• <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 ?

    基于特征分解卷積神經(jīng)網(wǎng)絡的SAR圖像目標檢測方法

    2023-11-06 08:58:10杜宇昂
    雷達學報 2023年5期
    關鍵詞:雜波卷積特征

    李 毅 杜 蘭 杜宇昂

    (西安電子科技大學雷達信號處理全國重點實驗室 西安 710071)

    1 引言

    合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種有源微波傳感器,其利用脈沖壓縮技術提高距離分辨率,同時利用合成孔徑技術提高方位分辨率,從而實現(xiàn)二維高分辨率成像。SAR不僅能夠全天候、全天時對地觀測,并具有一定的地表穿透能力,因此被廣泛應用于軍事和民用領域。作為SAR圖像解譯的重要步驟之一,如何從SAR圖像中快速并準確地檢測出目標,是目前的一個技術研究熱點。

    作為目前應用最為廣泛的SAR圖像目標檢測方法,雙參數(shù)CFAR檢測算法[1–3]基于背景雜波服從高斯分布的假設,利用背景雜波的統(tǒng)計分布獲取自適應的門限,然后通過滑動窗口將像素的灰度值與自適應門限進行比較,得到檢測結(jié)果。該方法對于目標與背景雜波具有較高對比度的簡單場景效果較好,但在處理真實復雜場景SAR圖像時會存在大量虛警和漏警。

    由于具有卓越的特征學習能力,卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)[4–9]受到了廣泛關注與研究,并在多個領域取得了卓越性能。在光學圖像目標檢測領域,可以將現(xiàn)有的深度目標檢測網(wǎng)絡[10–12]按照網(wǎng)絡階段的構成分為兩階段方法和一階段方法。兩階段方法將目標檢測任務分為候選區(qū)域提取和目標分類回歸兩個階段。代表性算法Faster Region-CNN (R-CNN)[11]開創(chuàng)性地使用卷積網(wǎng)絡來預測候選區(qū)域,提出了用來自動獲取候選區(qū)域的區(qū)域提取網(wǎng)絡(Region Proposal Network,RPN),從而提升了兩階段方法的檢測速度和精度。一階段方法不需要進行候選區(qū)域提取,直接利用網(wǎng)絡提取特征來預測目標的類別和位置。代表性算法單步多框檢測器(Single Shot multibox Detector,SSD)[12]利用多尺度特征圖感知不同尺寸的目標,并用不同的檢測器在多尺度特征圖上分別進行目標檢測,最后利用非極大值抑制(Non-Maximum Suppression,NMS)[13]去除所有檢測器中重疊度高的檢測結(jié)果。由于兩階段方法需要進行候選區(qū)域提取,其具有較高檢測精度的同時,也具有較慢的檢測速度,難以滿足部分實際應用場景下的速度需求。而一階段目標檢測器的網(wǎng)絡結(jié)構較為簡單,沒有生成候選區(qū)域的過程,在檢測速度上更具優(yōu)勢。

    近年來,在SAR圖像目標檢測領域,基于深度學習的方法也被廣泛研究與應用。王思雨等人[14]提出基于CNN的高分辨率SAR圖像飛機目標檢測方法,該方法首先采用預檢測實現(xiàn)對SAR圖像候選飛機目標的快速粗定位,然后利用CNN實現(xiàn)對候選目標的精確檢測和鑒別,并提出4種適用于SAR圖像的數(shù)據(jù)增強方法來降低由于SAR數(shù)據(jù)量有限而導致的過擬合。Wang等人[15]基于SSD目標檢測框架,聯(lián)合采用遷移學習和數(shù)據(jù)擴充的策略幫助提升SSD在SAR圖像上的目標檢測性能。李健偉等人[16]提出基于CNN的SAR圖像艦船目標檢測的新方法,包括特征聚合、遷移學習、損失函數(shù)設計和其他應用細節(jié),有效提高了檢測準確率和檢測速度。Zhang等人[17]提出一種基于區(qū)域CNN的艦船檢測方法,該方法首先用支持向量機獲得可能包含艦船的感興趣區(qū)域,然后使用改進的Faster R-CNN對感興趣區(qū)域進行目標檢測,有效提高了艦船檢測的性能。陳慧元等人[18]提出一種基于級聯(lián)CNN的大場景遙感圖像艦船目標快速檢測方法,該方法由目標預篩選全卷積網(wǎng)絡和目標精確檢測全卷積網(wǎng)絡兩個全卷積網(wǎng)絡級聯(lián)而成,在保持檢測精度的前提下能顯著提高目標檢測效率,可實現(xiàn)大場景遙感圖像中艦船目標的快速檢測。這些研究證明了基于深度學習的方法在SAR圖像目標檢測領域具有使用價值。

    真實場景的高分辨率SAR圖像中包含大量復雜的自然雜波和人造雜波,某些人造雜波的雷達回波強度與感興趣目標的雷達回波強度相當甚至更高,而上述基于深度學習的SAR目標檢測方法都沒有針對這些復雜背景雜波提出有效手段,因此使用上述方法對復雜場景SAR圖像進行目標檢測時,得到的結(jié)果包含大量的虛警和漏警,嚴重影響了SAR目標檢測性能。為了解決這個問題,Wei等人[19]將注意力模塊生成的注意力圖與SSD網(wǎng)絡得到的多尺度特征圖按位置相乘,以期網(wǎng)絡能夠自動地對圖像中的重要區(qū)域進行像素值增強。然而該方法僅利用最終的標簽約束引導注意力圖的生成,缺乏對注意力圖的直接約束,難以保證最終的注意力圖能夠重點關注特征圖中目標區(qū)域的特征。

    為提高復雜場景SAR圖像的目標檢測性能,本文提出一種基于特征分解CNN的SAR圖像目標檢測方法,該方法在特征提取模塊之后通過構建兩條并聯(lián)支路組成特征分解模塊,其中,鑒別特征提取支路受檢測損失的約束,以學習對目標檢測有利的鑒別特征;而干擾特征提取支路受兩條支路間的正交損失和重構損失的約束,以學習對目標檢測不利的干擾特征。干擾特征中包括容易造成虛警的復雜背景雜波,經(jīng)過特征分解模塊后將被丟棄。最終,僅將分解后的鑒別特征輸入多尺度檢測模塊實現(xiàn)目標檢測?;趯崪y數(shù)據(jù)集的實驗結(jié)果表明,在對復雜場景SAR圖像進行目標檢測時,本文方法能夠顯著降低虛警和漏警,提高SAR目標檢測性能。

