系列為代表的two-stage 目標檢測算法,此類算法首先產(chǎn)生區(qū)域候選框,然后再對候選區(qū)域進行分類和回歸,精度高但速度慢。另一種是以YOLO[2]、SSD[3]為代表的基于回歸的one-stage目標檢測算法,此類算法直接對目標物進行回歸,速度快但精度低。針對two-stage 以及one-stage 算法的現(xiàn)存缺點,如何提高算法的檢測性能近年來備受關(guān)注。

    由于網(wǎng)絡結(jié)構(gòu)的改善可增加模型的魯棒性,Shen等人[4]提出了基于圖神經(jīng)網(wǎng)絡(GNN)的圖像識別,將視覺特征學習最大化,以實現(xiàn)精確的相似度估計。He等人[5]提出基于雙分支體素特征提取的三維物體檢測網(wǎng)絡,在小尺度目標物基礎上可捕捉更精細的幾何特征。熊偉華等人[6]提出將集成蒸餾策略和反卷積相結(jié)合用于目標檢測,對于微小物體可達到與大型物體相似的精確度。為了獲得更多的特征細節(jié)信息,將全局信息和局部信息融合在一起的思想在視覺任務中得到了廣泛的應用。Zhao等人[7]設計了金字塔池化模塊用于場景解析,提取分層的全局上下文先驗信息與局部FCN 特征連接,增加了網(wǎng)絡的利用率。陳灝然等人[8]基于感受野特征提取,融入特征融合模塊用于目標檢測,保證了算法的識別率。Felzenszwalb 等人[9]結(jié)合全局根模型和精細的局部模型來表示高度可變的目標,緩解了小目標的漏檢率。以上算法通過對細節(jié)特征的關(guān)注有效改善了算法性能,但在分類過程中,常會因算法模型忽略物體類別間的相關(guān)性而導致模型訓練時間過長。

    典型相關(guān)分析(canonical correlation analysis,CCA[10])通過學習兩個模態(tài)的投影矩陣,來實現(xiàn)跨模態(tài)之間的整體相關(guān)性,可直接對兩組隨機變量的相關(guān)關(guān)系進行研究,但沒有考慮多物體的多類別信息,一定程度上影響了算法的性能。Haghighat 等人[11]基于此提出了判別相關(guān)分析(discriminant correlation analysis,DCA)的特征融合方法,充分利用單模態(tài)類別信息,有效地將同類特征信息進行關(guān)聯(lián),同時消除不同類別樣本之間的相關(guān)性,緩解了網(wǎng)絡訓練過程中的部分缺陷。后續(xù)學者[12-13]將相關(guān)分析算法同其他模型結(jié)合,并廣泛地應用于整個計算機視覺領(lǐng)域,但對重點信息的關(guān)注和對無關(guān)信息的抑制仍然不夠。

    為解決上述局限性,Hu 等人提出注意力機制SENet[14],較好地實現(xiàn)了特征通道間的相互依賴關(guān)系,但模型復雜度仍較高。針對此問題,Li 等人[15-17]提出很多改進方法。近年來,雙注意力機制的提出有助于獲得對多種語義抽象的視覺關(guān)注,但增加注意力機制的層數(shù)也容易發(fā)生過擬合。

    上述算法均在不同程度上提高了檢測精度,但大部分模型經(jīng)過多次卷積運算后無法檢測出分辨率較低的小目標,且受噪聲影響較大。本文針對該問題,提出一種判別相關(guān)分析的雙注意力機制的目標檢測算法,以提高小目標為出發(fā)點,將雙注意力機制與多尺度層次特征融合技術(shù)相結(jié)合,通過提取不同卷積級別的特征來檢測小目標并合理的給不同的通道分配權(quán)重,實驗表明,本文提出的算法具有可行性。

    1 Faster R-CNN檢測算法

    Faster R-CNN[18]是兩階段目標檢測的代表性算法,主要工作原理圖如圖1 所示。首先將圖片輸入到主干網(wǎng)絡中進行目標的特征提取,隨后將得到的特征圖采用區(qū)域生成網(wǎng)絡(region proposal networks,RPN)進行k個目標候選域(anchors)的生成,并選取不同的尺寸和比例,接著對生成的感興趣區(qū)域進行二分類,在模型測試過程中,使用NMS 算法剔除冗余建議框,并將得分較高的建議框作為感興趣區(qū)域(ROIs),通過ROI pooling層統(tǒng)一大小后,送入多分類器進行最后階段的分類與回歸。較原CNN 系列算法更新了區(qū)域生成方式,并通過兩次候選框的篩選,得到了較高的精度值,但正因為如此,網(wǎng)絡的耗時性也成為該算法的一大劣勢,再加上訓練過程中特征圖經(jīng)過一系列操作后信息損失較多,小物體的漏檢也成為一個不可忽視的問題。

    2 改進算法

    Faster R-CNN 之所以會導致小目標的漏檢是因為它是一個單尺度檢測網(wǎng)絡,經(jīng)過深度卷積后會導致特征提取不充分。針對尺度多變性問題,本文首先通過一種結(jié)合判別相關(guān)分析的特征融合技術(shù)代替常規(guī)特征融合方式,去分析變量間的相關(guān)關(guān)系來增強同類特征之間的相關(guān)性,同時最大化不同類之間的差異,保證特征間的信息交互,以緩解自然場景圖像中存在的尺度多變性問題。再者提出殘差雙注意力機制(residual attention mechanism,RAM)來挖掘類標簽和局部特征關(guān)鍵區(qū)域之間的相關(guān)性,通過調(diào)整通道的權(quán)重比,獲取更豐富的特征信息以提高算法的檢測精度。在通道注意力模型的構(gòu)造過程中,通過結(jié)合空洞卷積技術(shù)設計混合卷積層,擴大感受野的同時又減少了信息損失,另外殘差結(jié)構(gòu)的引入,使得全局信息和局部信息得到了有效整合,最大限度地保證了網(wǎng)絡的特征提取性能。本文算法的網(wǎng)絡模型如圖2所示。

    2.1 基于判別相關(guān)分析的特征融合

    信息融合是將多個信息源中獲取的數(shù)據(jù)進行綜合、以獲得精確位置的過程。在這個過程中,信息處理也在不斷地自我修正,作為圖像識別算法的關(guān)鍵環(huán)節(jié),信息融合的方式極其重要。

    對于原Faster R-CNN 使用的Concat 融合技術(shù),隨著分辨率小的特征通道數(shù)的增多,會帶來不必要的參數(shù)的增加,且當數(shù)據(jù)集種類較多時,會對神經(jīng)網(wǎng)絡產(chǎn)生無形的壓力,不僅需要分析各類別之間的聯(lián)系與區(qū)別來提高算法的準確率,還要考慮如何減少時間的消耗來提高算法的性能。

