• <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 ?

    多特征尺度融合改進(jìn)Faster-RCNN視網(wǎng)膜微動脈瘤自動檢測算法

    2023-06-16 06:55:00高瑋瑋楊亦樂方宇樊博宋楠
    光子學(xué)報 2023年4期
    關(guān)鍵詞:自動檢測梯度尺度

    高瑋瑋,楊亦樂,方宇,樊博,宋楠

    (1 上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院, 上海 201620)

    (2 復(fù)旦大學(xué)附屬眼耳鼻喉醫(yī)院 眼科, 上海 200031)

    0 引言

    視網(wǎng)膜微動脈瘤(Microaneurysms,MAs)是一種微小血管病變,由血管壁變?nèi)跻鸬拿?xì)血管腫脹形成[1],因此MAs 可能與不同的眼科和心血管疾病相關(guān)[2]。例如,MAs 已被證實(shí)是中風(fēng)的先兆因素[3]。此外,MAs 更是糖尿病視網(wǎng)膜病變(簡稱“糖網(wǎng)”,Diabetic Retinopathy,DR)[4]的最早期典型癥狀。糖網(wǎng)是一種由糖尿病引發(fā)的視網(wǎng)膜疾病,是目前全球?qū)е轮欣夏耆巳菏鞯闹饕颍?]。對于糖網(wǎng),至關(guān)重要的是對該疾病的及早發(fā)現(xiàn),以阻止疾病的進(jìn)展和預(yù)防潛在的視力損失。然而,MAs 尺寸較小,相對于眼底圖像而言屬于微小目標(biāo);且由于視覺條件不理想,MAs 可能相對于背景呈現(xiàn)低對比度,或者可能受到圖像中不均勻照明的影響;此外,MAs 還可能與圖像中的其他結(jié)構(gòu)混淆,例如微出血、色素沉著變化,甚至是眼底照相機(jī)中的灰塵顆粒。故針對眼底圖像中的MAs 進(jìn)行自動檢測是一項(xiàng)極具挑戰(zhàn)性的任務(wù),很多研究人員就此展開了相關(guān)研究。

    MAs 自動檢測算法通??煞譃槿悾夯谖锢砟P偷姆椒?、基于分類器的方法以及基于深度學(xué)習(xí)的方法?;谖锢砟P偷姆椒ㄖ饕鶕?jù)MAs 的灰度分布特征進(jìn)行數(shù)學(xué)建模,如:賴小波等[6]提出了一種基于特征相互關(guān)系的視網(wǎng)膜MAs 自動提取算法;鄭紹華等[7]提出了一種新的基于Radon 變換的方法對眼底圖像中的MAs 進(jìn)行識別;高瑋瑋等[8]提出了一種基于數(shù)學(xué)形態(tài)學(xué)擴(kuò)展極小值變換的MAs 自動檢測方法; ZHANG Xinpeng 等[9]提出了一種基于特征轉(zhuǎn)移網(wǎng)絡(luò)和局部背景抑制的MAs 檢測方法等。基于分類器的方法一般先獲取MAs 候選區(qū),然后再通過所設(shè)計(jì)分類器對候選區(qū)進(jìn)行分類,如ORLANDO J I 等[10]首先采用中值濾波去除眼底圖像中的MAs,再經(jīng)過形態(tài)學(xué)膨脹得到糖網(wǎng)背景圖像,在此基礎(chǔ)上將原圖與糖網(wǎng)背景圖像相減得到MAs 的候選區(qū),然后對候選區(qū)提取傳統(tǒng)特征和深度特征用于MAs 分類;WU B 等[11]利用從眼底圖像中提取出的多個輪廓和局部特征訓(xùn)練KNN 分類器以實(shí)現(xiàn)MAs 的準(zhǔn)確分類;YADAV D 等[12]首先通過分析直方圖進(jìn)行MAs 候選區(qū)域分割,然后再根據(jù)MAs 候選區(qū)域的形狀、灰度、紋理等特征進(jìn)行識別等?;谏疃葘W(xué)習(xí)的MAs 自動檢測方法主要為搭建端到端的深度神經(jīng)網(wǎng)絡(luò),如DAI L 等[13]提出了一種臨床報告引導(dǎo)的多篩分卷積神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)利用臨床報告中的少量監(jiān)督信息,通過特征空間中的圖像到文本映射來識別潛在的MAs;ROHAN R A[14]提出了一種基于YOLO(You Only Look Once)的MAs 自動檢測算法;趙學(xué)功等[15]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的MAs 自動檢測方法;XU Y 等[16]提出一種基于改進(jìn)U-Net 網(wǎng)絡(luò)的MAs 自動分割算法等;郭松等[17]提出一種基于多任務(wù)學(xué)習(xí)的分割模型Red-Seg 來獲取眼底圖像中的MAs。

    由于眼底圖像會因?yàn)榛颊?、環(huán)境、采集設(shè)備等因素的不同而出現(xiàn)不同的亮度和對比度,且還會存在類似于MAs 的對象,如小血塊、血管結(jié)構(gòu)、背景噪聲等,故基于物理模型的方法不僅難以建立廣泛適用的算法且容易造成誤檢。基于分類器的方法通常先采用濾波、形態(tài)學(xué)、背景估計(jì)等傳統(tǒng)方法進(jìn)行候選區(qū)提取,而這些方法極易受到參數(shù)的制約,同時由于眼底圖像內(nèi)容復(fù)雜,故容易使對于微動脈瘤的檢測精度不高?;谏疃葘W(xué)習(xí)的方法相較于上述兩種方法所存在的不足,有明顯的優(yōu)勢,但針對眼底圖像的微小目標(biāo)——MAs 的自動檢測而言,現(xiàn)有深度學(xué)習(xí)模型仍存在一些問題,如:小目標(biāo)的特征無法得到充分利用、回歸框位置不準(zhǔn)確、檢測精度不夠高等,故提出了多特征尺度融合的改進(jìn)Faster-RCNN(Improved Faster-RCNN,F(xiàn)aster-RCNN-Pro)用于實(shí)現(xiàn)眼底圖像中MAs 的精準(zhǔn)檢測。該方法首先選用檢測精度較優(yōu)的Faster-RCNN 作為基礎(chǔ)網(wǎng)絡(luò),然后結(jié)合眼底圖像中的MAs 自動檢測,對其進(jìn)行優(yōu)化,具體為:首先通過采用多特征尺度融合對特征提取網(wǎng)絡(luò)與區(qū)域候選網(wǎng)絡(luò)(Region Proposal Network,RPN)結(jié)構(gòu)進(jìn)行改進(jìn)以提高網(wǎng)絡(luò)對于微小目標(biāo)特征的利用從而提高M(jìn)As 的檢測精度;然后,通過感興趣區(qū)域齊平池化以消除感興趣區(qū)域池化過程中引入的兩次量化誤差;最后,對損失函數(shù)中的smooth L1 損失函數(shù)進(jìn)行重新設(shè)計(jì)得到平衡L1 損失函數(shù),以實(shí)現(xiàn)通過損失函數(shù)優(yōu)化有效降低大梯度難學(xué)樣本與小梯度易學(xué)樣本間的不平衡問題,進(jìn)而使模型能夠得到更好的訓(xùn)練。在完成Faster-RCNN 網(wǎng)絡(luò)模型優(yōu)化的基礎(chǔ)上,將該網(wǎng)絡(luò)模型用于眼底圖像中MAs 的自動檢測,并進(jìn)行性能分析。