    2 方法介紹

    2.1 整體框架

    所提方法的算法流程圖如圖1所示。該方法基于SSD目標檢測框架,主要包含3個模塊:特征提取模塊、特征分解模塊、多尺度檢測模塊??紤]到原SSD網(wǎng)絡利用了多尺度特征圖進行目標檢測,且第1個參與檢測的特征圖為conv4_3層輸出的特征圖,而本文方法旨在將輸入的特征分解為對檢測有利的鑒別特征和對檢測不利的干擾特征兩部分,且僅利用鑒別特征完成目標檢測,從而起到降低虛警和漏警的作用,所以本文方法需要在開始檢測之前完成特征分解。另外,特征提取模塊需要具有足夠的特征提取能力,以學習到具有一定語義信息的特征,因此選擇原SSD網(wǎng)絡中的conv3_3及之前的卷積層用于初步的特征提取,conv4_1到conv4_3層用于特征分解。

    圖1 基于特征分解CNN的SAR圖像目標檢測流程圖Fig.1 Flow chart of SAR target detection method based on feature decomposition CNN

    特征提取模塊的詳細結(jié)構如表1所示,其中,k,s,p,n分別表示核尺寸、步長、填充數(shù)、核個數(shù)。該模塊共有7個卷積層,每個卷積層后面接著修正線性單元(Rectified Linear Unit,ReLU)[20]層,在第2,4,7個ReLU層后面使用最大池化層對特征進行降維。7個卷積層的卷積核尺寸均為3×3,卷積步長均為1,卷積核個數(shù)分別為64,64,128,128,256,256,256,3個最大池化層的池化窗口尺寸均為2×2,池化步長均為2。特征提取模塊對輸入的SAR圖像進行初步的特征提取,以便用于后續(xù)的特征分解模塊。

    表1 特征提取模塊的詳細結(jié)構Tab.1 Detailed structure of feature extraction module

    特征分解模塊對輸入的特征進行分解,如圖1中被紅色虛線框包圍的特征分解模塊所示,該模塊包含兩條并行支路,依靠兩條支路間的正交約束和重構約束將輸入特征分解為干擾特征和鑒別特征。分解得到的干擾特征是對目標檢測不利的部分,其中包括復雜背景雜波。而鑒別特征是對目標檢測有利的部分,其中包括感興趣目標。作為特征分解模塊的輸出,鑒別特征將被輸入后續(xù)的多尺度檢測模塊進行檢測。特征分解模塊的具體結(jié)構將在2.2節(jié)詳細描述。

    多尺度檢測模塊對輸入的鑒別特征進行目標檢測,其總體結(jié)構如圖1中被綠色虛線框包圍的多尺度檢測模塊所示。該模塊包含13個卷積層,用以從網(wǎng)絡的不同層獲取不同尺度的卷積特征圖,其中第1—4卷積層的卷積核大小均為3×3,第5—13卷積層的卷積核大小分別為1×1,1×1,3×3,1×1,3×3,1×1,3×3,1×1,3×3,13個卷積層的卷積核個數(shù)分別為512,512,512,1024,1024,256,512,128,256,128,256,128,256。為了更好地檢測出目標,除了特征分解模塊得到的鑒別特征圖,再選擇多尺度檢測模塊中的第5,7,9,11,13卷積層得到的5個尺度的卷積特征圖,這6個特征圖的尺寸從39×39到1×1逐漸減小。由于網(wǎng)絡中不同層的特征圖具有不同大小的感受野,即不同層特征圖上每個位置對應于原圖上的區(qū)域面積不同,其中低層特征圖對應的感受野較小,而高層特征圖對應的感受野較大,因此不同層的特征圖可以用來感知不同尺寸的目標,選取多尺度特征圖分別進行目標檢測有助于檢測出原圖中各種尺寸的目標。如圖1中被綠色虛線框包圍的多尺度檢測模塊所示,多尺度檢測模塊還包括多個卷積預測器,每個卷積預測器都包括兩個并聯(lián)的卷積層,分別用于邊框回歸和分類。將6個不同的卷積預測器分別應用于選中的6個特征圖,從而得到不同尺度特征圖上的預測結(jié)果。在網(wǎng)絡的訓練階段,需要從所有尺度特征圖的預測結(jié)果中挑選一部分用于計算網(wǎng)絡的邊框回歸損失和分類損失,而在網(wǎng)絡的測試階段,直接使用NMS算法去除所有尺度特征圖的預測結(jié)果中重復的結(jié)果,從而得到待測試圖像的檢測結(jié)果。

    2.2 特征分解模塊

    為了展示圖1中被紅色虛線框包圍的特征分解模塊的結(jié)構細節(jié),將其詳細展開如圖2所示,該模塊的輸入為特征提取模塊輸出的特征圖,旨在對輸入的特征圖進行特征分解,去除對目標檢測不利的部分,同時保留對目標檢測有利的部分。特征分解模塊包含兩條并聯(lián)支路,分別為干擾特征提取支路和鑒別特征提取支路,兩條支路具有相同的網(wǎng)絡結(jié)構,均包含3個卷積層,每個卷積層后面接著ReLU層,3個卷積層的卷積核尺寸均為3×3,卷積步長均為1,卷積核個數(shù)均為512。由于兩條支路的參數(shù)不共享,由此分別承擔干擾特征提取和鑒別特征提取。最后將得到的干擾特征和鑒別特征相加并輸入解碼器進行圖像重構。解碼器包含5個反卷積層[21],其中前4個反卷積層后面接著ReLU層,5個反卷積層的卷積核尺寸均為3×3,卷積步長分別為1,2,2,2,1,卷積核個數(shù)分別為512,256,128,64,3。

    圖2 特征分解模塊結(jié)構圖Fig.2 Structure of feature decomposition module

    為了將輸入特征分解為對檢測不利的干擾特征和對檢測有利的鑒別特征兩部分,僅將鑒別特征提取支路的輸出輸入到后續(xù)的多尺度檢測模塊,利用檢測損失約束該支路學習對目標檢測有利的鑒別特征,同時利用兩條支路間的正交損失和重構損失保證干擾特征提取支路學習對檢測不利的干擾特征。

    為保證兩條支路所提特征的差異性,定義兩條支路間的正交損失如下:

    其中,N表示每個批次的訓練樣本數(shù),fn1表示將第n個樣本分解得到的鑒別特征圖拉成的列向量,fn2表示將第n個樣本分解得到的干擾特征圖拉成的列向量,(·)T表示向量的轉(zhuǎn)置。

    為保證兩條支路所提特征的完整性,將兩條支路各自得到的干擾特征和鑒別特征求和后輸入解碼器,定義解碼器輸出的重構圖與輸入網(wǎng)絡的SAR圖像之間的重構損失如下:

    其中,∥·∥2表示取2范數(shù)操作,xn表示第n個樣本,表示將第n個樣本經(jīng)過特征分解模塊中的解碼器后輸出的重構圖。

    整個網(wǎng)絡的總損失函數(shù)如下:

    其中,Lloc表示所提網(wǎng)絡輸出目標框與標記的真實框之間的位置損失,Lcls表示所提網(wǎng)絡輸出目標框的類別損失[12],α表示正交損失函數(shù)的權重,β表示重構損失函數(shù)的權重。

    整個網(wǎng)絡采用端到端的訓練方式,利用隨機梯度下降算法,迭代更新網(wǎng)絡的權重值,優(yōu)化網(wǎng)絡的總損失函數(shù)直至其收斂。

    3 實驗結(jié)果與分析

    本節(jié)首先對實驗中所使用的數(shù)據(jù)集、采用的評價準則以及部分相關的實驗細節(jié)進行介紹;然后將本文所提方法與傳統(tǒng)SAR目標檢測算法及部分基于深度學習的SAR目標檢測算法進行對比分析,證明所提方法的有效性;最后對所提方法的創(chuàng)新點進行了驗證,包括消融實驗以及對特征圖的展示及分析。實驗所用平臺為Ubuntu系統(tǒng),代碼基于Pytorch編寫。

    3.1 實驗數(shù)據(jù)集介紹

    3.1.1 MiniSAR數(shù)據(jù)集

    MiniSAR實測數(shù)據(jù)集[22]是美國Sandia國家實驗室在2006年公開的SAR圖像數(shù)據(jù)集。該數(shù)據(jù)集中的SAR圖像為復雜的地面場景,圖像尺寸為1638像素×2510像素,圖像分辨率為0.1 m×0.1 m。該數(shù)據(jù)集的SAR圖像中包含車輛、飛機、建筑物、道路、草地、樹木等。本文實驗將車輛作為感興趣目標,其他物體作為復雜的背景雜波。其中,飛機、建筑物和道路為人造雜波,而草地和樹木為自然雜波。本文從MiniSAR數(shù)據(jù)集中選取了7幅SAR圖像作為訓練數(shù)據(jù),另外選取2幅SAR圖像作為測試數(shù)據(jù)。圖3給出了MiniSAR數(shù)據(jù)集中兩幅圖像的示例。

    圖3 MiniSAR數(shù)據(jù)集中的兩幅SAR圖像Fig.3 Two SAR images in the MiniSAR dataset

    3.1.2 SADD數(shù)據(jù)集

    SADD實測數(shù)據(jù)集[23]是華中科技大學多光譜信息處理技術國家重點實驗室在2022年公開的SAR飛機檢測數(shù)據(jù)集。該數(shù)據(jù)集是由德國TerraSAR-X衛(wèi)星收集的,工作波段為x波段,極化模式為HH極化,圖像分辨率范圍為0.5~3.0 m。數(shù)據(jù)集中共包含2966張224×224的切片,所有切片中共有7835個飛機目標。SADD數(shù)據(jù)集中包含多種尺寸的飛機目標,且目標背景相對復雜,包括各種場景,如機場跑道、機場停機坪、民航機場等。數(shù)據(jù)集中的負樣本主要是在機場周圍,包括空地和森林。圖4展示了SADD中的樣本圖像,圖4(a)為TerraSAR-X衛(wèi)星獲取的真實SAR飛機圖像,圖4(b)為TerraSAR-X衛(wèi)星獲取的干擾目標圖像。本文采用文獻[23]的設置方式,將SADD中的圖像按照5:1的比例隨機劃分為訓練集和測試集,其中訓練集包含796個正樣本和1666個負樣本,測試集包含88個正樣本和416個負樣本。

    圖4 SADD數(shù)據(jù)集中的樣本圖像[23]Fig.4 Examples in the SADD[23]

    3.2 評價準則和實驗細節(jié)

    為了驗證本文方法的有效性,本文采用Precision,Recall和F1-score來衡量檢測性能,具體計算公式如下:

    其中,Precision是檢測精度,Recall是召回率,TP是正確檢測的目標個數(shù),F(xiàn)P是錯誤檢測的目標個數(shù),即虛警數(shù),F(xiàn)N是未檢測到的目標個數(shù),即漏警數(shù)。Precision越高,代表虛警越少,Recall越高,代表漏警越少,由式(6)可以看出,F(xiàn)1-score綜合了Precision和Recall這兩個指標,能夠更全面地反映檢測結(jié)果的優(yōu)劣,所以本文實驗采用這3個指標綜合衡量各目標檢測算法的性能。

    為了適應網(wǎng)絡對輸入尺寸的要求,在訓練過程中,對于實驗中使用的MiniSAR實測數(shù)據(jù),需要先將原始的SAR圖像裁剪為300像素×300像素的子圖像,然后將所有子圖像輸入網(wǎng)絡進行訓練。而在測試過程中,需要先通過滑窗方式將待測試SAR圖像裁剪為300像素×300像素固定大小的子圖像,然后對所有待測試的SAR子圖像進行檢測,最后將所有子圖像的檢測結(jié)果恢復到原始SAR圖像中,并利用NMS去除重復的檢測結(jié)果,從而得到待測試SAR圖像的檢測結(jié)果。

    實驗中,每個批次的訓練樣本數(shù)設置為10,初始學習率設置為0.0001,最大迭代次數(shù)設置為120000次,迭代到80000次和100000次時,分別將學習率變?yōu)橹暗?.1。由于網(wǎng)絡的各部分損失值存在量級差異,考慮到過大的損失值會導致網(wǎng)絡無法收斂,且各損失值差距較大也會造成損失失衡,所以我們加入不同的權重調(diào)整各項損失值,將α設置為1,β設置為0.001,保證網(wǎng)絡能較快收斂。

    3.3 與其他目標檢測方法的對比

    3.3.1 基于MiniSAR數(shù)據(jù)集的實驗結(jié)果

    為了驗證所提方法的性能,表2對比了不同目標檢測方法在MiniSAR數(shù)據(jù)集上的實驗結(jié)果,對比方法包括傳統(tǒng)的目標檢測方法如Gaussian-CFAR[1],和基于深度神經(jīng)網(wǎng)絡的目標檢測方法如Faster R-CNN[11],FPN[24],SSD[12],文獻[25]提出的基于矩形不變可旋轉(zhuǎn)卷積的SAR車輛目標檢測網(wǎng)絡和文獻[26]提出的結(jié)合強化學習自適應候選框挑選的SAR目標檢測方法。

    表2 不同目標檢測方法在MiniSAR數(shù)據(jù)集上的實驗結(jié)果Tab.2 Experimental results of different target detection methods based on the MiniSAR dataset