    為解決這一問題,本文引入判別相關(guān)分析技術(shù)(DCA)代替常規(guī)特征融合方式,通過最大化兩個特征集對應特征之間的相關(guān)性,同時最大化類間差異性的方法來實現(xiàn)特征融合。其中矩陣降維作為DCA算法的核心部分,用來揭示內(nèi)在線性結(jié)構(gòu),合并相似特征,去除冗余特征,數(shù)據(jù)集維數(shù)的縮減,可有效解決多類別目標特征映射訪問內(nèi)存時所需的成本問題,從而加快計算速度。同時通過計算高層特征的類間散布矩陣,來突出不同類特征之間的差異,提高特征的判別能力,最后選擇串聯(lián)或相加兩種方式對不同高層特征間的顯著信息進行融合,真正做到在降低特征維數(shù)的同時提高特征的表達能力,從而提高算法檢測效果。

    DCA特征融合結(jié)構(gòu)如圖2中Feature Fusion部分所示。為了保證融合特征向量的最大可能長度,對于圖示五組特征,首先將秩最高的兩個特征集C1和C2通過DCA 算法融合在一起得到M12,接著將結(jié)果與下一個秩最高的特征集C3融合得到M123,對于相同等級的特征集,可隨時融合在一起,以此類推,直到最短的特征向量長度可在最后一步中確定,通過對此特征向量計算后得到兩個變換特征Z1和Z2,再對其使用串聯(lián)或相加操作得到最終融合特征,以圖像數(shù)據(jù)集的兩組高層特征矩陣C1、C2為例,DCA具體計算過程如下:

    圖2 本文總體網(wǎng)絡結(jié)構(gòu)圖Fig.2 Overall network structure of article

    假設A表示圖像數(shù)據(jù)集,N是數(shù)據(jù)集的類別數(shù)量屬于A,令上述圖像數(shù)據(jù)集A采集到的特征集的兩組高層特征矩陣C1和C2為X、Y,高層特征融合后的特征M12為Z,首先根據(jù)式(1)、(2)計算出類內(nèi)特征向量平均值以及類間特征向量平均值。

    式(1)中表示第i類下的xij向量的平均值,ni表示第i類圖像的數(shù)量,xij∈X表示第i類的第j個樣本,式(2)中表示整個特征矩陣Q的平均值,由和可得出不同特征類間關(guān)系的散布矩陣Sbx,如式(3)所示:

    式中,Q是的正交特征向量矩陣,Λ為降序排列特征值的對角陣,為了得到r階最大非零特征,取Q中前r個特征向量用φ(N×r)表示,則:

    令轉(zhuǎn)換矩陣Wbx=ΦbxφΛ-1/2將Sbx單位化,并且可使得特征矩陣X的維數(shù)從p降到r,如式(7)、(8)所示:

    式中,I是經(jīng)過Wbx轉(zhuǎn)換降維后的類間散布矩陣,經(jīng)過變換后,大大減少了高層特征中不同類別之間的聯(lián)系。

    重復上述計算過程,可求得另一特征集變換矩陣Y′,為了增加X中的特征與Y中對應同類特征之間的相關(guān)性,需使用奇異值分解來對角化變換后兩個高層特征矩陣X′和Y′的類間協(xié)方差矩陣S′xy,即S′xy=X′Y′T,S′xy(r×r)=UΣVT,式中,Σ是含有非零元素的對角矩陣,則(UΣ-1/2)TS′xy(VΣ-1/2)=I。同理,令Wcx=UΣ-1/2,Wcy=VΣ-1/2為轉(zhuǎn)換矩陣,可得到最終的轉(zhuǎn)換特征集X*和Y*,如式(9)、(10)所示:

    式中,Wx與Wy分別為高層特征X和Y的轉(zhuǎn)換矩陣,且X和Y經(jīng)過DCA 降維后,轉(zhuǎn)換特征集的類間散度矩陣同為對角矩陣,由此可見,該算法最大化相同類之間的聯(lián)系以及不同類之間的差異的性能進一步得以體現(xiàn),最后,為了不增加特征向量的維度,本文選用相加操作進行特征融合,如式(11)所示:

    2.2 殘差雙注意力機制

    一般來說,網(wǎng)絡經(jīng)過一系列卷積之后,會得到部分特征信息,但不會自動區(qū)分高低頻間的詳細信息與各個類別特征間的差異性,網(wǎng)絡選擇性地使用特征的能力有限,鑒于注意力機制能夠選擇聚焦位置,產(chǎn)生更具分辨性的特征表示,且加入注意力模塊后的特征會隨著網(wǎng)絡的加深產(chǎn)生適應性的改變,本文參考雙注意力網(wǎng)絡CBAM[19],并在此基礎上進行改進。通過引入殘差結(jié)構(gòu),將其與提出的雙注意力網(wǎng)絡相結(jié)合來構(gòu)造殘差雙注意力模型,此模型將空間注意力和通道注意力并行組合,使得不同類型的有效信息被大量捕捉到,可有效增強特征辨別學習能力,在網(wǎng)絡訓練過程中,任務處理系統(tǒng)更專注于找到輸入數(shù)據(jù)中顯著的與當前輸出相關(guān)的有用信息,從而提高輸出的質(zhì)量,且漸增的注意力模塊將帶來持續(xù)的性能提升,具體如圖3所示。首先將輸入圖像F分別進行通道注意力和空間注意力操作進行特征提取,接著通過結(jié)合判別相關(guān)分析的特征融合技術(shù)將通道注意力特征圖FMC和空間注意力特征圖FMS相加,分析變量的相關(guān)關(guān)系來增強同類特征之間的相關(guān)性,然后經(jīng)過一個Sigmoid函數(shù)來學習特征通道間的非線性關(guān)系,再逐元素與原特征相乘,得到經(jīng)過自適應特征學習后的加權(quán)特征圖F′,最后經(jīng)過一個全局跳連將深淺層特征融合來進行信息重構(gòu),避免了高分辨率特征經(jīng)過一系列操作后導致的信息丟失問題,其目標特征得到了充分學習與強化。

    圖3 殘差雙注意力機制模型結(jié)構(gòu)圖Fig.3 Structure diagram of residual attention mechanism model

    對于一個輸入特征圖F∈RC×H×W(C、H、W表示的是特征圖的通道數(shù)、長度和寬度),殘差雙注意力模塊的計算過程如式(12)所示:

    式中,MC(·)表示通道注意力操作,MS(·)表示空間注意力操作,DCA(·)為判別分析操作,σ為Sigmoid函數(shù),F(xiàn)為輸入圖像,?表示元素乘法,在乘法過程中注意特征值被相應地傳播,F(xiàn)′為經(jīng)過自適應特征學習后的加權(quán)特征圖,+表示全局跳連操作,F(xiàn)″為最終輸出。

    2.2.1 殘差結(jié)構(gòu)

    隨著卷積神經(jīng)網(wǎng)絡層數(shù)的加深,網(wǎng)絡的分類準確度得到一定程度的提高,但超過一定的深度后,會受低分辨率的影響,導致網(wǎng)絡損失值變大,分類性能發(fā)生退化。針對此問題,何凱明等人提出殘差模塊ResNet,如圖4 所示。通過在卷積層的輸入和輸出之間添加Skip Connection實現(xiàn)層數(shù)回退機制,經(jīng)過特征圖的維度匹配后,將低層特征圖直接映射到高層,進行對應位置元素相加,得到最終殘差模塊輸出H(x)=F(x)+x。

    圖4 殘差模塊Fig.4 Residual model

    考慮到本文提出的雙注意力模型的深度,將殘差模塊引入本文模型中進行信息重構(gòu),在保留結(jié)構(gòu)化信息的同時彌補高、低分辨率圖像之間的高頻信息損失。首先使用卷積神經(jīng)網(wǎng)絡所學習到的結(jié)構(gòu)化的圖像信息訓練一個端到端的網(wǎng)絡模型,再采用殘差模型將原始圖像信息與經(jīng)過一系列操作后得到的對分類有利的語義信息進行結(jié)合,對丟失的高頻信息進行補償,使得目標特征得到了充分學習與強化,從而獲得具有更好視覺效果的高分辨率圖像。

    2.2.2 通道注意力模型

    通道注意力模型利用特征的通道間關(guān)系生成通道注意力特征圖,用來關(guān)注輸入的圖像中是否包含有意義的輸入目標,在改善深度卷積神經(jīng)網(wǎng)絡性能方面具有巨大的潛力,具體通過自動學習的方式獲取每個通道的重要程度并為其賦予不同的權(quán)值,使得神經(jīng)網(wǎng)絡達到對重點信息的關(guān)注以及對無關(guān)信息的抑制效果,來提高特征提取網(wǎng)絡的表征能力,另外通過結(jié)構(gòu)化地選取輸入的子集,可有效減小處理高維輸入數(shù)據(jù)的計算負擔,降低數(shù)據(jù)維度。本文提出的通道注意力模塊具體如圖5 所示。首先將特征圖F輸入混合卷積層(mixed convolution layer,MCL)中,此模塊的設計包括并聯(lián)的四個分支,由一個卷積核大小為3×3的普通卷積層以及三個卷積核大小為3×3的空洞卷積層構(gòu)成,分別對輸入特征圖進行操作,將空洞卷積三個分支的擴張率分別設置為2、3、4,通過不同擴張率的設置可獲得不同感受域的圖像信息,即可得到不同尺度的特征圖,在擴大感受野的同時,又避免了下采樣損失信息,接著將4 個分支特征圖進行融合,使得采樣更為密集,既擁有了高層特征,也沒有增加額外的參數(shù)量?;旌暇矸e層得到的特征通過全局平均池化將每個通道上的二維特征圖壓縮為一個實數(shù),作為該通道的權(quán)重,通道注意力分支通過自動學習特征在通道維度上的權(quán)重分布來獲取每個通道的重要程度,最后經(jīng)過一層全連接層將所得到的權(quán)重信息有效整合并作為預測向量進行輸出,在訓練過程中,對通道權(quán)重比不斷優(yōu)化,最大限度地保證網(wǎng)絡的特征提取性能,生成最終需要的通道注意力特征圖。

    圖5 通道注意力網(wǎng)絡結(jié)構(gòu)圖Fig.5 Channel attention network structure

    對于輸入特征圖F∈RC×H×W,通道注意力模塊的計算過程如式(13)所示:

    式中,F(xiàn)MC表示通道注意力特征圖,MC(·)表示通道注意力模塊的內(nèi)部操作,F(xiàn)為輸入圖像,W為Softmax 函數(shù),F(xiàn)C表示全連接層操作符,GAP(·)為全局平均池化操作,MCL(·)表示混合卷積層的內(nèi)部操作,其中conv為標準卷積,dconvi為空洞卷積,i為空洞卷積的第幾分支,⊕表示元素加法。

    2.2.3 空間注意力模型

    空間注意力模型利用特征間的空間關(guān)系生成空間注意力特征圖,是對通道注意力特征圖的一個強化補充,兩者不同的是通道注意力關(guān)注的是每個特征面的權(quán)重,而空間注意力關(guān)注的是面上每一個局部的權(quán)重,即目標所在位置的特征信息,具體通過不同的卷積器提取圖像中的邊緣和紋理信息,來增強網(wǎng)絡辨別學習能力,提升算法的檢測精度,如圖6所示。首先將輸入特征圖F沿通道進行平均池化和最大池化操作,接著將聚合的通道注意力特征分成兩個二維映射:FMSAX和FASvg,分別表示通道中的平均池化特征和最大池化特征,通過標準卷積后再經(jīng)過Sigmoid函數(shù)激活,最終生成二維空間注意力特征圖。

    圖6 空間注意力網(wǎng)絡結(jié)構(gòu)圖Fig.6 Spatial attention network structure

    對于輸入特征圖F∈RC×H×W,空間注意力模塊的計算過程如式(14)所示:

    式中,表示空間注意力特征圖,MS(·)表示空間注意力模塊的內(nèi)部操作,F(xiàn)為輸入圖像,σ為Sigmoid 函數(shù),f7×7表示卷積核為7×7的卷積操作,AvgPool(·)和MaxPool(·)分別表示平均池化和最大池化操作。

    3 實驗

    本文所用實驗配置為Windows10操作系統(tǒng),CPU為Intel i5-3337U,主頻為1.80 GHz,內(nèi)存為8 GB,GPU 為NVIDIA TITAN V,顯存大小為12 GB,開發(fā)語言為Python3,深度學習框架為TensorFlow,在梯度下降優(yōu)化過程中,初始學習率設置為0.001,動量更新和正則化權(quán)重衰減分別設置為0.9 和0.000 5,batch size 設置為32,用loss函數(shù)反向傳播來調(diào)整網(wǎng)絡各層的權(quán)值,用平均精度(mean average precision,MAP)作為算法的衡量指標,用每秒傳輸幀數(shù)(frames per second,F(xiàn)PS)來衡量算法的檢測速度。