    1 實(shí)驗(yàn)材料及設(shè)備

    實(shí)驗(yàn)采用Kaggle DR 數(shù)據(jù)集用以訓(xùn)練和測試所提出的Faster-RCNN-Pro 算法對于眼底圖像中MAs 的自動檢測性能。Kaggle DR 數(shù)據(jù)集由EyePACS(視網(wǎng)膜病變篩查免費(fèi)平臺)提供,來源于44 351 位患者(左右眼各一幅),共計(jì)有35 126 幅訓(xùn)練圖像和53 576 幅測試圖像,圖像的分辨率在433×289 像素~5 184×3 456 像素之間[18]。眼科醫(yī)師基于國際標(biāo)準(zhǔn)對每幅眼底圖像進(jìn)行了0~4 的糖網(wǎng)病患病程度的5 級分級,但由于本文研究的是所提出算法對于MAs 病灶的自動檢測性能,故需對該數(shù)據(jù)集進(jìn)行預(yù)處理以滿足本研究的需求,具體為:利用文獻(xiàn)[8]所述方法并輔以眼科醫(yī)師的指導(dǎo)對Kaggle DR 數(shù)據(jù)集進(jìn)行預(yù)處理以獲取MAs 圖像及注釋文件。由于Kaggle DR 數(shù)據(jù)集的分布不平衡,經(jīng)過該階段預(yù)處理去除了大量圖像(該數(shù)據(jù)集中幾乎90%的圖像不包含任何病變),最后只剩下5 519 幅包含MAs 的眼底圖像。對于這5 519 幅眼底圖像,均生成了注釋文件。生成注釋文件后,整個數(shù)據(jù)集(5 519 幅圖像)按90/10 的比例進(jìn)行劃分,5 000 幅用于訓(xùn)練,519 幅眼底圖像用于測試。此外,為充分驗(yàn)證所提出改進(jìn)網(wǎng)絡(luò)的檢測性能,對原本包含519 幅眼底圖像的測試集予以增加200 幅健康眼底圖像進(jìn)行擴(kuò)充,即實(shí)際測試時測試集包含719 幅眼底圖像。

    實(shí)驗(yàn)采用的操作系統(tǒng)為ubuntu-18.04.5;CPU 為Intel Core i5-10300H;RAM 大小為32 GB;GPU 為RTX2060,顯存大小為8 GB。運(yùn)行軟件環(huán)境為Pycharm;python 版本為3.7;Pytorch 版本為1.3.0;OpenCV 版本為4.5;此外,安裝Cuda10.1 和Cudnn7.51 進(jìn)行GPU 加速運(yùn)算。

    2 網(wǎng)絡(luò)設(shè)計(jì)

    Faster-RCNN[19-21]檢測算法相較于YOLO[22-24]檢測算法,多增設(shè)了一個RPN 結(jié)構(gòu),這不僅使其成為了兩階段的檢測算法,而且提高了檢測精度,故其檢測準(zhǔn)確性通常要優(yōu)于YOLO 算法,具體算法流程如圖1。由于MAs 尺寸較小(直徑在10~100 μm 之間,具體形態(tài)如圖1),屬于眼底圖像中的微小目標(biāo),因此利用原始Faster-RCNN 對眼底圖像中的MAs 進(jìn)行檢測時會出現(xiàn)一些不足,如檢測性能不夠好、回歸框位置不準(zhǔn)確、數(shù)據(jù)分布不均勻等問題。針對以上問題,對Faster-RCNN 網(wǎng)絡(luò)提出了3 點(diǎn)改進(jìn),分別為:多特征尺度融合、感興趣區(qū)域齊平池化、損失函數(shù)優(yōu)化(具體為對損失函數(shù)函數(shù)中的smooth L1 損失函數(shù)進(jìn)行重新設(shè)計(jì)得到平衡L1 損失函數(shù)),改進(jìn)后的算法流程如圖2。

    圖1 Faster-RCNN 算法結(jié)構(gòu)Fig.1 Faster-RCNN algorithm structure

    圖2 改進(jìn)后的算法流程Fig.2 Flow of improved algorithm

    2.1 多特征尺度融合

    在特征提取網(wǎng)絡(luò)VGG16 的結(jié)構(gòu)中,特征圖的尺寸在卷積的過程中越來越小,與之對應(yīng)的待檢測目標(biāo)的特征信息也在不斷變小。而RPN 網(wǎng)絡(luò)采用最后一層特征圖卷積得到的信息作為特征圖并進(jìn)行后續(xù)的操作,這會導(dǎo)致小目標(biāo)的特征無法得到充分利用,這很明顯對于MAs 的自動檢測是非常不利的,故采用多特征尺度融合的方法對特征提取網(wǎng)絡(luò)與RPN 結(jié)構(gòu)進(jìn)行改進(jìn),將該改進(jìn)結(jié)構(gòu)的Faster-RCNN 稱為Faster-RCNN-I。

    多特征尺度融合是通過一定的方式整合具有高層語義信息的深層網(wǎng)絡(luò)特征圖的空間特征維度,使其與具有低層語義信息的淺層網(wǎng)絡(luò)特征圖相同后,按照相加的方式進(jìn)行融合,從而使提取出的特征圖能夠具有更豐富的語義信息以供后續(xù)環(huán)節(jié)使用[25]。多特征尺度融合后,需要在網(wǎng)絡(luò)結(jié)構(gòu)、檢測和分類層、感興趣池化層共3 個層上進(jìn)行改進(jìn)。

