• <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 ?

    基于多注意力融合的抗遮擋目標(biāo)跟蹤

    2023-11-25 17:18:02張?zhí)烨?/span>劉明華邵洪波
    關(guān)鍵詞:注意力維度特征

    張?zhí)烨?劉明華,何 博,邵洪波

    (青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院,山東 青島 266061)

    在計(jì)算機(jī)視覺(jué)任務(wù)中,目標(biāo)跟蹤定義為給定視頻初始幀的目標(biāo)位置,預(yù)測(cè)后續(xù)視頻序列的目標(biāo)狀態(tài)[1]。它被廣泛地應(yīng)用于智能視頻監(jiān)控、無(wú)人機(jī)、機(jī)器人等[2],是計(jì)算機(jī)視覺(jué)的一個(gè)重要研究方向。如何在光照變化、遮擋形變、相似目標(biāo)、尺度變化、運(yùn)動(dòng)突變等復(fù)雜場(chǎng)景中,準(zhǔn)確、快速地跟蹤目標(biāo)是亟待解決的問(wèn)題[3],其中遮擋是導(dǎo)致目標(biāo)跟蹤失敗最普遍的問(wèn)題。

    為應(yīng)對(duì)局部遮擋問(wèn)題,陳勇等[4]使用提出的注意網(wǎng)絡(luò)融合淺層和深層特征,進(jìn)而引導(dǎo)模型更多關(guān)注被遮擋目標(biāo)可視區(qū)域。王蓓等[5]判斷目標(biāo)是否被遮擋的方法是平均峰值相關(guān)能量遮擋判據(jù),目標(biāo)出現(xiàn)遮擋時(shí),該算法依據(jù)目標(biāo)的歷史運(yùn)動(dòng)軌跡使用濾波修正目標(biāo)位置。姜文濤等[6]提出異常分析機(jī)制來(lái)判斷目標(biāo)是否被遮擋,設(shè)計(jì)響應(yīng)模型和響應(yīng)圖做對(duì)比,二者差距大即說(shuō)明目標(biāo)存在遮擋或形變等異常。分塊算法能有效地應(yīng)對(duì)遮擋問(wèn)題。劉明華等[7]利用超像素分塊的模式不變性,得到能很好地保持目標(biāo)邊界和空間結(jié)構(gòu)特征的自適應(yīng)目標(biāo)子塊;遮擋處理方面,使用目標(biāo)相似性度量和超像素判別處理每個(gè)目標(biāo)子塊??紤]到局部模型和全局模型的聯(lián)系,張衛(wèi)峰等[8]使用局部濾波器粗略估計(jì)目標(biāo)位置,再由全局濾波器準(zhǔn)確定位目標(biāo)。王任華等[9]利用局部分塊應(yīng)對(duì)遮擋,聯(lián)合全局模型應(yīng)對(duì)目標(biāo)的大幅度形變。局部和全局模型的聯(lián)合實(shí)現(xiàn)了魯棒的目標(biāo)跟蹤。以上方法從遮擋識(shí)別機(jī)制的設(shè)計(jì)到分塊算法,再到聯(lián)合全局模型處理遮擋,一定程度提升模型在遮擋場(chǎng)景中跟蹤的性能,然而遮擋圖片數(shù)據(jù)集有限限制了上述算法性能的提升,遮擋數(shù)據(jù)集有限導(dǎo)致模型很難學(xué)習(xí)到豐富的遮擋圖像特征,導(dǎo)致其識(shí)別能力在面對(duì)不同類型的遮擋場(chǎng)景時(shí)難以得到較好的體現(xiàn)。同時(shí),遮擋情況的多樣性和復(fù)雜性也會(huì)導(dǎo)致模型的泛化能力下降,遮擋場(chǎng)景下,模型往往會(huì)出現(xiàn)漏檢或誤檢的情況。此外,由于過(guò)度擬合的情況常常在較小的數(shù)據(jù)集中出現(xiàn),遮擋圖片數(shù)據(jù)集有限也會(huì)引發(fā)此類問(wèn)題,使模型難以泛化到新的場(chǎng)景并保持高精度跟蹤的效果。為了解決這些問(wèn)題,需要引入更多的具有豐富變化的遮擋樣本數(shù)據(jù),或者采用更為先進(jìn)的數(shù)據(jù)增強(qiáng)技術(shù)或網(wǎng)絡(luò)優(yōu)化算法以提高模型在遮擋場(chǎng)景下的抗干擾能力,因此本工作通過(guò)生成隨機(jī)遮擋塊,擴(kuò)充負(fù)樣本數(shù)據(jù)集,提升模型在遮擋情況下對(duì)判別性特征的提取能力,進(jìn)而提升模型在遮擋場(chǎng)景下的抗干擾能力。