    從表2可以看出,在對MiniSAR數(shù)據(jù)集進行目標檢測時,Gaussian-CFAR的檢測性能非常差,其檢測精度很低,表示檢測結(jié)果中虛警很多,且召回率也不夠高,表示檢測結(jié)果中漏警也較多;Faster R-CNN雖然具有較高的召回率,即該方法能將實驗數(shù)據(jù)中的大部分目標檢測出來,但是其檢測精度較低,意味著該方法存在較多虛警;FPN和SSD的檢測精度和召回率相當,能將大部分目標檢測出來,但也同樣存在較多虛警和漏警;文獻[25]和文獻[26]的方法都具有較高的召回率,即兩種方法都能將實驗數(shù)據(jù)中的大部分目標檢測出來。但文獻[26]方法的檢測精度較低,即存在較多虛警,且文獻[25]方法的檢測精度依舊低于本文方法。綜合來看,本文方法的檢測精度、召回率和F1-score都較高,相比其他方法有較大優(yōu)勢。具體來說,與表格中的6種對比方法相比,本文方法的F1-score值分別提升了0.4222,0.0634,0.0602,0.0613,0.0077和0.0351,且本文方法的檢測精度和召回率分別為0.9206和0.9512,這表示檢測結(jié)果中的虛警和漏警都較少。表2的實驗結(jié)果證明了在對復雜場景SAR圖像進行目標檢測時,本文方法能夠顯著降低虛警和漏警,提高SAR目標檢測性能。

    為了直觀地對比分析不同方法的性能,圖5和圖6分別展示了7種不同方法在MiniSAR數(shù)據(jù)集的兩幅測試圖像上的可視化檢測結(jié)果。圖5和圖6中綠色框表示所使用的目標檢測算法正確檢測出的目標;紅色框表示錯誤檢測的目標,即虛警;藍色框表示未被該算法檢測到的目標,即漏警。由可視化結(jié)果可以看出,在建筑物、樹木和其他軍事目標的區(qū)域中,Gaussian-CFAR的虛警非常多,與之相比,F(xiàn)aster R-CNN,FPN,SSD、文獻[25]的方法和文獻[26]的方法的虛警均大大減少,而在所有方法的檢測結(jié)果中,本文方法的虛警最少;除此之外,在車輛密集的區(qū)域,Gaussian-CFAR存在較多漏警,與之相比,F(xiàn)aster R-CNN,FPN,SSD、文獻[25]的方法和文獻[26]的方法的漏警均有所減少,而在所有方法的檢測結(jié)果中,本文方法的漏警最少,可以將大部分目標檢測出來。綜上,可視化檢測結(jié)果證明了在對復雜場景SAR圖像進行目標檢測時,本文方法擁有更少的虛警和漏警,檢測性能更好。

    圖5 不同方法對MiniSAR數(shù)據(jù)集中第1張測試圖片的檢測結(jié)果Fig.5 Detection results of the first test image in the MiniSAR dataset by different methods

    本文方法的性能優(yōu)于其他方法的原因主要來自特征分解模塊。本文設計的特征分解模塊能夠?qū)⑤斎氲奶卣鞣纸鉃殍b別特征和干擾特征,其中干擾特征是對目標檢測不利的部分,包括復雜背景雜波,而鑒別特征是對目標檢測有利的部分,包括感興趣目標。經(jīng)過特征分解模塊后,僅將鑒別特征輸入到多尺度檢測模塊進行目標檢測,而干擾特征將被丟棄,從而有效降低虛警和漏警,提高SAR目標檢測性能。

    3.3.2 基于SADD數(shù)據(jù)集的實驗結(jié)果

    為了進一步驗證所提方法的普適性和有效性,表3對比了不同目標檢測方法在SADD數(shù)據(jù)集上的實驗結(jié)果。由于文獻[25]的方法是基于矩形不變可旋轉(zhuǎn)卷積的SAR目標檢測網(wǎng)絡,該方法僅適用于矩形目標檢測,而飛機并不是矩形目標,所以該方法并不適用于SADD數(shù)據(jù)集,因此表3并不包含文獻[25]方法的實驗結(jié)果。

    表3 不同目標檢測方法在SADD數(shù)據(jù)集上的實驗結(jié)果Tab.3 Experimental results of different target detection methods based on the SADD

    從表3可以看出,相較于MiniSAR數(shù)據(jù)集的實驗結(jié)果,各方法在SADD數(shù)據(jù)集上的檢測性能都有所下降,這是因為,雖然SADD數(shù)據(jù)集與MiniSAR數(shù)據(jù)集都是復雜場景實測數(shù)據(jù)集,但是與MiniSAR數(shù)據(jù)集相比,SADD數(shù)據(jù)集中不僅包含更多種尺寸的目標,而且其圖像分辨率更低,這些原因增加了對該數(shù)據(jù)集進行目標檢測的難度,從而導致了各方法在SADD數(shù)據(jù)集上檢測性能的下降。然而,即便SADD數(shù)據(jù)集的檢測難度更高,本文方法依然比所有對比方法的檢測性能更好。從表3可以看出,本文方法擁有最高的召回率,即本文方法具有最少的漏警,可以將絕大部分目標正確檢測出來。雖然Faster R-CNN和文獻[26]方法的檢測精度略高于本文方法,但其召回率都明顯低于本文方法,存在很多的漏警。在真實戰(zhàn)場環(huán)境中,以增加少許虛警為代價,降低一些漏警是更有意義的,這有助于發(fā)現(xiàn)較難檢測到的目標,而且本文方法的F1-score最高,也說明本文方法的綜合檢測性能最好。綜上,表3的實驗結(jié)果證明,即便面對檢測難度更高的SADD數(shù)據(jù)集,本文方法依然能夠具有更好的檢測性能,該組實驗結(jié)果更好地驗證了本文方法的普適性和有效性。

    圖7展示了不同方法在SADD數(shù)據(jù)集中部分測試切片上的可視化檢測結(jié)果。圖7中綠色框表示所使用的目標檢測算法正確檢測出的目標;紅色框表示錯誤檢測的目標,即虛警;藍色框表示未被該算法檢測到的目標,即漏警。從圖7可以看出,本文方法具有最少的漏警,可以將絕大部分目標正確檢測出來。相較于其他對比方法,本文方法具有更大優(yōu)勢。

    圖7 不同方法對SADD數(shù)據(jù)集中部分測試切片的檢測結(jié)果Fig.7 Detection results of some test chips in the SADD by different methods