    在特征提取主干網(wǎng)絡(luò)上,將卷積層每次降采樣稱為一個Stage,如圖3 所示,主干網(wǎng)絡(luò)可分為5 個Stage,分別為C1,C2,C3,C4和C5。對于Ci(i=1,2,3,4,5),通過1×1 的卷積操作與下采樣,使得其與Ci-1的尺度相匹配并相加,最后通過3×3 的卷積消除相加后由多維特征不連續(xù)產(chǎn)生的混疊效應(yīng),從而得到新的特征圖Pi(i=1,2,3,4,5)。

    圖3 多特征尺度融合Fig.3 Multi-feature scale fusion

    RPN 網(wǎng)絡(luò)計(jì)算采用的是網(wǎng)絡(luò)最后一層的特征圖,對原圖映射至特征圖的k個預(yù)設(shè)大小的Anchor Box 進(jìn)行分類與回歸。這k個Anchor Box 預(yù)先設(shè)置為固定的長寬比,且在RPN 中使用同一個Stage 的特征圖進(jìn)行計(jì)算。為融合多特征尺度,Anchor Box 在保持原有預(yù)設(shè)大小與比例尺度的情況下,在不同的特征圖上匹配與之相應(yīng)的Anchor Box。考慮到計(jì)算效率,將Anchor Box 分別分布在P2、P3、P4這三個特征層上面,每一個特征圖上分配的Anchor Box 均有3 種比例尺度,分別為1∶1、1∶2、2∶1。在RPN 檢測時,目標(biāo)在哪個特征圖上能夠分類出則采用該層的Anchor Box,具體過程如圖4。

    圖4 多特征融合下的RPNFig.4 RPN based on multi feature fusion

    在改變RPN 生成的區(qū)域建議后,對于特征圖的Pooling 方式也需隨之變化。原始Faster RCNN 中RoI(Region of Interest)Pooling 是把最后一層特征圖作為輸入,其中特征圖與RPN 產(chǎn)生的映射關(guān)系可表示為

    式中,P表示特征圖的層級,P越大,對應(yīng)特征圖的尺度越?。? 表示輸入層級;k是輸入圖像尺度;w,h分別表示RoI 區(qū)域的寬與長。由式(1)可知,RoI Pooling 的輸入單一,通過在最后一層特征圖上使用RPN 提取出的RoI 區(qū)域作為輸入,這無法有效利用多特征尺度RPN 獲取的RoI 區(qū)域,故需對RoI Pooling 進(jìn)行改進(jìn),具體可表示為

    式中,輸入的特征圖為當(dāng)前層的特征圖與深一層的小尺度特征圖通過下采樣的方式求和后的結(jié)果。通過將RPN 在多特征尺度上得到的RoI 區(qū)域?qū)?yīng)的特征圖作為RoI Pooling 的輸入,確保了目標(biāo)特征能夠映射到特征圖上,從而提高了目標(biāo)檢測精度。

    2.2 感興趣區(qū)域齊平池

    為進(jìn)一步提升對MAs 的檢測性能,還需對RoIPooling 做出改進(jìn)。原始RoI Pooling 中,初始像素點(diǎn)與RPN 得出的特征圖上RoI 區(qū)域像素點(diǎn)對應(yīng)關(guān)系為[20]

    式中,(xfeature,yfeature)為特征圖上的像素坐標(biāo),(x,y)為RoI 區(qū)域在原始圖像上的坐標(biāo),s為下采樣倍數(shù),表示為取比括號內(nèi)值小的最大整數(shù),即向下取整。由于在計(jì)算(xfeature,yfeature)時,存在向下取整的計(jì)算,故此處引入了一次量化誤差。此外,在RoI Pooling 的過程中,需將RoI 的輸入直接固定成預(yù)設(shè)的大小,這帶來了第二次量化誤差。這兩次量化誤差使得原始特征區(qū)域與映射特征區(qū)域產(chǎn)生了偏差,這些偏差對數(shù)據(jù)集中的小目標(biāo)——MAs 的檢測影響很大,故提出對感興趣區(qū)域進(jìn)行齊平池化(如圖5),圖5 中黑色矩形框表示RoI 區(qū)域在特征圖上的映射位置,具體關(guān)系可表示為

    圖5 感興趣區(qū)域齊平池化Fig.5 Flush pooling of RoI

    圖5 中綠色實(shí)線表示根據(jù)RoI Pooling 的實(shí)際需求將區(qū)域分割為n個子區(qū)域,其中n的大小對應(yīng)輸出特征圖尺度。圖5 中每一個子區(qū)域中設(shè)置4 個點(diǎn),每個點(diǎn)的像素值由特征圖上最鄰近區(qū)域的四個像素點(diǎn)通過雙線性插值法獲?。?6],如紅色箭頭所示;隨后,池化的過程在每個子塊中進(jìn)行,最終得到尺寸齊平的輸出。該感興趣區(qū)池化過程與Faster-RCNN 池化即RoI Pooling 過程的對比如圖6。將該改進(jìn)結(jié)構(gòu)的Faster-RCNN 稱為Faster-RCNN-II。

    圖6 感興趣區(qū)池化過程對比Fig.6 Comparison of pooling process in RoI

    2.3 損失函數(shù)優(yōu)化

    Faster-RCNN 的損失函數(shù)包括分類損失和回歸損失兩部分,可表示為[20]

    式中,下標(biāo)i表示第i個候選區(qū)域,i隨同批次中真值數(shù)量變化;pi為檢測網(wǎng)絡(luò)中離散型概率分布,即判定第i個目標(biāo)的類別;p*i為第i個框的GT(Ground Truth)標(biāo)定值,即真實(shí)值(當(dāng)該框中存在該目標(biāo)物時p*i=1;反之,p*i=0);分類損失Lcls和回歸損失Lreg分別由Ncls、Nreg以及權(quán)重λ歸一化。ti={tx,ty,tw,th}表示目標(biāo)物位置的預(yù)測值;ti*={tx*,ty*,tw*,th*}則是學(xué)習(xí)樣本中人工給定的監(jiān)督信息。

    對于回歸損失,由于參數(shù)回歸時均近似為線性回歸,且標(biāo)注信息噪聲較多,梯度回傳不穩(wěn)定[27],為緩解這一情況,回歸損失使用梯度平緩的SmoothL1損失函數(shù),可分別表示為

    式(6)中的R即為式(7)中的Smooth L1 損失函數(shù)。其中,參數(shù)σ用于控制平滑區(qū)域的范圍,以避免過大的梯度對網(wǎng)絡(luò)參數(shù)產(chǎn)生過多的影響。