    注意力機(jī)制利用特征增強(qiáng)模塊篩選特征,為目標(biāo)特征賦予高權(quán)重,從而引導(dǎo)跟蹤器關(guān)注重要信息,忽略干擾信息。HU 等[10]提出擠壓激勵(lì)模塊(squeeze and excitation module,SE),通過(guò)給通道加權(quán)顯式地建模特征通道間的依賴關(guān)系。PARK等[11]提出瓶頸注意模塊(bottleneck attention module,BAM),增加卷積模塊操作的空間注意力機(jī)制,與通道注意力機(jī)制并行,進(jìn)一步優(yōu)化目標(biāo)特征。鑒于SE 模型忽略了目標(biāo)在特征圖中的位置信息,HOU 等[12]提出協(xié)調(diào)注意力(coordinate attention,CA)模塊,該模塊使用平均池化獲取并拼接特征圖的縱向和橫向上的信息,最后重標(biāo)定特征圖。對(duì)比SE模型,精度提升的同時(shí),參數(shù)和計(jì)算量更少。呂振虎等[13]在DiceNet[14]使用的卷積方法基礎(chǔ)之上提出了基于擠壓激勵(lì)的輕量化注意力機(jī)制模塊,獲取到特征圖在高度維度上的有用信息,證明了特征圖中仍存在著可利用的信息。從SE的通道注意力到BAM 的空間注意力,以及后來(lái)的協(xié)調(diào)注意力,都未能充分挖掘和融合特征圖中的信息,導(dǎo)致跟蹤器難以準(zhǔn)確提取目標(biāo)的特征造成跟蹤失敗,另外在處理部分遮擋、形變、旋轉(zhuǎn)或尺度變化等情況時(shí)表現(xiàn)較差,導(dǎo)致魯棒性下降,從而降低跟蹤模型的可靠性和穩(wěn)定性。因此,在目標(biāo)跟蹤中,必須充分挖掘特征圖中的信息,以提高跟蹤模型的效果,因此本工作從特征圖的三個(gè)維度去捕獲有用信息,聯(lián)合空間注意力模塊,充分挖掘并融合特征圖信息,提升模型應(yīng)用精度。

    本工作提出一種基于多注意力融合的抗遮擋目標(biāo)跟蹤方法(anti-occlusion target tracking based on multi-attention fusion,AOTMAF)。并在GOT-10k等多個(gè)公開(kāi)數(shù)據(jù)集上驗(yàn)證了模型的有效性。

    1 基于多注意力融合的抗遮擋目標(biāo)跟蹤算法

    基于多注意力融合的抗遮擋跟蹤方法總體框架如圖1所示,網(wǎng)絡(luò)由骨干網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)和預(yù)測(cè)頭三個(gè)部分組成。主干網(wǎng)絡(luò)首先,提取模板和搜索區(qū)域的特征;然后,利用特征融合網(wǎng)絡(luò)對(duì)特征融合,最后,預(yù)測(cè)頭對(duì)增強(qiáng)的特征進(jìn)行二值分類和邊界盒回歸,生成跟蹤結(jié)果。

    圖1 基于多注意力融合的抗遮擋目標(biāo)跟蹤框架Fig.1 Anti-occlusion target tracking framework based on multi-attention fusion