    3.1 在PASCAL VOC2007數(shù)據(jù)集上的對比實驗

    本節(jié)選用PASCAL VOC2007作為實驗數(shù)據(jù)集,共有9 963張圖片,其中訓練集5 011張圖片,測試集4 952張圖片,包含20個類別。大部分圖片背景復雜,包含多種類別的多個物體,為了保證測試的公平性,所有算法迭代次數(shù)均設置為20 000 次,當?shù)?5 000 步時,將學習率衰減為0.000 1。

    本文提出的算法與其他4 種檢測模型在PASCAL VOC2007 數(shù)據(jù)集上的精度對比結(jié)果如表1 所示。其中YOLO[2]算法、SSD[3]算法作為一階段檢測的代表性算法,實時性較強,但因為本身固有的局限性,導致網(wǎng)絡利用率不高。較一階段檢測算法,F(xiàn)ast R-CNN[20]與Faster R-CNN[18]算法定位誤差較小,但部分物體精度值較低。而本文提出的算法以提高小目標為出發(fā)點,重點關(guān)注細節(jié)信息,通過對常規(guī)融合方式的改進,減少了不必要的參數(shù)的增加。同時殘差雙注意力機制的提出,使得神經(jīng)網(wǎng)絡自動關(guān)注重點信息,抑制無關(guān)信息,有效提高了網(wǎng)絡的利用率,最終準確率達到了77.5%,與原Faster R-CNN 模型相比,精度值提升了5.3 個百分點,取得了較為不錯的檢測結(jié)果。

    表1 不同目標檢測算法的實驗結(jié)果對比Table 1 Comparison of experimental results of different object detection algorithms %

    對應表1數(shù)據(jù)值,將實驗結(jié)果以散點圖的形式展現(xiàn)如圖7所示,可以更清晰地看出本文所提算法同其他算法相比具有較好的檢測效果。

    圖7 不同檢測算法的精度結(jié)果對比圖Fig.7 Comparison of accuracy results of different detection algorithms

    訓練過程中的Loss 曲線圖如圖8 所示,由圖可知,在經(jīng)過15 000 次迭代后本文提出的算法模型可以很好地實現(xiàn)收斂。

    圖8 模型訓練Loss曲線圖Fig.8 Loss curves of model training

    為了進一步驗證本文算法的檢測效果,不同算法在PASCAL VOC2007 數(shù)據(jù)集上的檢測結(jié)果示例如圖9 所示。由圖可知,YOLO[2]算法在很大幾率上存在漏檢、錯檢問題,F(xiàn)aster R-CNN[18]算法雖說能檢測出大部分目標物,但也存在不能精細化回歸定位問題,SSD[3]算法結(jié)合特征金字塔思想,部分小目標的檢測率得到了一定的提高,但檢測精度較低。本文算法吸取經(jīng)驗,以關(guān)注小目標為出發(fā)點,解決了各個算法中存在的精細化回歸定位問題且各目標物的分值也有了明顯的提升,檢測效果均優(yōu)于其他幾種模型,進一步證明了本文算法的可行性。

    圖9 不同目標檢測算法的實驗結(jié)果對比圖Fig.9 Comparison of experimental results of different object detection algorithms

    3.2 在KITTI數(shù)據(jù)集上的對比實驗

    本節(jié)選用KITTI數(shù)據(jù)集作為實驗數(shù)據(jù)集,共有7 482張圖片,其中訓練集6 001張圖片,測試集1 481張圖片,包含8個類別。為了便于統(tǒng)計分析,現(xiàn)將其融合為3個類別:Car、Person、Cyclist,在街景圖像中,大部分目標物與背景相似或相融,識別結(jié)果能進一步體現(xiàn)出算法的檢測性能,為了保證測試的公平性,所有算法模型均訓練50個Epoch。

    本文提出的算法與其他4種檢測模型在KITTI數(shù)據(jù)集上的對比結(jié)果如表2 所示,其中SSD[3]的實驗結(jié)果引自文獻[21],YOLOV3[22]、AM-YOLOV3的實驗結(jié)果引自文獻[22],由實驗結(jié)果可知,本文檢測效果較為理想,檢測速度較YOLOV3只慢了2 FPS,基本達到了實時檢測的要求。

    表2 在KITTI數(shù)據(jù)集上不同目標檢測算法的結(jié)果對比Table 2 Comparison of results of different object detection algorithms on KITTI dataset

    在KITTI 數(shù)據(jù)集上不同算法及各類目標精度值的結(jié)果對比如圖10 所示。由圖可知,結(jié)合判別相關(guān)分析的特征融合技術(shù)可有效保證信息間的交互,在降低特征維數(shù)的同時能夠有效提高特征的判別能力。較Faster R-CNN[18]、SSD[3]以及YOLOV3[22]算法相比,本文算法提高了數(shù)據(jù)集中每一類目標的平均精準度。對于AM-YOLOV3[22]算法,汽車的檢測精度值略有下降,但人和自行車的精度值均有一定的提升。

    圖10 不同檢測算法各類目標物的精度結(jié)果對比圖Fig.10 Comparison of accuracy results of various targets with different detection algorithms

    3.3 在Portrait數(shù)據(jù)集上的對比實驗

    本節(jié)選用從各個數(shù)據(jù)集中挑選出來部分數(shù)據(jù)所組成小型人像數(shù)據(jù)集作為實驗數(shù)據(jù)集,將其命名為Portrait數(shù)據(jù)集,并用LabelImg 工具做好標注信息。此類數(shù)據(jù)集一共包含5 769 張圖片,其中訓練集4 633 張圖片,測試集1 136 張圖片,分為真人、擺件、海報、雕塑等類別,為了保證測試的公平性,所有算法模型均訓練50個Epoch。

    本文提出的改進算法與其他幾種檢測模型在人像數(shù)據(jù)集上的對比結(jié)果如表3 所示,由實驗數(shù)據(jù)可知,一階段檢測算法較Faster R-CNN[18]具有明顯的速度優(yōu)勢,但隨著IOU 的增大,不能與真實數(shù)據(jù)完美契合,最終達不到理想檢測效果。本文算法對于不同尺度的高低層信息,使用基于判別相關(guān)分析的方法進行特征融合,使得每個尺度特征都具有豐富的語義信息,另外混合卷積層的設計,在一定程度上融合了不同尺度的特征信息,在應對不同類別的人像時可表現(xiàn)出較好的檢測性能,最終達到了80.9%的準確率,檢測精度和速度較原Faster R-CNN 算法[18]分別提升了3.7%和23 FPS,取得了較為不錯的檢測結(jié)果。