    對式(7)求梯度,即

    反向傳播中損失較大的定義為困難樣本,換言之容易樣本損失較小。故由式(8)發(fā)現(xiàn),在smoothL1 函數(shù)中,困難樣本相較于容易樣本來說,提供了更多的梯度信息,這導(dǎo)致了難易樣本間學(xué)習(xí)能力的不平衡。

    為解決該問題,設(shè)計(jì)了balanceL1 損失函數(shù),即由式(8)得到balanceL1 損失的梯度函數(shù),表示為

    其中,反向傳播時提供梯度高于γ的樣本取γ作為梯度,以此平衡小梯度樣本的梯度值與難學(xué)樣本的梯度值。在此基礎(chǔ)上,根據(jù)式(9)的梯度信息,通過積分求得平衡L1 損失函數(shù)為

    圖7 損失函數(shù)梯度Fig.7 Loss function gradient

    3 結(jié)果與分析

    3.1 評價指標(biāo)

    在目標(biāo)檢測任務(wù)中,通常使用召回率(Recall,R)和精確率(Precision,P)以及綜合考慮召回率與精確率的指標(biāo)F-score 對網(wǎng)絡(luò)性能進(jìn)行評價。因此為評價所提出網(wǎng)絡(luò)模型對于MAs 的檢測性能,基于病灶區(qū)域水平定義了上述指標(biāo),具體計(jì)算表達(dá)式分別為[28]

    式中,ΤΡ(True Positive)為成功預(yù)測的正例,ΤΝ(True Negative)為成功預(yù)測的負(fù)例,F(xiàn)P(False Positive)為被誤判為正例的負(fù)例,F(xiàn)N(False Negative)為被錯誤預(yù)測為負(fù)例的正例。

    3.2 實(shí)驗(yàn)結(jié)果及分析

    利用Kaggle DR 數(shù)據(jù)集對所提出的Faster-RCNN-Pro 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時,超參數(shù)設(shè)置為:輸入圖像為彩色圖像,尺寸經(jīng)適當(dāng)裁減去掉背景區(qū)域并進(jìn)行壓縮后為1 024×768,批處理大小設(shè)置為2,迭代次數(shù)共計(jì)為31 000 次,基礎(chǔ)學(xué)習(xí)率為0.001 25(當(dāng)?shù)?3 000 次迭代后學(xué)習(xí)率衰減至0.000 125),優(yōu)化方法采用帶動量因子的小批量隨機(jī)梯度下降法,特征提取網(wǎng)絡(luò)部分采用在COCO 數(shù)據(jù)集上的模型作為預(yù)訓(xùn)練模型。

    Faster-RCNN-Pro 深度學(xué)習(xí)檢測模型訓(xùn)練的損失函數(shù)在20 個輪次的訓(xùn)練周期內(nèi),呈現(xiàn)收斂趨勢。在訓(xùn)練之初,損失函數(shù)快速下降,在迭代到22 000 次后,損失函數(shù)收斂放緩,但存在波動;在20 000 次迭代后,學(xué)習(xí)率下降到十分之一,損失函數(shù)也隨之下降,波動減少;直至30 000 次迭代,損失函數(shù)平穩(wěn)收斂,識別性能較好,故取第31 000 次迭代后的模型作為最終檢測模型。

    為驗(yàn)證所提出的3 點(diǎn)改進(jìn)策略對于Faster-RCNN 算法檢測性能的影響,采用消融實(shí)驗(yàn)比分析不同改進(jìn)結(jié)構(gòu)的Faster-RCNN 算法分別在Kaggle DR 數(shù)據(jù)集上對MAs 的自動檢測性能,具體檢測結(jié)果見表1。由表1 可知,每種網(wǎng)絡(luò)改進(jìn)策略均在不同程度上提高了原始Faster-RCNN 的檢測性能,具體為:由于MAs 為尺寸微小目標(biāo),通過多特征尺度融合可以有效提高對該病灶的檢測性能,故Faster-RCNN-I 的F-score 較Baseline(Faster-RCNN)提升了6.82%;通過感興趣區(qū)域齊平池化,先驗(yàn)框中更準(zhǔn)確的特征信息優(yōu)化了模型表現(xiàn),故Faster-RCNN-II 的F-score 較Baseline(Faster-RCNN)提升了4.68%;采用優(yōu)化損失函數(shù)平衡了難學(xué)樣本和易學(xué)樣本對模型提供的梯度,降低了噪聲影響,故Faster-RCNN-III 的F-score 較Baseline(Faster-RCNN)提升了2.73%;尤其是3 種改進(jìn)策略均采用的Faster-RCNN-Pro 的檢測性能提升更為明顯,其Fscore 較Baseline(Faster-RCNN)提升了9.36%。

    表1 不同改進(jìn)Faster-RCNN 模型在測試集上的性能評估Table 1 Performance evaluation of different improved Faster-RCNN models on the test set

    由以上實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),所提出的對Faster-RCNN 的3 點(diǎn)改進(jìn)在Kaggle DR 數(shù)據(jù)集上針對MAs 自動檢測,對于網(wǎng)絡(luò)性能提升是有效的。該網(wǎng)絡(luò)模型對MAs 的檢測效果如圖8。由圖8 可知,該網(wǎng)絡(luò)模型可以實(shí)現(xiàn)對眼底圖像中MAs 的準(zhǔn)確檢測。

    此外,為進(jìn)一步驗(yàn)證所提出的基于多特征尺度融合的改進(jìn)Faster-RCNN 對眼底圖像中MAs 的自動檢測性能,將該方法與文獻(xiàn)[8](基于圖像處理的方法)、文獻(xiàn)[12](基于分類器的方法)、文獻(xiàn)[13](采用多篩分卷積神經(jīng)網(wǎng)絡(luò)檢測MAs)、文獻(xiàn)[14](采用YOLO 網(wǎng)絡(luò)自動檢測MAs)、文獻(xiàn)[15](利用卷積神經(jīng)網(wǎng)絡(luò)檢測MAs)、文獻(xiàn)[16](采用改進(jìn)U-Net 網(wǎng)絡(luò)自動分割MAs)對MAs 的自動檢測性能進(jìn)行了對比,結(jié)果如表2。由表2 可知,基于深度學(xué)習(xí)的方法即文獻(xiàn)[13-16]以及所提出的Faster-RCNN-Pro 算法的F-score 均優(yōu)于基于圖像處理方法以及基于分類器的方法。傳統(tǒng)算法(基于圖像處理的方法以及基于分類器的方法)的F-score低,是因?yàn)閭鹘y(tǒng)算法易受到參數(shù)限制,在眼底圖像這樣的復(fù)雜背景中提取的MAs 病灶候選區(qū)易存在較多干擾且無法排除,最終會成為FP,從而導(dǎo)致P值較低進(jìn)而影響F-score。結(jié)合表1、表2 可知,基于深度學(xué)習(xí)的方法即深度神經(jīng)網(wǎng)絡(luò)由于具有更強(qiáng)的擬合性,對于MAs 的自動檢測結(jié)果更為準(zhǔn)確,且兩階段的Faster-RCNN 因?yàn)镽PN 區(qū)域建議網(wǎng)絡(luò)的存在使得檢測性能參數(shù)F-score 明顯更優(yōu),而經(jīng)過優(yōu)化后的Faster-RCNN-Pro 的檢測精度更是得到了明顯提升。但同時也應(yīng)注意到,深度神經(jīng)網(wǎng)絡(luò)也可能存在過擬合現(xiàn)象,從而導(dǎo)致部分MAs 會檢測不出,因此文獻(xiàn)[13-16]的召回率R會低于傳統(tǒng)算法,而Faster-RCNN-Pro 則很好地克服了這個問題。由此可見,所提出的Faster-RCNN-Pro 算法能準(zhǔn)確、有效地檢測出眼底圖像中的MAs,即檢測性能更優(yōu)。