    1.1 孿生網(wǎng)絡(luò)目標(biāo)跟蹤框架

    1.1.1 特征抽取

    與基于Siam 框架的跟蹤器類似,提議的網(wǎng)絡(luò)使用成對(duì)的圖像塊(即模板和搜索區(qū)域)作為輸入。模板是視頻序列第一幀中目標(biāo)中心邊長(zhǎng)的2倍放大圖,包含了目標(biāo)的外觀及其鄰近環(huán)境的信息。前一幀圖像中目標(biāo)中心坐標(biāo)的邊長(zhǎng)被放大4倍,形成搜索區(qū)域,該區(qū)域覆蓋了目標(biāo)可能的運(yùn)動(dòng)范圍。搜索區(qū)域和模板都被轉(zhuǎn)換為正方形。緊接著,搜索圖像經(jīng)過(guò)漸進(jìn)式隨機(jī)遮擋模塊(progressive random occlusion module,PRO)處理,得到遮擋圖像,將遮擋圖像和模板圖像送入主干網(wǎng)絡(luò)處理。隨機(jī)遮擋模塊具體實(shí)現(xiàn)細(xì)節(jié)見(jiàn)1.2節(jié)。

    本工作調(diào)整Res Net50用于特征提取。更具體地說(shuō),Res Net50的最后一個(gè)階段被刪除,第四階段的輸出被用作動(dòng)態(tài)輸出。第四階段的卷積步幅從2降到1,以達(dá)到更好的特征分辨率。為增加感受野,第四階段的3×3卷積也被改為2步幅。骨干網(wǎng)對(duì)遮擋搜索區(qū)域和模板進(jìn)行處理,以獲得其特征映射

    1.1.2 特征融合網(wǎng)絡(luò)

    本工作設(shè)計(jì)了一種特征融合網(wǎng)絡(luò),有效地增強(qiáng)并融合特征f z和f x。首先將特征表達(dá)送入多注意力融合模塊,獲得重要通道和目標(biāo)所在空間的信息;再送入特征融合模塊,融合多層卷積后輸出的特征,特征的多樣性得到提升,進(jìn)而提升模型性能。

    多注意力融合模塊由三維度通道注意力和空間注意力組成。利用三維度通道注意力機(jī)制可以從三個(gè)維度捕獲特征圖有用信息,利用空間注意力機(jī)制可以引導(dǎo)模型關(guān)注特征圖空間信息,將基于三維度的通道注意力機(jī)制和空間注意力機(jī)制融合,在保持特征通道間關(guān)聯(lián)性的同時(shí)保留了特征圖的空間信息。多注意力融合模塊的具體實(shí)現(xiàn)細(xì)節(jié)見(jiàn)1.3。

    1.1.3 預(yù)測(cè)頭網(wǎng)絡(luò)

    分類和回歸分支組成預(yù)測(cè)頭,每個(gè)分支包含一個(gè)三層感知器和一個(gè)Re Lu激活函數(shù),感知器的隱藏維度為d。經(jīng)由特征融合網(wǎng)絡(luò)輸出特征圖(f∈Rd×H x Wx),預(yù)測(cè)頭對(duì)該特征圖中每個(gè)向量預(yù)測(cè),分別得到H x W x個(gè)前/背景分類結(jié)果以及H x W x對(duì)搜索區(qū)域大小的歸一化坐標(biāo)。算法直接預(yù)測(cè)歸一化的坐標(biāo),根據(jù)先驗(yàn)知識(shí)完全消除了錨點(diǎn)和錨盒,這使得框架更加簡(jiǎn)單。

    1.2 漸進(jìn)式隨機(jī)遮擋模塊

    圖像裁剪和遮擋等數(shù)據(jù)增強(qiáng)方法可以提高模型的魯棒性和通用性,但對(duì)于困難的訓(xùn)練樣本,這種方法對(duì)性能提高是有限的。為了更好地模擬遮擋圖像,本算法嵌入漸進(jìn)式遮擋模塊PRO。隨著學(xué)習(xí)次數(shù)的增加,網(wǎng)絡(luò)學(xué)習(xí)能力提升,PRO 漸進(jìn)式地對(duì)一些圖像區(qū)域進(jìn)行隨機(jī)遮擋,提升模型在遮擋情況下對(duì)判別性特征的提取能力。