    3.4 模型分析

    3.4.1 消融實驗

    本文所提特征分解模塊同時使用了正交損失和重構損失,為了驗證這兩個損失的有效性,表4給出了在MiniSAR數(shù)據(jù)集上的消融實驗結(jié)果。

    表4 消融實驗結(jié)果Tab.4 Experimental results of ablation experiments

    如表4所示,實驗1是不加特征分解模塊的結(jié)果,即原始SSD網(wǎng)絡在MiniSAR數(shù)據(jù)集上的檢測結(jié)果;實驗2是特征分解模塊僅使用正交損失的結(jié)果;實驗3是特征分解模塊僅使用重構損失的結(jié)果;實驗4是特征分解模塊同時使用正交損失和重構損失的結(jié)果,即所提方法在MiniSAR數(shù)據(jù)集上的實驗結(jié)果。從表4的結(jié)果可以看出,特征分解模塊的加入有助于提升目標檢測性能,其中正交損失能夠保證兩條支路所提特征的差異性,重構損失能夠保證所提特征的完整性,兩種損失均有助于特征的學習。由于我們希望的是將輸入網(wǎng)絡的SAR圖像中對檢測不利的特征分解到干擾特征中,如果不加重構約束,只用正交約束,就無法限制干擾特征的范圍,會導致分解到的干擾特征不可控。而如果不加正交約束,只用重構約束,則無法保證鑒別特征和干擾特征的差異性,無法實現(xiàn)特征分解的作用。因此,僅使用單一的損失無法保證將輸入特征完整地分解為互不相同的兩部分,只有同時使用兩種損失,才能保證特征分解模塊將輸入特征完整地分解為對檢測不利的干擾特征和對檢測有利的鑒別特征兩部分,從而進一步提升目標檢測性能。

    3.4.2 特征圖展示及分析

    為了驗證所提特征分解模塊符合預期,我們基于MiniSAR數(shù)據(jù)集,將特征分解模塊中鑒別特征提取支路得到的鑒別特征圖、干擾特征提取支路得到的干擾特征圖以及解碼器得到的重構圖進行可視化展示,如圖8所示。

    圖8 部分SAR子圖像經(jīng)過特征分解模塊得到的鑒別特征圖、干擾特征圖和重構圖Fig.8 The discriminative feature maps and interfering feature maps and reconstruction maps obtained by the feature decomposition module for some SAR sub-images

    圖8(a)是輸入網(wǎng)絡的SAR子圖像,尺寸為300×300,其經(jīng)由圖2所示的特征分解模塊可以得到圖2中的干擾特征和鑒別特征,這兩種特征的維度分別為512×38×38,其中512為特征圖通道數(shù),38×38為每張?zhí)卣鲌D的尺寸。將鑒別特征沿通道維取平均即可得到圖8(b)的特征圖,其尺寸為38×38;同理,將干擾特征沿通道維取平均即可得到圖8(c)的特征圖,其尺寸也為38×38。圖8(d)為將干擾特征和鑒別特征求和后輸入圖2所示的解碼器得到的重構圖,其尺寸為300×300。特征圖中的白色區(qū)域表示該區(qū)域的元素值較高,黑色區(qū)域表示該區(qū)域元素值較低。對比圖8(a)—圖8(c)可以發(fā)現(xiàn),不同SAR子圖像經(jīng)過特征分解模塊后,感興趣目標,即車輛,被完整地保留在鑒別特征圖中,而對于背景雜波,其大部分都被分到了干擾特征圖中。不過,也有部分雜波邊緣仍被保留在鑒別特征圖中,如建筑物邊緣、樹木邊緣以及道路邊緣。這是因為雜波邊緣是SAR圖像上兩種類型的雜波區(qū)域交界的地方,在雜波邊緣處像素點的強度變化較大,本文方法并不能完全將這類強雜波邊緣去除。但從圖8(b)的鑒別特征圖中可以看出,雖然鑒別特征圖中保留了部分強雜波的邊緣部分,但邊緣部分與目標的形狀差別很大,相較于完整的雜波區(qū)域來說,并不容易造成虛警。此外,對于車輛目標所處的地面背景,本文方法可以將其全部分到干擾特征圖中,從而實現(xiàn)了凸顯目標的作用。因此,僅利用特征分解模塊得到的鑒別特征圖進行多尺度目標檢測,可以有效降低虛警和漏警,提高目標檢測性能。最后,對比圖8(a)和圖8(d)可以看出,將干擾特征和鑒別特征求和后輸入圖2所示的解碼器,能夠很好地重構出輸入網(wǎng)絡的SAR子圖像,這保證了干擾特征和鑒別特征的完整性。

    4 結(jié)語

    本文研究了基于特征分解CNN的SAR圖像目標檢測方法,解決了現(xiàn)有方法在對復雜場景SAR圖像進行目標檢測時存在大量虛警和漏警的問題。本文通過構建特征分解模塊,將輸入的特征分解為對目標檢測有利的鑒別特征和對目標檢測不利的干擾特征兩部分,其中,干擾特征中包含容易造成虛警的復雜背景雜波,而鑒別特征中包含感興趣目標,最終僅利用鑒別特征進行多尺度目標檢測。本文提出的特征分解模塊不依賴于具體的目標檢測算法,可以適用于任何基于CNN的目標檢測器?;趯崪y數(shù)據(jù)集的實驗結(jié)果表明,在對復雜場景SAR圖像進行目標檢測時,本文方法能夠顯著降低虛警和漏警,提高SAR目標檢測性能。