    表2 不同算法檢測性能對比Table 2 Comparison for detection performance of different algorithms

    最后,將所提出的Faster-RCNN-Pro 對于眼底圖像中MAs 的自動檢測性能與YOLOv5 進(jìn)行了對比,結(jié)果如表3。結(jié)合表2、表3 可知,YOLOv5 算法通過使用Focus 與CSPDarknet53 特征提取網(wǎng)絡(luò)獲取多尺度圖像特征,相比之前的YOLO 網(wǎng)絡(luò)進(jìn)一步消除網(wǎng)格敏感性,優(yōu)化了小目標(biāo)特征信息差異,從而提高識別精度[29],但是與Faster-RCNN-Pro 相比,其對于MAs 的檢測精度仍遜色不少。因此,就檢測精度而言,所提出的Faster-RCNN-Pro 明顯更優(yōu),能精準(zhǔn)檢測出眼底圖像中的MAs。

    表3 與YOLOv5 的檢測性能對比Table3 Comparison of detection performance with YOLOv5

    4 結(jié)論

    本文提出了多特征尺度融合的改進(jìn)Faster-RCNN 算法用以實(shí)現(xiàn)眼底圖像中MAs 的精準(zhǔn)檢測。該算法在Faster-RCNN 網(wǎng)絡(luò)模型的基礎(chǔ)上,分別通過采用多特征尺度融合以提高網(wǎng)絡(luò)對于微小目標(biāo)特征的利用,感興趣區(qū)域齊平池化以消除池化過程中引入的量化誤差,以及優(yōu)化損失函數(shù)有效降低大梯度難學(xué)樣本與小梯度易學(xué)樣本間的不平衡問題,從而實(shí)現(xiàn)針對眼底圖像中MAs 精準(zhǔn)檢測的Faster-RCNN 網(wǎng)絡(luò)優(yōu)化。在以Kaggle DR 數(shù)據(jù)集為測試對象的基礎(chǔ)上,采用消融實(shí)驗(yàn)分析驗(yàn)證了所提出的多特征尺度融合的改進(jìn)Faster-RCNN 算法能夠有效提升MAs 的自動檢測性能。此外,還將該方法與基于YOLO、基于深度卷積神經(jīng)網(wǎng)絡(luò)以及傳統(tǒng)方法對MAs 的自動檢測性能進(jìn)行了對比,發(fā)現(xiàn)所提出的多特征尺度融合的改進(jìn)Faster-RCNN 算法在MAs 的自動檢測精度方面明顯更優(yōu)。故所提出的多特征尺度融合的改進(jìn)Faster-RCNN 算法性能較優(yōu),能精準(zhǔn)檢測出眼底圖像中的MAs。但改進(jìn)后的Faster-RCNN-Pro 仍為二階段目標(biāo)檢測算法,這使其與實(shí)時檢測之間還存在一定距離,未來可在檢測實(shí)時性上做進(jìn)一步深入研究,以期達(dá)到更好的檢測效果。