    給定一個(gè)圖像X∈R3×H×W,PRO 在X中隨機(jī)生成i個(gè)遮擋區(qū)域的塊P i。每個(gè)塊P i的面積為S i,塊P i的總面積為S,其中H和W是圖像的長(zhǎng)度和寬度。i是區(qū)塊的數(shù)量,P i是區(qū)塊的數(shù)量。遮擋塊的生成過(guò)程如下:

    1)圖像的面積為S o=H×W,隨機(jī)初始化生成S0,其中S0∈[s l×S,s h×S],s l、s h分別為最小和最大面積遮擋系數(shù)。

    4)區(qū)域P i=(x i,y i,x i+h i,y i+w i)為遮擋區(qū)域。生成一個(gè)[0,255]的隨機(jī)值填充區(qū)域P i的像素點(diǎn),最終得到一個(gè)人工遮擋特征張量模擬遭受遮擋的圖像Xobscure。

    如圖2 所示,每5 個(gè)訓(xùn)練輪次,遮擋塊數(shù)量翻倍,S隨著輪次的增加而增大。

    圖2 基于批次的漸進(jìn)式隨機(jī)遮擋塊Fig.2 Batch-based progressive random occlusion block

    遮擋圖像Xobscure通過(guò)主干網(wǎng)得到特征圖F_obscure,F_obscure經(jīng)過(guò)多注意力融合模塊 進(jìn)一步提取精煉特征與通過(guò)二值降維的mask按照元素級(jí)的操作乘法得到Fmask,Fmask與作為MSELoss 的輸入,Fmask通過(guò)計(jì)算MSELoss對(duì)F_obscure進(jìn) 行監(jiān)督。該損失函數(shù)使遮擋的區(qū)域?qū)?yīng)于特征盡可能為0,使模型在反向傳播中忽略生成的遮擋區(qū)域O i。該損失函數(shù)如下:

    然后F'_obscure通 過(guò)3×3卷積層、批次歸一化層以及ReLU 層,最終得到特征圖Fobscure∈R32×24×8。該分支起到了提取局部非顯著性特征的作用。

    其中:W O和b O分別為卷積層的權(quán)重和偏置。

    1.3 多注意力融合模型

    通過(guò)融合三維度通道注意力和空間注意力機(jī)制,能有效抑制背景噪聲,強(qiáng)調(diào)目標(biāo)區(qū)域,充分挖掘并融合目標(biāo)特征,算法的跟蹤性能得到提升。本節(jié)介紹多注意力融合模型(muti-attention fusion,MAF)的細(xì)節(jié),如圖3所示。

    圖3 多注意力融合機(jī)制Fig.3 Multi-attention fusion mechanism

    1.3.1 HD-SE模塊和WD-SE模塊

    對(duì)于一個(gè)三維特征圖張量F∈RC×H×W,不同于擠壓激勵(lì)操作在深度維度上加權(quán)特征圖的通道信息,HD-SE是在高度維度處理特征圖。具體地,首先將特征圖按高度維度轉(zhuǎn)置,得到F1∈RH×C×W輸入到HD-SE中,接著對(duì)F1進(jìn)行擠壓激勵(lì)操作,得到基于高度維度的道道權(quán)重系數(shù),基于此對(duì)輸入特征圖F1重標(biāo)定,應(yīng)用懲罰系數(shù)b,最后將特征圖轉(zhuǎn)置回來(lái)。懲罰系數(shù)是為了降低由于轉(zhuǎn)置操作帶來(lái)的干擾信息對(duì)特征的影響。

    圖4為HD-SE 結(jié)構(gòu)圖。其中Fsq(·) 為擠壓操作,Fex(·,W)為激勵(lì)操作,Fscale(·,·)為特征重標(biāo)定操作,β為懲罰系數(shù)。WD-SE 則是在寬度維度上對(duì)特征圖轉(zhuǎn)置,后續(xù)操作相同,該模塊實(shí)現(xiàn)從特征圖的高度維度去捕獲有用信息。