    表3 在Portrait數(shù)據(jù)集上不同目標檢測算法的結(jié)果對比Table 3 Comparison of results of different object detection algorithms on Portrait dataset

    為了更好地理解本文各個改進模塊對檢測效果的影響,在Portrait數(shù)據(jù)集上進行消融實驗,實驗結(jié)果如表4所示。從實驗結(jié)果可以看出,DCA[11]算法的引入,有效緩解了常規(guī)特征融合方式存在的特征提取能力不足問題,保證了特征間的信息交互,且數(shù)據(jù)降維能夠有效解決多類別目標特征映射訪問內(nèi)存時的所需成本問題,從而提高算法運行速度,與原Faster R-CNN[18]算法相比,MAP值從77.2%提高到77.8%,且檢測速度提升了2 FPS。殘差雙注意力網(wǎng)絡(RAM)的提出,不僅有助于模型有針對性地處理具有不同屬性的層次特征,而且增加了每一特征所表征的信息量,其中混合卷積層的設計在擴大感受野的同時又減少了信息損失,最大限度地保證了網(wǎng)絡的特征提取性能,較Faster R-CNN算法提升了3.1個百分點,速度提高了18 FPS,同時較另外兩種注意力機制SENet[14]、CBAM[19],MAP 值分別提升了1.2 個百分點以及0.7 個百分點,檢測速度分別提升了5 FPS 以及3 FPS,完全滿足實時性檢測的要求,體現(xiàn)了其較好的檢測性能。

    表4 在Portrait數(shù)據(jù)集上的消融實驗對比Table 4 Comparison of ablation experiments on Portrait dataset

    分別將注意力機制SENet[14]、CBAM[19]以及本文提出的RAM結(jié)構(gòu)結(jié)合Faster R-CNN進行訓練,三種網(wǎng)絡模型第一個全連接層中的參數(shù)可視化如圖11所示。由圖可知,F(xiàn)aster R-CNN+RAM模型結(jié)構(gòu)在保證識別準確率的基礎上使用了更少的參數(shù),具體歸因于三個方面:首先通道注意力機制采用混合卷積層的設計不僅可融合不同尺度的特征信息,且引入空洞卷積擴大感受野的同時沒有增加額外的參數(shù)量,其次使用DCA 算法代替常規(guī)融合方式,在保證信息交互的同時進行數(shù)據(jù)降維,減少了不必要的參數(shù)的增加,最后選擇不增加矩陣維度的相加操作方式進行高層特征信息集成,在一定程度上同樣保證了模型的計算量,進一步說明了本文提出的殘差雙注意力模型的優(yōu)勢。

    圖11 不同注意力機制模型參數(shù)對比圖Fig.11 Comparison chart of parameters of different attention mechanism models

    為了進一步驗證本文算法的有效性,將本文算法應用在Portrait 數(shù)據(jù)集上進行真值圖與預測圖的對比,結(jié)果如圖12所示,由圖可知,本文算法能夠很好地檢測出人像,使得預測圖在很大程度上接近真值圖。圖13 示例了本文算法在Portrait 數(shù)據(jù)集上的部分檢測結(jié)果,可見經(jīng)過訓練的模型可以較好地實現(xiàn)目標檢測的功能,對于數(shù)據(jù)集中的真人,檢測效果較理想,精度值較高。對于海報中的肖像,因其特征大概率接近真人,所以檢測效果也很明顯,但對于雕塑以及小型擺件來說,由于主體缺少靈活性且部分特征不突出,導致檢測精度與另外兩類相比略有差距,此類問題也是今后研究過程中需要關(guān)注的問題。

    圖12 在Portrait數(shù)據(jù)集上真值圖和預測圖的對比結(jié)果Fig.12 Comparison results of truth map and prediction map on Portrait dataset

    圖13 本文算法在Portrait數(shù)據(jù)集上的部分檢測結(jié)果圖Fig.13 Part of detection results of proposed algorithm on Portrait dataset

    4 結(jié)語

    為解決Faster R-CNN 算法檢測小目標的不足,提出了一種基于判別相關(guān)分析的雙注意力機制的目標檢測算法。對于輸入圖像經(jīng)過深度CNN 后的多尺度特征,通過結(jié)合判別相關(guān)分析的特征融合技術(shù)最大化兩個特征集中對應特征的相關(guān)關(guān)系,同時最大化不同類之間的差異,來保證信息間的交互,在降低特征維數(shù)的同時提高了特征的判別能力。對于融合后的特征,選擇引入雙注意力機制來增強網(wǎng)絡的信息表征能力,使得神經(jīng)網(wǎng)絡可自動學習特征間的重要性,可有效地提升小目標的特征信息,其中混合卷積層的設計,在擴大感受野的同時,又避免了下采樣損失信息,最后結(jié)合殘差結(jié)構(gòu)進行信息重構(gòu),避免了高分辨率特征信息弱化問題,大大改善了網(wǎng)絡的檢測性能,實驗表明,本文提出算法具有可行性。下一步將進一步改進本文方法,并嘗試與其他網(wǎng)絡模型結(jié)合,尋找最優(yōu)的網(wǎng)絡模型去解決不同光照條件下的多尺度的目標檢測問題。