    猜你喜歡
    自動檢測梯度尺度
    一個改進(jìn)的WYL型三項(xiàng)共軛梯度法
    財產(chǎn)的五大尺度和五重應(yīng)對
    一種自適應(yīng)Dai-Liao共軛梯度法
    一類扭積形式的梯度近Ricci孤立子
    基于STM32的室內(nèi)有害氣體自動檢測與排風(fēng)系統(tǒng)
    電子制作(2018年19期)2018-11-14 02:36:50
    光電傳感器在自動檢測和分揀中的應(yīng)用
    電子制作(2018年9期)2018-08-04 03:30:58
    基于TestStand的自動檢測程序開發(fā)
    電子測試(2018年11期)2018-06-26 05:56:16
    K-F環(huán)自動檢測系統(tǒng)設(shè)計(jì)
    宇宙的尺度
    太空探索(2016年5期)2016-07-12 15:17:55
    9
    人妻 亚洲 视频| 999久久久国产精品视频| 少妇精品久久久久久久| 少妇裸体淫交视频免费看高清 | 五月天丁香电影| 美国免费a级毛片| 精品一区二区三区视频在线观看免费 | 亚洲国产看品久久| 91成年电影在线观看| 久久性视频一级片| 久久久久精品国产欧美久久久| 欧美 亚洲 国产 日韩一| 欧美+亚洲+日韩+国产| 十八禁网站免费在线| 国产福利在线免费观看视频| 操美女的视频在线观看| 国产成+人综合+亚洲专区| 蜜桃国产av成人99| 亚洲精品一二三| 中文字幕另类日韩欧美亚洲嫩草| bbb黄色大片| 亚洲欧美日韩高清在线视频 | 国产熟女午夜一区二区三区| 黄色怎么调成土黄色| 一边摸一边做爽爽视频免费| 久久av网站| 视频在线观看一区二区三区| www.熟女人妻精品国产| 亚洲成人免费电影在线观看| 中文字幕人妻丝袜一区二区| 最黄视频免费看| 黄色a级毛片大全视频| 日韩一区二区三区影片| 国产精品久久久人人做人人爽| 男女免费视频国产| 亚洲精品乱久久久久久| 在线十欧美十亚洲十日本专区| 亚洲少妇的诱惑av| 狠狠婷婷综合久久久久久88av| 精品久久久久久电影网| 黄色怎么调成土黄色| 999久久久精品免费观看国产| 日韩精品免费视频一区二区三区| 最近最新免费中文字幕在线| 丰满迷人的少妇在线观看| 亚洲五月色婷婷综合| 精品国产一区二区三区四区第35| 麻豆av在线久日| 免费av中文字幕在线| 成年版毛片免费区| 1024香蕉在线观看| 超色免费av| 亚洲精品国产色婷婷电影| 亚洲专区国产一区二区| 国产av一区二区精品久久| 亚洲黑人精品在线| 高清av免费在线| 五月天丁香电影| 精品一区二区三卡| 丝袜人妻中文字幕| 欧美中文综合在线视频| 黄色怎么调成土黄色| 激情在线观看视频在线高清 | 国产成人av教育| aaaaa片日本免费| 亚洲av日韩在线播放| av超薄肉色丝袜交足视频| 色精品久久人妻99蜜桃| 如日韩欧美国产精品一区二区三区| 最黄视频免费看| 制服诱惑二区| 国产国语露脸激情在线看| 菩萨蛮人人尽说江南好唐韦庄| 在线av久久热| 久久ye,这里只有精品| 亚洲欧洲日产国产| 一区二区三区国产精品乱码| 亚洲av片天天在线观看| 免费在线观看视频国产中文字幕亚洲| 色老头精品视频在线观看| 精品人妻1区二区| 俄罗斯特黄特色一大片| 精品久久蜜臀av无| 久久国产精品影院| kizo精华| 黄色片一级片一级黄色片| 热re99久久国产66热| 老熟女久久久| 叶爱在线成人免费视频播放| 亚洲国产中文字幕在线视频| 蜜桃国产av成人99| 丝袜美腿诱惑在线| 亚洲欧洲日产国产| 免费在线观看影片大全网站| 视频区欧美日本亚洲| 精品久久久久久电影网| 欧美国产精品va在线观看不卡| 亚洲第一av免费看| a级毛片在线看网站| 伦理电影免费视频| 三上悠亚av全集在线观看| 亚洲av日韩精品久久久久久密| 视频区图区小说| 亚洲av片天天在线观看| 欧美在线黄色| 成人手机av| 免费av中文字幕在线| 亚洲中文字幕日韩| 国产成人精品在线电影| 久久久久国产一级毛片高清牌| 免费日韩欧美在线观看| 热99久久久久精品小说推荐| 久久性视频一级片| 一区二区三区乱码不卡18| 少妇精品久久久久久久| 亚洲国产欧美一区二区综合| 黄色视频不卡| 欧美成人免费av一区二区三区 | 国产精品99久久99久久久不卡| 久久毛片免费看一区二区三区| 欧美日韩成人在线一区二区| 日日摸夜夜添夜夜添小说| 韩国精品一区二区三区| av超薄肉色丝袜交足视频| 久久热在线av| 新久久久久国产一级毛片| 最近最新中文字幕大全免费视频| 欧美久久黑人一区二区| 午夜免费成人在线视频| 一级,二级,三级黄色视频| 黄片播放在线免费| 色在线成人网| 日韩大码丰满熟妇| netflix在线观看网站| 国产一区有黄有色的免费视频| 久久久久久久精品吃奶| 久久99热这里只频精品6学生| 亚洲 国产 在线| 香蕉丝袜av| 多毛熟女@视频| 精品国产超薄肉色丝袜足j| 19禁男女啪啪无遮挡网站| 色婷婷av一区二区三区视频| 国产精品亚洲一级av第二区| 欧美激情极品国产一区二区三区| 大片电影免费在线观看免费| 午夜视频精品福利| 亚洲欧美一区二区三区黑人| 亚洲精品久久午夜乱码| 亚洲少妇的诱惑av| 交换朋友夫妻互换小说| av国产精品久久久久影院| 丝瓜视频免费看黄片| 亚洲七黄色美女视频| 国产人伦9x9x在线观看| 悠悠久久av| 天天添夜夜摸| 久久ye,这里只有精品| 三上悠亚av全集在线观看| 国产亚洲精品久久久久5区| 国产成人啪精品午夜网站| 亚洲成人免费电影在线观看| 俄罗斯特黄特色一大片| 精品一区二区三区av网在线观看 | 国产欧美日韩一区二区精品| 亚洲欧美一区二区三区久久| 国产不卡一卡二| 亚洲五月婷婷丁香| 一本久久精品| 十八禁网站免费在线| 国产成人免费观看mmmm| 亚洲精品国产区一区二| 黄色视频,在线免费观看| 人妻久久中文字幕网| 亚洲成人免费电影在线观看| 精品免费久久久久久久清纯 | 久久久久久免费高清国产稀缺| 午夜福利免费观看在线| 制服人妻中文乱码| 999久久久国产精品视频| 狠狠狠狠99中文字幕| 国产人伦9x9x在线观看| 亚洲国产毛片av蜜桃av| 