    圖4 HD-SE結(jié)構(gòu)Fig.4 HD-SE structure

    分別得到從三個(gè)維度通道增強(qiáng)的特征,將這三個(gè)特征圖Concat在一起,即得通道數(shù)為3×256,大小為7×7的特征圖;最后,用Conv Transpose2d操作,得到大小為7×7×256的特征圖F c,該特征圖具備三個(gè)維度通道增強(qiáng)信息,接著將增強(qiáng)特征圖送入空間注意力模塊。

    1.3.2 空間注意力機(jī)制

    空間注意力機(jī)制可以對(duì)目標(biāo)中的特征聚焦,通過(guò)賦予特征圖不同位置的重要性,增強(qiáng)重要區(qū)域,抑制不重要區(qū)域,增加了特征間的判別性,進(jìn)而將跟蹤目標(biāo)從復(fù)雜的背景下區(qū)分出來(lái)。

    在本工作的模型中,將三維度通道注意力模型輸出的特征圖作為空間注意力機(jī)制模塊的輸入特征圖。如圖5 所示,首先分別使用最大池化(maxpooling)和平均池化(meanpooling)操作壓縮輸入特征圖通道域特征,接著為消除通道間信息分布對(duì)空間注意力機(jī)制的影響,使用卷積操作壓縮多通道特征為單通道特征,然后應(yīng)用激活函數(shù)歸一化權(quán)重,最后進(jìn)行特征重標(biāo)定,得到具有空間權(quán)重信息的特征圖。

    圖5 空間注意力機(jī)制Fig.5 Spatial attention mechanism

    空間注意力模塊的運(yùn)算過(guò)程:

    其中,Fc為輸入特征圖,δ是sigmoid激活函數(shù),f3×3是卷積核大小為3 的卷積層,AvgPool(·)和Max Pool(·)分別表示平均池化和最大池化操作。

    1.4 跟蹤流程

    訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù),在跟蹤時(shí)使用。跟蹤流程如下:

    1) 從第一幀圖片中,以跟蹤目標(biāo)的中心點(diǎn)截取127×127的區(qū)域,作為template。

    2) 在隨后的圖片中,以上一幀跟蹤目標(biāo)的中心點(diǎn)截取255×255的區(qū)域,作為search region。

    3) 將template,search送入RPN 網(wǎng)絡(luò)預(yù)測(cè)出目標(biāo)的box和score。

    4) 對(duì)score進(jìn)行window penalty,即采用窗函數(shù)(漢寧窗,余弦窗等)對(duì)距離中心點(diǎn)較遠(yuǎn)的邊緣區(qū)域分?jǐn)?shù)進(jìn)行懲罰。

    5) 取分?jǐn)?shù)最高的box中心點(diǎn)作為新的中心點(diǎn),上一幀目標(biāo)的寬高和box的寬高進(jìn)行平滑加權(quán)作為新的寬高。

    6) 采用新的中心點(diǎn)和寬高作為當(dāng)前幀的box。

    2 實(shí)驗(yàn)結(jié)果分析

    本章在OTB100、VOT2018 和GOT-10k 3 個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上測(cè)試了算法的性能,并與幾種先進(jìn)的目標(biāo)跟蹤算法進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明,本章提出的算法具有良好的跟蹤性能。進(jìn)行了消融實(shí)驗(yàn)以驗(yàn)證提出的模塊組件對(duì)性能的提升。

    2.1 實(shí)驗(yàn)設(shè)置

    本工作采用ResNet-50作為主干網(wǎng)絡(luò)的預(yù)訓(xùn)練模型。采用批量隨機(jī)梯度下降對(duì)模型進(jìn)行訓(xùn)練,批次大小為32。本工作使用權(quán)重衰減改變學(xué)習(xí)率,前5個(gè)迭代過(guò)程利用熱身訓(xùn)練,其中初始學(xué)習(xí)率為0.001,隨后每個(gè)迭代過(guò)程增加0.001,熱身結(jié)束后采用學(xué)習(xí)率梯度下降對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。共計(jì)20輪迭代過(guò)程,網(wǎng)絡(luò)總體訓(xùn)練時(shí)間為50 h,實(shí)驗(yàn)中使用的深度學(xué)習(xí)框架pytorch為1.11.0版本,python為3.8 版 本,GPU 為NVIDIA GeForce RTX2070,CUDA 為11.3.1版本,Cudnn為8.2.1。