    猜你喜歡
    雜波卷積特征
    STAR2000型空管一次雷達雜波抑制淺析
    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
    密集雜波環(huán)境下確定性退火DA-HPMHT跟蹤算法
    相關廣義復合分布雷達海雜波仿真
    遙測遙控(2015年2期)2015-04-23 08:15:22
    一種基于卷積神經(jīng)網(wǎng)絡的性別識別方法
    電視技術(2014年19期)2014-03-11 15:38:20
    国产精品久久久久久av不卡| 亚洲国产精品合色在线| 最近的中文字幕免费完整| 露出奶头的视频| 美女黄网站色视频| 午夜福利18| 97碰自拍视频| 亚洲中文字幕日韩| 两性午夜刺激爽爽歪歪视频在线观看| 国产在线精品亚洲第一网站| 老司机午夜福利在线观看视频| 亚洲欧美清纯卡通| 久久久久久大精品| 91麻豆精品激情在线观看国产| 国产精品一区二区性色av| a级一级毛片免费在线观看| 午夜精品国产一区二区电影 | 免费av毛片视频| 国产高清视频在线播放一区| 在线播放无遮挡| 晚上一个人看的免费电影| 久久久久久大精品| 97超视频在线观看视频| 成人特级黄色片久久久久久久| 99精品在免费线老司机午夜| 久久人人爽人人片av| 狂野欧美激情性xxxx在线观看| 欧美日韩精品成人综合77777| 在线免费十八禁| 久久久精品欧美日韩精品| 免费高清视频大片| 国产精品久久久久久精品电影| 色噜噜av男人的天堂激情| 又粗又爽又猛毛片免费看| 精品福利观看| 免费看光身美女| av在线亚洲专区| 免费人成在线观看视频色| 九九爱精品视频在线观看| 又爽又黄无遮挡网站| 日韩 亚洲 欧美在线| 午夜福利在线观看吧| 少妇裸体淫交视频免费看高清| 长腿黑丝高跟| 黑人高潮一二区| 高清日韩中文字幕在线| 色综合亚洲欧美另类图片| 波多野结衣高清无吗| 精品一区二区三区视频在线观看免费| 小说图片视频综合网站| 亚洲最大成人中文| 日韩精品中文字幕看吧| 国产免费男女视频| 尾随美女入室| 国产av麻豆久久久久久久| 黄色欧美视频在线观看| 99热这里只有精品一区| 99热这里只有是精品在线观看| 国产亚洲精品久久久com| 亚洲欧美日韩高清专用| 成人av在线播放网站| 国内精品宾馆在线| 99在线视频只有这里精品首页| 简卡轻食公司| 亚洲va在线va天堂va国产| 综合色丁香网| 少妇的逼好多水| 国产三级中文精品| 少妇高潮的动态图| 伊人久久精品亚洲午夜| 特级一级黄色大片| 日韩一区二区视频免费看| 国产 一区 欧美 日韩| 国产人妻一区二区三区在| 99久久精品国产国产毛片| 国模一区二区三区四区视频| 最近视频中文字幕2019在线8| 长腿黑丝高跟| 亚洲一级一片aⅴ在线观看| 日本 av在线| 五月伊人婷婷丁香| 婷婷色综合大香蕉| 97人妻精品一区二区三区麻豆| 成人av一区二区三区在线看| 大型黄色视频在线免费观看| 女同久久另类99精品国产91| 久久久久久久久久成人| a级一级毛片免费在线观看| 又黄又爽又刺激的免费视频.| 一本一本综合久久| 春色校园在线视频观看| 欧美xxxx黑人xx丫x性爽| 免费搜索国产男女视频| 欧美日韩乱码在线| 成人漫画全彩无遮挡| 成人午夜高清在线视频| 亚洲七黄色美女视频| 国产精品女同一区二区软件| 久久99热这里只有精品18| 日产精品乱码卡一卡2卡三| 男女啪啪激烈高潮av片| 国内精品美女久久久久久| 99久久九九国产精品国产免费| 黄色配什么色好看| 18+在线观看网站| 欧美日本视频| 久久久久国产精品人妻aⅴ院| 人人妻人人澡人人爽人人夜夜 | 美女内射精品一级片tv| 欧美性感艳星| 69人妻影院| 卡戴珊不雅视频在线播放| 日本a在线网址| 日日干狠狠操夜夜爽| 日本免费a在线| 听说在线观看完整版免费高清| 欧美zozozo另类| 美女内射精品一级片tv| 男人的好看免费观看在线视频| 插阴视频在线观看视频| 日本欧美国产在线视频| 非洲黑人性xxxx精品又粗又长| 一级毛片aaaaaa免费看小| 99精品在免费线老司机午夜| 午夜日韩欧美国产| 欧美+日韩+精品| 欧美+日韩+精品| 欧美最新免费一区二区三区| 国产精品亚洲一级av第二区| 久久精品91蜜桃| 国产乱人视频| 国产三级在线视频| 亚洲欧美成人综合另类久久久 | 蜜桃亚洲精品一区二区三区| 成人鲁丝片一二三区免费| 特大巨黑吊av在线直播| 尤物成人国产欧美一区二区三区| 日韩一区二区视频免费看| 亚洲成av人片在线播放无| 亚洲国产精品合色在线| 全区人妻精品视频| 91午夜精品亚洲一区二区三区| 国产精品福利在线免费观看| 18禁黄网站禁片免费观看直播| 午夜a级毛片| 国产蜜桃级精品一区二区三区| 久久久久久久久久黄片| 国产一区二区三区在线臀色熟女| 国产精品日韩av在线免费观看| АⅤ资源中文在线天堂| 国产亚洲91精品色在线| 国产精品人妻久久久影院| 国产国拍精品亚洲av在线观看| 超碰av人人做人人爽久久| 校园人妻丝袜中文字幕| 免费人成视频x8x8入口观看| 日日摸夜夜添夜夜爱| 最后的刺客免费高清国语| av卡一久久| 亚洲国产色片| 国产黄色视频一区二区在线观看 | 身体一侧抽搐| 亚洲中文字幕一区二区三区有码在线看| 午夜福利高清视频| 精华霜和精华液先用哪个| 草草在线视频免费看| 国产国拍精品亚洲av在线观看| 露出奶头的视频| 欧美成人一区二区免费高清观看| 在现免费观看毛片| 免费看日本二区| 久久精品国产鲁丝片午夜精品| 黄色欧美视频在线观看| 97超碰精品成人国产| 黄色一级大片看看| 国产亚洲精品久久久久久毛片| 国产成人精品久久久久久| 久久久久久九九精品二区国产| 无遮挡黄片免费观看| 亚洲综合色惰| 亚洲国产欧美人成| 久久天躁狠狠躁夜夜2o2o| 国产淫片久久久久久久久| 亚洲成a人片在线一区二区| 亚洲精品456在线播放app| 人妻久久中文字幕网| 久久人妻av系列| 亚洲国产精品久久男人天堂| 国产av麻豆久久久久久久| 