免费观看a级毛片全部| 又黄又粗又硬又大视频| 十八禁网站网址无遮挡| 国产单亲对白刺激| 欧美亚洲日本最大视频资源| av超薄肉色丝袜交足视频| 中文字幕av电影在线播放| 国产一区有黄有色的免费视频| 黄片大片在线免费观看| 热99国产精品久久久久久7| 精品人妻在线不人妻| 国产av又大| 一本久久精品| 国产xxxxx性猛交| 99国产精品一区二区蜜桃av | 精品一区二区三区四区五区乱码| 91麻豆av在线| 午夜福利视频精品| 12—13女人毛片做爰片一| 宅男免费午夜| 日韩大码丰满熟妇| 欧美大码av| 又紧又爽又黄一区二区| 国产主播在线观看一区二区| 精品免费久久久久久久清纯 | 高清在线国产一区| 国产精品一区二区精品视频观看| 国产淫语在线视频| 一夜夜www| 亚洲精品国产一区二区精华液| 手机成人av网站| 一区福利在线观看| 午夜福利在线观看吧| 最近最新中文字幕大全电影3 | 黄色片一级片一级黄色片| 国精品久久久久久国模美| 亚洲三区欧美一区| 91九色精品人成在线观看| 亚洲成人免费av在线播放| 久久精品国产亚洲av高清一级| 欧美中文综合在线视频| 亚洲中文字幕日韩| h视频一区二区三区| 成人亚洲精品一区在线观看| 国产黄色免费在线视频| 一本—道久久a久久精品蜜桃钙片| 亚洲av片天天在线观看| 欧美亚洲日本最大视频资源| a级片在线免费高清观看视频| 国产成人精品久久二区二区91| 777米奇影视久久| 国产在视频线精品| 国产精品影院久久| 国产有黄有色有爽视频| 国产单亲对白刺激| 下体分泌物呈黄色| 精品亚洲成国产av| 亚洲av电影在线进入| bbb黄色大片| 亚洲欧美一区二区三区久久| videos熟女内射| 大陆偷拍与自拍| 极品人妻少妇av视频| 一级毛片电影观看| 成人精品一区二区免费| 女人高潮潮喷娇喘18禁视频| 国产av精品麻豆| 狠狠婷婷综合久久久久久88av| 亚洲天堂av无毛| 天堂8中文在线网| 妹子高潮喷水视频| 人人妻人人澡人人爽人人夜夜| av片东京热男人的天堂| 国产精品99久久99久久久不卡| 国产精品免费一区二区三区在线 | 亚洲国产欧美日韩在线播放| 成年人免费黄色播放视频| 欧美黄色淫秽网站| 色综合婷婷激情| 国产精品久久久av美女十八| 亚洲人成电影观看| 真人做人爱边吃奶动态| 乱人伦中国视频| 国产精品久久久久久人妻精品电影 | 热re99久久国产66热| 久久狼人影院| 久久性视频一级片| 少妇猛男粗大的猛烈进出视频| 丝瓜视频免费看黄片| 欧美精品一区二区大全| 黄色a级毛片大全视频| 女人高潮潮喷娇喘18禁视频| 69av精品久久久久久 | 国产一卡二卡三卡精品| 别揉我奶头~嗯~啊~动态视频| 久久精品国产综合久久久| 丁香六月天网| 老鸭窝网址在线观看| 我的亚洲天堂| 新久久久久国产一级毛片| 久久免费观看电影| 日日爽夜夜爽网站| 久久久国产欧美日韩av| a级毛片在线看网站| 日本av手机在线免费观看| 午夜免费成人在线视频| av超薄肉色丝袜交足视频| 精品少妇久久久久久888优播| 99国产极品粉嫩在线观看| 亚洲av欧美aⅴ国产| 人人澡人人妻人| 国产男靠女视频免费网站| 精品福利永久在线观看| 精品国产乱子伦一区二区三区| 国产男靠女视频免费网站| 久久天躁狠狠躁夜夜2o2o| 我的亚洲天堂| 亚洲av成人不卡在线观看播放网| 18禁美女被吸乳视频| svipshipincom国产片| 国产1区2区3区精品| 精品人妻1区二区| 天天操日日干夜夜撸| 久久99热这里只频精品6学生| 99国产极品粉嫩在线观看| av超薄肉色丝袜交足视频| 窝窝影院91人妻| 国产又爽黄色视频| 久久性视频一级片| 成人精品一区二区免费| 国产淫语在线视频| 欧美人与性动交α欧美精品济南到| 天天躁日日躁夜夜躁夜夜| avwww免费| 国产成人影院久久av| 亚洲精品国产色婷婷电影| 国产精品免费视频内射| 男人舔女人的私密视频| 免费少妇av软件| 天天添夜夜摸| √禁漫天堂资源中文www| 亚洲熟女毛片儿| 亚洲欧美色中文字幕在线| 成年人免费黄色播放视频| 亚洲国产欧美一区二区综合| 无人区码免费观看不卡 | 日韩制服丝袜自拍偷拍| 国产精品久久久人人做人人爽| 在线天堂中文资源库| 啪啪无遮挡十八禁网站| 亚洲熟女精品中文字幕| 人妻久久中文字幕网| 在线观看免费高清a一片| 亚洲专区国产一区二区| 中文字幕制服av| 精品人妻在线不人妻| 午夜福利,免费看| 午夜福利免费观看在线| 国产免费福利视频在线观看| 成人影院久久| 涩涩av久久男人的天堂| 男人操女人黄网站| 老司机在亚洲福利影院| 国产一卡二卡三卡精品| 国产av又大| 成人精品一区二区免费| 99re在线观看精品视频| 欧美日韩成人在线一区二区| 美女福利国产在线| 精品国产一区二区三区四区第35| 国产精品偷伦视频观看了| 男男h啪啪无遮挡| 国产在线观看jvid| 欧美亚洲 丝袜 人妻 在线| 真人做人爱边吃奶动态| 久久久精品免费免费高清| 亚洲一卡2卡3卡4卡5卡精品中文| 成人永久免费在线观看视频 | 美女扒开内裤让男人捅视频| 亚洲精品中文字幕在线视频| 成在线人永久免费视频| www.精华液| 亚洲国产成人一精品久久久| 亚洲国产精品一区二区三区在线| 无人区码免费观看不卡 | 最近最新免费中文字幕在线| 99精品在免费线老司机午夜| 精品人妻1区二区| 国产黄色免费在线视频| 精品高清国产在线一区| 欧美黑人精品巨大| 黄片大片在线免费观看| 黑人操中国人逼视频| 他把我摸到了高潮在线观看 | 欧美+亚洲+日韩+国产| 18禁美女被吸乳视频| 黄色a级毛片大全视频| 国产精品亚洲一级av第二区| 国产不卡av网站在线观看| 97在线人人人人妻| 美女高潮到喷水免费观看| 免费av中文字幕在线| 丝袜在线中文字幕| 国产有黄有色有爽视频| 91老司机精品| 国产淫语在线视频| 精品国产乱码久久久久久小说| 欧美国产精品va在线观看不卡| 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| 亚洲三区欧美一区| 少妇裸体淫交视频免费看高清 | 美女福利国产在线| 日韩欧美一区视频在线观看| 国产成人一区二区三区免费视频网站| 国产精品免费视频内射| 