    2.2 在OTB100上的評(píng)估

    OTB100數(shù)據(jù)集由100個(gè)人工標(biāo)注的跟蹤視頻組成,這些視頻包含背景混合、光照、遮擋等目標(biāo)跟蹤任務(wù)中常見(jiàn)的困難和挑戰(zhàn)。該數(shù)據(jù)集的兩個(gè)評(píng)價(jià)指標(biāo)為準(zhǔn)確率(precision)和成功率(success rate)。計(jì)算預(yù)測(cè)框和人工標(biāo)注框中心點(diǎn)的距離,該距離小于一定閾值時(shí)的視頻幀數(shù)占總幀數(shù)的比率定義為準(zhǔn)確率。計(jì)算預(yù)測(cè)框與真實(shí)框重疊的數(shù)值,該數(shù)值大于設(shè)定閾值即判定當(dāng)前幀為跟蹤成功,成功率即成功幀數(shù)與所有幀數(shù)的比值。通過(guò)在OTB100 數(shù)據(jù)集上利用一次通過(guò)測(cè)試OPE對(duì)本算法與Siam RPN++、DeepSRDCF、DaSiam RPN、CFNet、Siam FC、Siam FC++等6種算法進(jìn)行比較,圖6左圖為準(zhǔn)確率曲線圖,右圖為成功率曲線圖。本章算法的準(zhǔn)確率超過(guò)基于Transformer的Trans T[16]1.3個(gè)百分點(diǎn),排名第一,成功率為68.8%,性能表現(xiàn)良好。

    圖6 在OTB100上的精確率圖和成功率圖Fig.6 Accuracy and success rates on OTB100

    2.3 在VOT2018上的評(píng)估

    VOT2018包含60個(gè)人工精確標(biāo)注的短時(shí)跟蹤視頻序列,該數(shù)據(jù)集包括3個(gè)性能分析指標(biāo),分別是魯棒性(robustness,R)、準(zhǔn)確率(accuracy,A)及期望平均重疊率(expected average overlap,EAO)。魯棒性用來(lái)衡量跟蹤失敗次數(shù);計(jì)算預(yù)測(cè)框和真實(shí)框重疊率,取平均值計(jì)為準(zhǔn)確率;期望平均重疊率是通過(guò)計(jì)算跟蹤器在大量的具有相同視覺(jué)特性的短期序列上所期望得到的平均重疊率。表1給出了AOTMAF算法與其他跟蹤算法的測(cè)試結(jié)果。AOTMAF的EAO 指標(biāo)達(dá)到0.489,排名第一,超過(guò)基于Transformer的Tr Di MP[17]2.7個(gè)百分點(diǎn)。

    表1 VOT2018上與多個(gè)跟蹤器對(duì)比Table 1 Comparison with multiple trackers on VOT2018

    2.4 在GOT-10K 上的評(píng)估

    GOT-10k是一個(gè)包含了超過(guò)10 000條視頻序列的大型多場(chǎng)景數(shù)據(jù)集,共包含560多個(gè)類別。該數(shù)據(jù)集的兩個(gè)評(píng)價(jià)指標(biāo)為平均重合率(average overlap,AO)和成功率(success rate,SR)。預(yù)測(cè)框與和真實(shí)框交并比取平均值計(jì)為AO,重疊率超過(guò)一定閾值下幀數(shù)的百分比計(jì)為成功率,閾值取0.5和0.75。從表2可以看出AOTMAF算法的AO 指標(biāo)值為64.4,超過(guò)ATOM[21]8.8個(gè)百分點(diǎn),超過(guò)基于時(shí)空記憶網(wǎng)絡(luò)的無(wú)模板視覺(jué)跟蹤器STMTracker[22]0.2個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明AOTMAF算法在不同類別目標(biāo)跟蹤任務(wù)中有著良好的性能。