中国美白少妇内射xxxbb| 亚洲精品一卡2卡三卡4卡5卡| 久久久久久九九精品二区国产| 久久精品久久久久久噜噜老黄 | 男人狂女人下面高潮的视频| 日本撒尿小便嘘嘘汇集6| 人妻久久中文字幕网| 亚洲第一电影网av| 看片在线看免费视频| 国产亚洲精品综合一区在线观看| 三级经典国产精品| 久久热精品热| 国产成人精品久久久久久| 日产精品乱码卡一卡2卡三| 婷婷六月久久综合丁香| 国产国拍精品亚洲av在线观看| 91久久精品国产一区二区三区| 成人午夜高清在线视频| 久久久国产成人免费| 美女高潮的动态| 国产综合懂色| 国产欧美日韩精品一区二区| 国产精品亚洲美女久久久| 你懂的网址亚洲精品在线观看 | 亚洲成人久久爱视频| 亚洲一区高清亚洲精品| 欧洲精品卡2卡3卡4卡5卡区| 99热这里只有是精品50| 搞女人的毛片| 永久网站在线| 亚洲精品一区av在线观看| 成人国产麻豆网| 99九九线精品视频在线观看视频| 久久九九热精品免费| 高清毛片免费观看视频网站| 欧美成人一区二区免费高清观看| 夜夜夜夜夜久久久久| 国产aⅴ精品一区二区三区波| 欧美高清成人免费视频www| 中文亚洲av片在线观看爽| 波多野结衣高清无吗| 亚洲综合色惰| 少妇裸体淫交视频免费看高清| 禁无遮挡网站| 午夜激情欧美在线| 久久人妻av系列| 久久亚洲国产成人精品v| 亚洲电影在线观看av| 久久亚洲精品不卡| 欧美性感艳星| 欧美色视频一区免费| 又爽又黄无遮挡网站| 亚洲丝袜综合中文字幕| 国产精品1区2区在线观看.| 搡老岳熟女国产| 有码 亚洲区| 国产真实乱freesex| 精品日产1卡2卡| 成人一区二区视频在线观看| 婷婷亚洲欧美| 午夜福利18| 少妇的逼好多水| 亚洲国产精品成人综合色| 美女 人体艺术 gogo| 国产成人a区在线观看| 欧美+日韩+精品| ponron亚洲| 久久久久久伊人网av| 日韩强制内射视频| 男人和女人高潮做爰伦理| 可以在线观看的亚洲视频| 级片在线观看| 人人妻人人澡人人爽人人夜夜 | 国产在视频线在精品| 国产亚洲精品av在线| 波野结衣二区三区在线| 亚洲成人中文字幕在线播放| a级毛片a级免费在线| 国产欧美日韩一区二区精品| 国产精品永久免费网站| 国产精品亚洲美女久久久| 国产高清视频在线播放一区| 男女下面进入的视频免费午夜| 我要看日韩黄色一级片| 亚洲四区av| 亚洲不卡免费看| 天天一区二区日本电影三级| 亚洲第一区二区三区不卡| 久久精品国产清高在天天线| 亚洲欧美日韩卡通动漫| 国产中年淑女户外野战色| 国产成人a区在线观看| 亚洲色图av天堂| 亚洲激情五月婷婷啪啪| 亚洲熟妇中文字幕五十中出| 狠狠狠狠99中文字幕| a级毛色黄片| 国产欧美日韩精品一区二区| 欧美日韩综合久久久久久| 深夜a级毛片| a级毛片a级免费在线| 午夜激情福利司机影院| 国产欧美日韩精品一区二区| 1000部很黄的大片| av免费在线看不卡| 一边摸一边抽搐一进一小说| 日本在线视频免费播放| 日本熟妇午夜| 波多野结衣高清无吗| 免费高清视频大片| 禁无遮挡网站| 国产综合懂色| 三级经典国产精品| 亚洲成人精品中文字幕电影| 美女xxoo啪啪120秒动态图| 美女 人体艺术 gogo| 国产欧美日韩精品一区二区| 国产一级毛片七仙女欲春2| 菩萨蛮人人尽说江南好唐韦庄 | 熟女人妻精品中文字幕| 精品人妻一区二区三区麻豆 | 久久热精品热| 国产国拍精品亚洲av在线观看| 综合色丁香网| 国产成人aa在线观看| 天堂网av新在线| 你懂的网址亚洲精品在线观看 | 亚洲av不卡在线观看| 欧美+日韩+精品| 中文字幕av成人在线电影| 美女黄网站色视频| 色播亚洲综合网| 精品99又大又爽又粗少妇毛片| 日韩成人伦理影院| 日韩一本色道免费dvd| 国产精品国产三级国产av玫瑰| 久久久久九九精品影院| 亚洲图色成人| 国产精品亚洲一级av第二区| 日韩欧美一区二区三区在线观看| 女人十人毛片免费观看3o分钟| 国产精品伦人一区二区| 国产午夜精品论理片| 91av网一区二区| 两个人视频免费观看高清| 日本黄色片子视频| 成人永久免费在线观看视频| 欧美又色又爽又黄视频| 激情 狠狠 欧美| 97热精品久久久久久| 晚上一个人看的免费电影| 一个人看视频在线观看www免费| 村上凉子中文字幕在线| 男女之事视频高清在线观看| 校园春色视频在线观看| 黄色一级大片看看| 一区福利在线观看| av卡一久久| 九九爱精品视频在线观看| h日本视频在线播放| 国产伦精品一区二区三区视频9| 欧美zozozo另类| 午夜福利成人在线免费观看| 亚洲人成网站在线播放欧美日韩| 精品乱码久久久久久99久播| 人妻少妇偷人精品九色| 波多野结衣巨乳人妻| 蜜臀久久99精品久久宅男| 亚洲性夜色夜夜综合| 一级黄片播放器| 亚洲av中文字字幕乱码综合| 国产精品久久久久久亚洲av鲁大| 亚州av有码| 亚洲欧美日韩高清专用| 国产精华一区二区三区| 国产aⅴ精品一区二区三区波| 亚洲经典国产精华液单| 99热网站在线观看| 毛片女人毛片| 国产探花在线观看一区二区| 国产爱豆传媒在线观看| 亚洲精品粉嫩美女一区| 日本黄色片子视频| 日韩,欧美,国产一区二区三区 | 久久精品国产亚洲网站| 看十八女毛片水多多多| 在线天堂最新版资源| 深夜精品福利| 麻豆成人午夜福利视频| 看黄色毛片网站| 亚洲自拍偷在线| 成人无遮挡网站| 欧美一级a爱片免费观看看| 久久精品人妻少妇| 搡老妇女老女人老熟妇| 亚洲第一电影网av| 精品一区二区三区人妻视频| 俄罗斯特黄特色一大片| 啦啦啦啦在线视频资源| 国产黄片美女视频| 国产精品,欧美在线| 国产成人aa在线观看| 国产精品乱码一区二三区的特点| 亚洲精品成人久久久久久| 中国美女看黄片| 成人美女网站在线观看视频| 国产乱人视频| 69av精品久久久久久| 日本三级黄在线观看| 欧美日韩综合久久久久久| 欧美精品国产亚洲| 麻豆乱淫一区二区| 91狼人影院| 国产免费一级a男人的天堂| 97在线视频观看| 99久国产av精品国产电影| 色尼玛亚洲综合影院| 