在线天堂中文资源库| 日韩中文字幕视频在线看片| 少妇粗大呻吟视频| 免费看十八禁软件| 真人做人爱边吃奶动态| 在线永久观看黄色视频| 女人精品久久久久毛片| 亚洲精品中文字幕在线视频| 亚洲av日韩在线播放| 久久精品国产综合久久久| 一进一出好大好爽视频| 黄片大片在线免费观看| 人人妻人人添人人爽欧美一区卜| 999精品在线视频| 成人免费观看视频高清| 亚洲国产av新网站| 中文字幕精品免费在线观看视频| 欧美黑人欧美精品刺激| 99久久精品国产亚洲精品| 中文亚洲av片在线观看爽 | 99精品久久久久人妻精品| 久久精品亚洲精品国产色婷小说| 黄片小视频在线播放| 国产男女内射视频| 亚洲精品在线观看二区| 国产熟女午夜一区二区三区| 亚洲午夜精品一区,二区,三区| 国产av精品麻豆| 国产1区2区3区精品| 男女床上黄色一级片免费看| 国产精品久久电影中文字幕 | 欧美成人午夜精品| 最近最新中文字幕大全免费视频| 91九色精品人成在线观看| 岛国毛片在线播放| 久久久久久久久免费视频了| 久久久精品免费免费高清| 自拍欧美九色日韩亚洲蝌蚪91| 悠悠久久av| 国产精品偷伦视频观看了| 黄色成人免费大全| 人成视频在线观看免费观看| 亚洲va日本ⅴa欧美va伊人久久| 亚洲人成77777在线视频| 怎么达到女性高潮| 人妻一区二区av| 欧美国产精品一级二级三级| 精品一区二区三卡| 亚洲免费av在线视频| 伊人久久大香线蕉亚洲五| 国产色视频综合| 下体分泌物呈黄色| 99国产精品一区二区蜜桃av | 在线观看舔阴道视频| 日韩熟女老妇一区二区性免费视频| 免费在线观看日本一区| 欧美黄色片欧美黄色片| 男女高潮啪啪啪动态图| 久热这里只有精品99| 亚洲国产中文字幕在线视频| 不卡一级毛片| 欧美日韩成人在线一区二区| 亚洲精品成人av观看孕妇| 麻豆av在线久日| 午夜91福利影院| 亚洲av电影在线进入| 亚洲欧美日韩高清在线视频 | 两性夫妻黄色片| 成人国产一区最新在线观看| 国产91精品成人一区二区三区 | 欧美成人午夜精品| 99国产精品免费福利视频| 免费观看a级毛片全部| 日本黄色视频三级网站网址 | 欧美激情高清一区二区三区| 一级毛片精品| 欧美激情 高清一区二区三区| 性少妇av在线| 999久久久国产精品视频| 桃红色精品国产亚洲av| 水蜜桃什么品种好| 中文字幕人妻丝袜制服| 99久久99久久久精品蜜桃| 女性生殖器流出的白浆| av国产精品久久久久影院| 欧美午夜高清在线| 国产精品久久电影中文字幕 | 好男人电影高清在线观看| 18在线观看网站| 国产日韩欧美视频二区| 国产黄色免费在线视频| 侵犯人妻中文字幕一二三四区| 亚洲一区二区三区欧美精品| av免费在线观看网站| 久久久久久久精品吃奶| 色老头精品视频在线观看| 亚洲av第一区精品v没综合| 在线十欧美十亚洲十日本专区| 男女免费视频国产| 手机成人av网站| 电影成人av| 成年人午夜在线观看视频| 天堂动漫精品| 777米奇影视久久| 菩萨蛮人人尽说江南好唐韦庄| 777久久人妻少妇嫩草av网站| 免费在线观看完整版高清| 2018国产大陆天天弄谢| av天堂在线播放| 国产极品粉嫩免费观看在线| 国产一区二区三区视频了| 麻豆av在线久日| av电影中文网址| 久久人妻福利社区极品人妻图片| 三级毛片av免费| 亚洲av成人不卡在线观看播放网| 午夜老司机福利片| 久久婷婷成人综合色麻豆| 久久午夜亚洲精品久久| 一区二区三区激情视频| 国产黄色免费在线视频| 黑人巨大精品欧美一区二区mp4| 天堂中文最新版在线下载| 免费在线观看视频国产中文字幕亚洲| videosex国产| 色播在线永久视频| 亚洲av电影在线进入| 色播在线永久视频| 久久中文字幕一级| 欧美日韩国产mv在线观看视频| 久久久久精品人妻al黑| 一级毛片女人18水好多| 国产欧美日韩精品亚洲av| 亚洲情色 制服丝袜| 国产伦理片在线播放av一区| 最新美女视频免费是黄的| 精品视频人人做人人爽| 一级片'在线观看视频| avwww免费| 国产激情久久老熟女| 亚洲国产看品久久| 免费久久久久久久精品成人欧美视频| 丁香欧美五月| 久久久久国产一级毛片高清牌| tube8黄色片| 99热网站在线观看| 亚洲成人免费av在线播放| 成人手机av| 少妇粗大呻吟视频| 黄色片一级片一级黄色片| 老汉色∧v一级毛片| 欧美黑人精品巨大| 亚洲av欧美aⅴ国产| 色婷婷久久久亚洲欧美| 久久久久久久久久久久大奶| 在线十欧美十亚洲十日本专区| 久久免费观看电影| 在线观看免费视频日本深夜| 久久久国产成人免费| 18禁观看日本| 日本撒尿小便嘘嘘汇集6| 日韩 欧美 亚洲 中文字幕| 中文字幕最新亚洲高清| 亚洲精品美女久久av网站| 国产成人精品久久二区二区免费| 欧美日韩亚洲综合一区二区三区_| 757午夜福利合集在线观看| 亚洲精品自拍成人| 妹子高潮喷水视频| 亚洲人成电影免费在线| 精品亚洲成a人片在线观看| 精品久久蜜臀av无| 搡老岳熟女国产| 在线观看免费午夜福利视频| 十八禁高潮呻吟视频| 一级片'在线观看视频| 欧美黄色片欧美黄色片| 精品少妇久久久久久888优播| 国产精品.久久久| 91九色精品人成在线观看| 精品国产乱码久久久久久男人| 精品国内亚洲2022精品成人 | 亚洲成国产人片在线观看| 国产av一区二区精品久久| 久久人人爽av亚洲精品天堂| 国产三级黄色录像| 午夜91福利影院| 亚洲国产欧美一区二区综合| 国产无遮挡羞羞视频在线观看| 日本wwww免费看| av线在线观看网站| 老司机午夜福利在线观看视频 | videosex国产| www日本在线高清视频| 欧美精品一区二区大全| 我要看黄色一级片免费的| a级毛片在线看网站| 丰满饥渴人妻一区二区三| 国产欧美日韩一区二区精品| av天堂在线播放| 婷婷丁香在线五月| 欧美午夜高清在线| 黄色毛片三级朝国网站| 黑丝袜美女国产一区| 欧美激情久久久久久爽电影 | 亚洲国产av影院在线观看| 亚洲成人免费av在线播放| 国产男女内射视频| 1024香蕉在线观看| 国产成人啪精品午夜网站| 亚洲精品美女久久久久99蜜臀| 最近最新中文字幕大全电影3 | www.精华液| 久久久水蜜桃国产精品网| 免费在线观看视频国产中文字幕亚洲| 久久免费观看电影|