    表2 GOT-10k上與多個(gè)跟蹤器對(duì)比Table 2 Comparison with multiple trackers on GOT-10k

    2.5 速度、參數(shù)量及計(jì)算量

    如表3中所示,本算法可以以超過(guò)86幀·s-1的速度實(shí)時(shí)運(yùn)行,該算法速度超過(guò)基于Transformer的STARK,而計(jì)算量和參數(shù)量與之持平,主要因?yàn)镠D-SE與WD-SE模塊是輕量級(jí)結(jié)構(gòu),對(duì)網(wǎng)絡(luò)增加的參數(shù)量和計(jì)算量可以忽略不計(jì)。

    表3 參數(shù)量、運(yùn)算量和速度對(duì)比Table 3 Comparison about the speed,FLOPs and Params

    2.6 消融實(shí)驗(yàn)

    為了進(jìn)一步驗(yàn)證本章跟蹤方法中漸進(jìn)式隨機(jī)遮擋模塊(PRO)、多注意力融合模塊(MAF)的有效性,本小節(jié)在OTB100、VOT2018 和GOT-10K 數(shù)據(jù)集上開(kāi)展消融實(shí)驗(yàn)。如圖7 所示,算法在OTB100數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn),其中Base是指除去PRO 和MAF模塊的算法。對(duì)比Siam FC 算法,PRO 和MAF 在跟蹤精度上分別比Siam FC 提高7.4%和5.1%,驗(yàn)證了本研究所提模塊的有效性。

    圖7 OTB100上消融實(shí)驗(yàn)Fig.7 Ablation study on OTB100

    表4 展示了不同的模塊設(shè)計(jì)在VOT2018 和GOT-10K 上進(jìn)行消融實(shí)驗(yàn)所得到的跟蹤模型的性能對(duì)比。由表4中可以看出,當(dāng)算法僅引入PRO 模塊時(shí),跟蹤器在VOT2018上3項(xiàng)指標(biāo)上均有提升,在準(zhǔn)確度上達(dá)到了64.0%,在魯棒性和EAO 上分別提升了0.8%、0.5%;跟蹤器在GOT-10K 的平均重疊提升了1.4%。

    表4 VOT2018與GOT-10K 上消融研究Table 4 Ablation study on VOT2018 and GOT-10K

    當(dāng)僅采用MAF模塊時(shí),算法在VOT2018上的跟蹤結(jié)果保持了準(zhǔn)確度的同時(shí),在魯棒性和EAO上表現(xiàn)較好,分別達(dá)到了18.9%、48.4%;在GOT-10K 的平均重疊提升了1.6%。而當(dāng)算法同時(shí)采用RPO 模塊和MAF 模塊時(shí),算法的跟蹤效果最好,在VOT2018數(shù)據(jù)集的精確度、魯棒性和EAO 指標(biāo)上分別達(dá)到了64.0%、18.1%、48.9%,在魯棒性和EAO 上提升明顯;在GOT-10K 的平均重疊提升2.2%。各性能指標(biāo)的提升是因?yàn)镻RO 模塊能夠由易到難地訓(xùn)練模型識(shí)別遮擋圖像,提升了模型在遮擋情況下對(duì)判別性特征的提取能力,有效減少背景的干擾,使網(wǎng)絡(luò)更具有魯棒性。另外HD-SE 模塊及WD-SE模塊在特征圖的高度維度與寬度維度進(jìn)行擠壓激勵(lì)捕獲特征圖中信息,充分挖掘和融合特征圖中的有用信息,提升模型跟蹤性能。結(jié)合以上兩點(diǎn)分析以及消融實(shí)驗(yàn)結(jié)果,說(shuō)明充分利用特征圖信息以及隨機(jī)遮擋塊的生成,使得本算法能很好的適應(yīng)目標(biāo)表觀變化和遮擋影響,有效提高復(fù)雜環(huán)境下跟蹤的精確性和魯棒性。