    猜你喜歡
    注意力卷積特征
    讓注意力“飛”回來
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    如何表達“特征”
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    基于傅里葉域卷積表示的目標跟蹤算法
    抓住特征巧觀察
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    一種基于卷積神經(jīng)網(wǎng)絡的性別識別方法
    2021天堂中文幕一二区在线观| 日本免费a在线| 91精品伊人久久大香线蕉| 久久精品夜色国产| 波多野结衣巨乳人妻| 精品熟女少妇av免费看| 亚洲精品色激情综合| 免费看美女性在线毛片视频| 建设人人有责人人尽责人人享有的 | 午夜老司机福利剧场| 欧美3d第一页| 伊人久久精品亚洲午夜| 婷婷色综合大香蕉| 亚洲国产精品成人综合色| 亚洲人与动物交配视频| 成年av动漫网址| 国产又色又爽无遮挡免| 汤姆久久久久久久影院中文字幕 | 亚洲最大成人av| 99在线视频只有这里精品首页| 级片在线观看| 亚洲成人av在线免费| eeuss影院久久| 国产精品女同一区二区软件| 午夜精品在线福利| 午夜精品一区二区三区免费看| 欧美区成人在线视频| 日韩精品有码人妻一区| 免费搜索国产男女视频| 亚洲av电影不卡..在线观看| 国产白丝娇喘喷水9色精品| 亚洲欧美日韩无卡精品| 一夜夜www| 日本黄色片子视频| 亚洲最大成人中文| 99久久精品热视频| 国产精品久久久久久av不卡| 乱码一卡2卡4卡精品| av天堂中文字幕网| 在线免费观看的www视频| 午夜福利在线观看吧| 精品99又大又爽又粗少妇毛片| 高清视频免费观看一区二区 | 最近视频中文字幕2019在线8| 午夜福利视频1000在线观看| 麻豆精品久久久久久蜜桃| 国产美女午夜福利| 精品一区二区三区人妻视频| 亚洲第一区二区三区不卡| 日韩中字成人| 我要看日韩黄色一级片| 一本一本综合久久| 久久久久久久久久久丰满| 在线播放无遮挡| 纵有疾风起免费观看全集完整版 | 特级一级黄色大片| 人妻夜夜爽99麻豆av| 99热网站在线观看| 亚洲av熟女| 亚洲国产色片| a级毛色黄片| 亚洲人成网站在线播| 日本一本二区三区精品| av福利片在线观看| 成人三级黄色视频| 国产一区亚洲一区在线观看| 欧美激情在线99| 99热全是精品| 久久人妻av系列| 国产黄片美女视频| 亚洲国产精品sss在线观看| 少妇的逼好多水| 少妇猛男粗大的猛烈进出视频 | 久久99热这里只有精品18| 美女xxoo啪啪120秒动态图| 1024手机看黄色片| 内地一区二区视频在线| 可以在线观看毛片的网站| 九草在线视频观看| 欧美三级亚洲精品| 婷婷色麻豆天堂久久 | 麻豆乱淫一区二区| 成人亚洲精品av一区二区| 中文字幕人妻熟人妻熟丝袜美| 国产成人精品一,二区| 亚洲欧美成人精品一区二区| 日本熟妇午夜| 观看免费一级毛片| 老师上课跳d突然被开到最大视频| 国产午夜精品一二区理论片| 亚洲av二区三区四区| 欧美精品一区二区大全| 国产精品三级大全| 国产免费视频播放在线视频 | 国产白丝娇喘喷水9色精品| 久久亚洲精品不卡| 国产精品嫩草影院av在线观看| 亚洲在线自拍视频| 日日啪夜夜撸| 色播亚洲综合网| 欧美成人免费av一区二区三区| 18+在线观看网站| 2022亚洲国产成人精品| 一二三四中文在线观看免费高清| av在线老鸭窝| 日韩一本色道免费dvd| 淫秽高清视频在线观看| 欧美3d第一页| 你懂的网址亚洲精品在线观看 | 亚洲性久久影院| 黄片无遮挡物在线观看| 国产高清有码在线观看视频| 乱码一卡2卡4卡精品| 午夜福利在线观看免费完整高清在| 亚洲av福利一区| 人妻少妇偷人精品九色| 尾随美女入室| 日本色播在线视频| av卡一久久| 国产高清三级在线| 亚洲精品日韩在线中文字幕| 一个人观看的视频www高清免费观看| 精品人妻一区二区三区麻豆| 三级国产精品欧美在线观看| 久久久久久久午夜电影| 午夜精品国产一区二区电影 | 亚洲天堂国产精品一区在线| 蜜臀久久99精品久久宅男| 免费大片18禁| 国产又黄又爽又无遮挡在线| 午夜日本视频在线| 天美传媒精品一区二区| 国产精品麻豆人妻色哟哟久久 | 亚洲精品国产成人久久av| 又爽又黄无遮挡网站| 精品酒店卫生间| 日韩大片免费观看网站 | 一级黄色大片毛片| 一边亲一边摸免费视频| 女人被狂操c到高潮| 免费无遮挡裸体视频| 亚洲av.av天堂| 亚洲欧美日韩高清专用| 精品少妇黑人巨大在线播放 | 免费观看精品视频网站| 亚洲成人中文字幕在线播放| 大香蕉97超碰在线| 国产在线男女| 亚洲av成人精品一二三区| 国产精华一区二区三区| 国产精品不卡视频一区二区| 亚洲伊人久久精品综合 | 中文亚洲av片在线观看爽| 长腿黑丝高跟| 国产精品蜜桃在线观看| 大话2 男鬼变身卡| 超碰av人人做人人爽久久| 成年av动漫网址| 国产极品精品免费视频能看的| 久久久久久国产a免费观看| 欧美丝袜亚洲另类| 色网站视频免费| АⅤ资源中文在线天堂| 九九爱精品视频在线观看| av.