亚洲成人av在线免费| 哪里可以看免费的av片| 国产中年淑女户外野战色| 国产精品亚洲美女久久久| 久久精品国产清高在天天线| 久久久色成人| 国产在线男女| 亚洲精品日韩av片在线观看| 丝袜美腿在线中文| av黄色大香蕉| 欧美一区二区精品小视频在线| 免费大片18禁| 亚洲美女搞黄在线观看 | 69av精品久久久久久| 国产在线精品亚洲第一网站| 欧美又色又爽又黄视频| 99久久无色码亚洲精品果冻| 老女人水多毛片| 国产午夜福利久久久久久| 中国国产av一级| 午夜福利成人在线免费观看| 寂寞人妻少妇视频99o| 嫩草影院精品99| 欧美高清性xxxxhd video| 麻豆久久精品国产亚洲av| 成人漫画全彩无遮挡| 尤物成人国产欧美一区二区三区| 国产高潮美女av| 少妇裸体淫交视频免费看高清| 精品人妻一区二区三区麻豆 | 久久精品影院6| 欧美丝袜亚洲另类| 久久久久久久久久成人| 99久久精品热视频| 别揉我奶头~嗯~啊~动态视频| 国产白丝娇喘喷水9色精品| 日本精品一区二区三区蜜桃| 啦啦啦啦在线视频资源| 亚洲av五月六月丁香网| 激情 狠狠 欧美| 乱码一卡2卡4卡精品| 老熟妇仑乱视频hdxx| 狠狠狠狠99中文字幕| 99精品在免费线老司机午夜| 人人妻,人人澡人人爽秒播| 亚洲婷婷狠狠爱综合网| 真人做人爱边吃奶动态| 亚洲精品成人久久久久久| 精品一区二区三区视频在线| 小蜜桃在线观看免费完整版高清| 成人三级黄色视频| 日本一二三区视频观看| 少妇裸体淫交视频免费看高清| 国产亚洲av嫩草精品影院| 校园春色视频在线观看| 1000部很黄的大片| 国产成人a∨麻豆精品| 一级毛片aaaaaa免费看小| 搡老岳熟女国产| 简卡轻食公司| 老熟妇乱子伦视频在线观看| 久久久久久国产a免费观看| 免费黄网站久久成人精品| 精品人妻偷拍中文字幕| 性插视频无遮挡在线免费观看| 天堂av国产一区二区熟女人妻| 色噜噜av男人的天堂激情| 在线免费十八禁| av天堂中文字幕网| 激情 狠狠 欧美| 亚洲人成网站高清观看| 午夜a级毛片| 欧美色欧美亚洲另类二区| 女同久久另类99精品国产91| 日本免费a在线| 成人综合一区亚洲| 97人妻精品一区二区三区麻豆| 亚洲国产精品成人久久小说 | a级一级毛片免费在线观看| 日韩制服骚丝袜av| 国产中年淑女户外野战色| 在线a可以看的网站| 嫩草影院精品99| 国产综合懂色| 色噜噜av男人的天堂激情| 午夜爱爱视频在线播放| .国产精品久久| 黄色视频,在线免费观看| 成人欧美大片| 美女黄网站色视频| 如何舔出高潮| 人人妻人人澡欧美一区二区| 99久国产av精品国产电影| 欧美区成人在线视频| 少妇裸体淫交视频免费看高清| 亚洲人成网站在线观看播放| 久久精品影院6| 高清毛片免费看| 又粗又爽又猛毛片免费看| 一边摸一边抽搐一进一小说| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲内射少妇av| av在线老鸭窝| 日韩精品有码人妻一区| 97超级碰碰碰精品色视频在线观看| 夜夜看夜夜爽夜夜摸| 色播亚洲综合网| 免费看光身美女| 亚洲av一区综合| 国产探花在线观看一区二区| 菩萨蛮人人尽说江南好唐韦庄 | 白带黄色成豆腐渣| 欧美性猛交黑人性爽| 精品久久久噜噜| 国内揄拍国产精品人妻在线| 麻豆乱淫一区二区| 又粗又爽又猛毛片免费看| 成人av在线播放网站| 婷婷精品国产亚洲av| 一区二区三区四区激情视频 | 波多野结衣巨乳人妻| 日韩欧美三级三区| 亚洲美女搞黄在线观看 | 99热全是精品| 精品一区二区三区人妻视频| 午夜老司机福利剧场| 国产精品乱码一区二三区的特点| 中国国产av一级| 97超碰精品成人国产| 成年女人永久免费观看视频| 国产在线精品亚洲第一网站| 热99在线观看视频| 晚上一个人看的免费电影| 美女大奶头视频| 国产黄色视频一区二区在线观看 | 一本一本综合久久| 三级男女做爰猛烈吃奶摸视频| 一区二区三区四区激情视频 | 日日摸夜夜添夜夜添av毛片| 97在线视频观看| 青春草视频在线免费观看| 久久精品国产清高在天天线| 亚洲图色成人| 久久国产乱子免费精品| 麻豆精品久久久久久蜜桃| 亚洲激情五月婷婷啪啪| 国产麻豆成人av免费视频| 99久久久亚洲精品蜜臀av| 给我免费播放毛片高清在线观看| 国产精品亚洲一级av第二区| 国产成人a∨麻豆精品| 久久久久久久久久成人| 美女xxoo啪啪120秒动态图| 亚洲精华国产精华液的使用体验 | 亚洲熟妇中文字幕五十中出| 精品一区二区三区av网在线观看| 99久久中文字幕三级久久日本| 国产精品永久免费网站| 日本 av在线| 精品99又大又爽又粗少妇毛片| 美女免费视频网站| 久久久国产成人精品二区| 欧美日韩在线观看h| 欧美丝袜亚洲另类| 欧美+亚洲+日韩+国产| 热99re8久久精品国产| 午夜福利高清视频| 亚洲欧美中文字幕日韩二区| 两个人的视频大全免费| 亚洲国产色片| 国产爱豆传媒在线观看| 国产麻豆成人av免费视频| 91久久精品电影网| 国产欧美日韩一区二区精品| 成年女人看的毛片在线观看| 在现免费观看毛片| 三级国产精品欧美在线观看| 一级毛片我不卡| 国产精品亚洲一级av第二区| 免费观看的影片在线观看| 欧美日韩一区二区视频在线观看视频在线 | 久久亚洲精品不卡| 欧美成人精品欧美一级黄| 欧美bdsm另类| 精品久久久久久成人av| 国内揄拍国产精品人妻在线| 欧美另类亚洲清纯唯美| 日韩中字成人| 精品午夜福利视频在线观看一区| 国产高清激情床上av| 欧美国产日韩亚洲一区| 久久久成人免费电影| 国产久久久一区二区三区| 国产高清激情床上av| 日本三级黄在线观看| 日韩欧美三级三区| 啦啦啦观看免费观看视频高清| 国产亚洲91精品色在线| 看片在线看免费视频| 国产精品精品国产色婷婷| 成人高潮视频无遮挡免费网站| 久久午夜福利片| 不卡一级毛片| 少妇熟女欧美另类| 国产精品福利在线免费观看| 亚洲av电影不卡..在线观看| 久久久成人免费电影| 十八禁国产超污无遮挡网站| 欧美性猛交黑人性爽|