在线天堂| 97在线视频观看| 免费看日本二区| 亚洲成人av在线免费| 午夜福利在线在线| 欧美zozozo另类| 中文在线观看免费www的网站| 日韩一本色道免费dvd| 国产高清有码在线观看视频| 国产精品野战在线观看| 色综合亚洲欧美另类图片| 国产真实乱freesex| 尾随美女入室| 亚洲熟妇中文字幕五十中出| 精品久久久久久成人av| 亚洲精品自拍成人| 男插女下体视频免费在线播放| 欧美潮喷喷水| 3wmmmm亚洲av在线观看| 狂野欧美白嫩少妇大欣赏| 黄色配什么色好看| 美女黄网站色视频| 国产精品蜜桃在线观看| 又粗又爽又猛毛片免费看| 免费观看性生交大片5| 国产又黄又爽又无遮挡在线| 2021天堂中文幕一二区在线观| 久久韩国三级中文字幕| 国产淫语在线视频| 久久久久精品久久久久真实原创| 国产成人aa在线观看| 麻豆成人av视频| 99久久中文字幕三级久久日本| 国产成人aa在线观看| 白带黄色成豆腐渣| 欧美性感艳星| 亚洲丝袜综合中文字幕| 九九久久精品国产亚洲av麻豆| 亚洲最大成人手机在线| 九草在线视频观看| 亚洲最大成人av| 高清在线视频一区二区三区 | 亚洲va在线va天堂va国产| 可以在线观看毛片的网站| 少妇丰满av| 1024手机看黄色片| 精品不卡国产一区二区三区| 观看美女的网站| 国产色爽女视频免费观看| 神马国产精品三级电影在线观看| 国产精华一区二区三区| 久久久久久久久久久免费av| 欧美性猛交╳xxx乱大交人| videos熟女内射| 亚洲精品乱码久久久久久按摩| 国产精品人妻久久久影院| 久久久国产成人免费| 国产激情偷乱视频一区二区| 日韩精品青青久久久久久| 91在线精品国自产拍蜜月| 精品久久久噜噜| 深夜a级毛片| 国产精品熟女久久久久浪| 麻豆成人av视频| 精品午夜福利在线看| 女人被狂操c到高潮| 寂寞人妻少妇视频99o| 亚洲av一区综合| 国产免费又黄又爽又色| 久久久久久伊人网av| 国产精品国产三级国产专区5o | 国产精品国产三级国产专区5o | 三级国产精品片| 欧美日韩一区二区视频在线观看视频在线 | 国产伦理片在线播放av一区| 久久人人爽人人爽人人片va| 精品久久久久久成人av| 国产 一区精品| 国产老妇伦熟女老妇高清| 伦理电影大哥的女人| 国产精品日韩av在线免费观看| 欧美成人午夜免费资源| 日本午夜av视频| 精品一区二区三区视频在线| 亚洲电影在线观看av| 校园人妻丝袜中文字幕| 国产激情偷乱视频一区二区| 国产男人的电影天堂91| 亚洲国产精品国产精品| 少妇丰满av| 在线免费观看不下载黄p国产| 人人妻人人澡人人爽人人夜夜 | 一边摸一边抽搐一进一小说| 色综合色国产| 国产精品女同一区二区软件| 可以在线观看毛片的网站| 久久久成人免费电影| 啦啦啦啦在线视频资源| 日韩av在线免费看完整版不卡| 插阴视频在线观看视频| 成人高潮视频无遮挡免费网站| 国产精品三级大全| 联通29元200g的流量卡| 久久久久久久久大av| 国产精品伦人一区二区| 亚洲精品,欧美精品| 2021少妇久久久久久久久久久| 国产毛片a区久久久久| or卡值多少钱| 秋霞伦理黄片| 变态另类丝袜制服| 成人美女网站在线观看视频| 精品一区二区免费观看| 精品久久久久久成人av| 3wmmmm亚洲av在线观看| 免费看日本二区| 亚洲精品自拍成人| 国产美女午夜福利| 成人毛片a级毛片在线播放| 六月丁香七月| 国产黄片美女视频| 少妇裸体淫交视频免费看高清| 久久这里有精品视频免费| 美女国产视频在线观看| 国产精品永久免费网站| 国产不卡一卡二| 非洲黑人性xxxx精品又粗又长| 国产免费福利视频在线观看| 禁无遮挡网站| 精品国产露脸久久av麻豆 | 老司机影院成人| h日本视频在线播放| 欧美性感艳星| av在线亚洲专区| 亚洲内射少妇av| 国产又黄又爽又无遮挡在线| 国产私拍福利视频在线观看| 精品人妻一区二区三区麻豆| www.色视频.com| 如何舔出高潮| 婷婷色综合大香蕉| 亚洲av不卡在线观看| 亚洲乱码一区二区免费版| 国产精品美女特级片免费视频播放器| 亚洲成人av在线免费| 久久6这里有精品| 18+在线观看网站| 国产av不卡久久| 在线播放国产精品三级| 亚洲怡红院男人天堂| 久久精品国产99精品国产亚洲性色| 日韩人妻高清精品专区| 亚洲人与动物交配视频| 亚洲精品自拍成人| 久99久视频精品免费| 国产免费福利视频在线观看| 男人和女人高潮做爰伦理| 小说图片视频综合网站| 亚洲婷婷狠狠爱综合网| 亚洲av二区三区四区| 欧美激情在线99| 国产探花极品一区二区| 青青草视频在线视频观看| 天堂av国产一区二区熟女人妻| 国产精品,欧美在线| 免费黄网站久久成人精品| 亚洲成人中文字幕在线播放| 特大巨黑吊av在线直播| 美女xxoo啪啪120秒动态图| 免费一级毛片在线播放高清视频| 亚洲av成人av| 天堂网av新在线| 国产精品国产三级国产av玫瑰| 国产精品久久电影中文字幕| 亚洲怡红院男人天堂| 精品久久久久久成人av| 日韩制服骚丝袜av| 久久精品国产亚洲av天美| 亚洲成人中文字幕在线播放| 午夜福利成人在线免费观看| 男女下面进入的视频免费午夜| 99久国产av精品| 2021天堂中文幕一二区在线观| 最近的中文字幕免费完整| 国产精品一区二区性色av| 18禁裸乳无遮挡免费网站照片| 亚洲色图av天堂| 91在线精品国自产拍蜜月| 伦精品一区二区三区| 亚洲熟妇中文字幕五十中出| 久久草成人影院| 亚洲精品一区蜜桃| 午夜久久久久精精品| 两个人的视频大全免费| 亚洲av一区综合| 乱码一卡2卡4卡精品| 亚洲欧美精品专区久久| 亚洲va在线va天堂va国产| 伦精品一区二区三区| 国产高清视频在线观看网站| 国产精品美女特级片免费视频播放器| 国产亚洲精品av在线| 亚洲美女视频黄频| 免费观看的影片在线观看| 波多野结衣巨乳人妻| 99久久精品热视频| 午夜激情欧美在线| 亚洲经典国产精华液单| 丰满乱子伦码专区| 高清在线视频一区二区三区 | 美女黄网站色视频| 国产单亲对白刺激| 麻豆久久精品国产亚洲av| 一级毛片久久久久久久久女| 最近最新中文字幕大全电影3| 国产精品无大码| 男插女下体视频免费在线播放| 不卡视频在线观看欧美| 搡女人真爽免费视频火全软件| 国产麻豆成人av免费视频| 伦理电影大哥的女人| or卡值多少钱| 国产日韩欧美在线精品| 少妇丰满av| 欧美3d第一页| 国产免费一级a男人的天堂| 亚洲最大成人手机在线| 22中文网久久字幕| 青春草国产在线视频| 亚洲av中文av极速乱| 免费在线观看成人毛片| 少妇人妻一区二区三区视频| 特大巨黑吊av在线直播| av在线观看视频网站免费| 最近手机中文字幕大全| 欧美一区二区精品小视频在线| 国产片特级美女逼逼视频| 午夜福利网站1000一区二区三区| 少妇熟女欧美另类| 五月伊人婷婷丁香| 国产在视频线在精品| 我的女老师完整版在线观看| 精品久久久噜噜| 日本猛色少妇xxxxx猛交久久| 小蜜桃在线观看免费完整版高清| 亚洲av一区综合| www.av在线官网国产| 性插视频无遮挡在线免费观看| 成年版毛片免费区| 亚洲最大成人手机在线| 亚洲激情五月婷婷啪啪| 啦啦啦啦在线视频资源| 草草在线视频免费看| 在线播放国产精品三级| АⅤ资源中文在线天堂| 日日摸夜夜添夜夜添av毛片| 免费观看性生交大片5| 久久久久久久久久久免费av| 亚洲最大成人手机在线| 波多野结衣高清无吗| 国产视频内射| 成人国产麻豆网| 中文在线观看免费www的网站| 国产男人的电影天堂91| 在线播放无遮挡| 狠狠狠狠99中文字幕| 国产精品一区二区在线观看99 | 日本黄色片子视频| 黄片wwwwww| 色尼玛亚洲综合影院| 亚洲精品色激情综合| 国产精品野战在线观看| 一个人免费在线观看电影| 国产白丝娇喘喷水9色精品| 一级毛片我不卡| 两个人的视频大全免费| 美女高潮的动态| 久久99蜜桃精品久久| 女的被弄到高潮叫床怎么办| 亚洲国产精品专区欧美| 精品国内亚洲2022精品成人| 美女xxoo啪啪120秒动态图| 九草在线视频观看| 国产亚洲av嫩草精品影院| 精品人妻偷拍中文字幕| 又爽又黄无遮挡网站| 久久这里只有精品中国| 亚洲三级黄色毛片| 免费大片18禁| 最近中文字幕2019免费版| 一边摸一边抽搐一进一小说| 波野结衣二区三区在线| av视频在线观看入口| 秋霞伦理黄片| 亚洲av成人精品一二三区| 日韩亚洲欧美综合| 色网站视频免费| av视频在线观看入口| 岛国毛片在线播放| 卡戴珊不雅视频在线播放| 久久久久久久久中文| 久久人人爽人人爽人人片va| 日本三级黄在线观看| 自拍偷自拍亚洲精品老妇| 狂野欧美白嫩少妇大欣赏| 欧美一区二区精品小视频在线| 免费观看的影片在线观看| av免费观看日本| 桃色一区二区三区在线观看| 久久热精品热| 亚洲欧美中文字幕日韩二区| 亚洲自拍偷在线| 国产精品永久免费网站| 男女边吃奶边做爰视频| 国产探花极品一区二区| 禁无遮挡网站| 国产三级在线视频| 又爽又黄a免费视频| 国产男人的电影天堂91| 久久久久久久久久成人| 欧美xxxx黑人xx丫x性爽| 国产精品一区二区性色av| 国产亚洲一区二区精品| 亚洲av男天堂| 国产又色又爽无遮挡免| 欧美成人a在线观看| 两个人的视频大全免费| 亚洲精品456在线播放app| 我的女老师完整版在线观看| 亚洲精华国产精华液的使用体验| 欧美zozozo另类| 日本黄大片高清| 美女高潮的动态| 美女国产视频在线观看| 人人妻人人看人人澡| 色播亚洲综合网| 永久免费av网站大全| 色视频www国产| 色综合亚洲欧美另类图片| 国产伦精品一区二区三区四那| 免费观看性生交大片5| 天堂中文最新版在线下载 | 国产精品女同一区二区软件| 中文亚洲av片在线观看爽| 午夜激情福利司机影院| 少妇丰满av| 精品国内亚洲2022精品成人| 两个人视频免费观看高清| 精品国产露脸久久av麻豆 | 精品99又大又爽又粗少妇毛片| 亚洲熟妇中文字幕五十中出| 免费看光身美女| 国内精品宾馆在线| 日韩av在线免费看完整版不卡| 国产91av在线免费观看| 日本猛色少妇xxxxx猛交久久| 亚洲最大成人中文| 精品欧美国产一区二区三| 国产真实伦视频高清在线观看| 国产 一区 欧美 日韩| 中国国产av一级| 欧美区成人在线视频| 麻豆乱淫一区二区| av免费在线看不卡| 色5月婷婷丁香| 午夜老司机福利剧场| 日日啪夜夜撸| 亚洲国产精品国产精品| 国产高清国产精品国产三级 | 非洲黑人性xxxx精品又粗又长| 草草在线视频免费看| 波多野结衣巨乳人妻| 亚洲五月天丁香| 22中文网久久字幕| 日本三级黄在线观看| 九九热线精品视视频播放| 色综合色国产| 三级毛片av免费| 热99在线观看视频| 国产又色又爽无遮挡免| 一级毛片我不卡| 欧美日本亚洲视频在线播放| 亚洲人成网站高清观看| 最近中文字幕高清免费大全6| 免费观看在线日韩| 久久久国产成人精品二区| 亚洲精品色激情综合| 不卡视频在线观看欧美| 在线免费十八禁| 黄片wwwwww| 国产激情偷乱视频一区二区| 好男人视频免费观看在线| 久久久午夜欧美精品| 老师上课跳d突然被开到最大视频| 一级二级三级毛片免费看| 亚洲国产高清在线一区二区三| 婷婷色av中文字幕| 亚洲av福利一区| 99久久九九国产精品国产免费| 最近2019中文字幕mv第一页| 色综合亚洲欧美另类图片| 欧美日本视频| 国产精品熟女久久久久浪| 看非洲黑人一级黄片| 99久久精品一区二区三区| 国产成人a∨麻豆精品| 国产乱人视频| 久久久久久久久久久丰满| av在线天堂中文字幕| 全区人妻精品视频| 极品教师在线视频| 97在线视频观看| 精品国产一区二区三区久久久樱花 | 成人午夜精彩视频在线观看| 成人无遮挡网站| 亚洲欧美精品专区久久| 国产探花在线观看一区二区| 天天躁日日操中文字幕| 免费看a级黄色片| 欧美一级a爱片免费观看看| 一二三四中文在线观看免费高清| 亚洲av中文av极速乱| 真实男女啪啪啪动态图| av在线播放精品| 亚洲精品自拍成人| 国产色爽女视频免费观看| av视频在线观看入口| 男人舔奶头视频| 亚洲天堂国产精品一区在线| 最近中文字幕高清免费大全6| 在线观看av片永久免费下载| 午夜久久久久精精品| 国产黄片视频在线免费观看| 欧美一区二区精品小视频在线| 直男gayav资源| 观看美女的网站| 国产乱人视频| 真实男女啪啪啪动态图| 偷拍熟女少妇极品色| 麻豆久久精品国产亚洲av| 别揉我奶头 嗯啊视频| 免费观看人在逋| 国产一级毛片七仙女欲春2| 免费黄网站久久成人精品| 99九九线精品视频在线观看视频| 麻豆久久精品国产亚洲av| 在线播放国产精品三级| 搡老妇女老女人老熟妇| 国产三级中文精品| 国产色爽女视频免费观看| 免费搜索国产男女视频|