    3 結(jié)語(yǔ)

    本研究提出了一種基于多注意力融合的抗遮擋目標(biāo)跟蹤算法,主要解決特征挖掘不充分以及模型在遮擋情況下判別性特征的提取能力較弱兩類問(wèn)題。本研究從特征圖的三個(gè)維度去捕獲有用信息,融合了特征三個(gè)維度的通道注意力及空間注意力,進(jìn)一步挖掘了特征圖通道信息,并對(duì)特征圖中每個(gè)位置的空間依賴性進(jìn)行聚合,模型應(yīng)用精度得到提升。使用PRO 模塊,更好地模擬遮擋圖片,使網(wǎng)絡(luò)在遮擋情況下,能夠?qū)哂休^少顯著特征的圖片有更好的識(shí)別率。下一步工作將探索如何更好地生成遮擋區(qū)域,進(jìn)行精準(zhǔn)化遮擋,進(jìn)而更加有效地將背景信息和前景信息區(qū)分開(kāi),以生成更有價(jià)值的遮擋圖像,從而進(jìn)一步提高模型的準(zhǔn)確率。

    猜你喜歡
    注意力維度特征
    讓注意力“飛”回來(lái)
    如何表達(dá)“特征”
    淺論詩(shī)中“史”識(shí)的四個(gè)維度
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    A Beautiful Way Of Looking At Things
    光的維度
    燈與照明(2016年4期)2016-06-05 09:01:45
    “五個(gè)維度”解有機(jī)化學(xué)推斷題
    人生三維度
    吐魯番(2014年2期)2014-02-28 16:54:43
    窝窝影院91人妻| 亚洲自偷自拍图片 自拍| 女同久久另类99精品国产91| 亚洲国产av新网站| 国产精品九九99| 欧美精品啪啪一区二区三区| av超薄肉色丝袜交足视频| 嫩草影视91久久| 国产精品免费视频内射| 久久ye,这里只有精品| 午夜福利在线观看吧| 18禁国产床啪视频网站| 怎么达到女性高潮| 国产免费现黄频在线看| 欧美日韩av久久| 亚洲中文日韩欧美视频| 美女扒开内裤让男人捅视频| 国产97色在线日韩免费| 精品一区二区三区四区五区乱码| 69精品国产乱码久久久| 精品福利永久在线观看| 欧美精品高潮呻吟av久久| 精品人妻1区二区| 黄片播放在线免费| 亚洲成国产人片在线观看| 欧美精品一区二区免费开放| 老司机影院毛片| 亚洲男人天堂网一区| 国产欧美日韩一区二区三区在线| 亚洲情色 制服丝袜| 成年版毛片免费区| 国产亚洲精品一区二区www | 精品一品国产午夜福利视频| 9热在线视频观看99| 99精品在免费线老司机午夜| www.精华液| 菩萨蛮人人尽说江南好唐韦庄| 成人黄色视频免费在线看| 精品久久久久久久毛片微露脸| 考比视频在线观看| 精品人妻1区二区| 热re99久久精品国产66热6| 免费日韩欧美在线观看| 99精品在免费线老司机午夜| 免费在线观看日本一区| 50天的宝宝边吃奶边哭怎么回事| 色尼玛亚洲综合影院| 亚洲精品乱久久久久久| 一本色道久久久久久精品综合| 视频区图区小说| 成年人黄色毛片网站| 最近最新免费中文字幕在线| 精品国产一区二区三区久久久樱花| 新久久久久国产一级毛片| 亚洲精品中文字幕在线视频| 在线十欧美十亚洲十日本专区| 亚洲中文日韩欧美视频| 日日爽夜夜爽网站| 国产高清国产精品国产三级| 欧美成人免费av一区二区三区 | 侵犯人妻中文字幕一二三四区| 亚洲专区字幕在线| 国产一区二区 视频在线| 欧美中文综合在线视频| 亚洲综合色网址| 老司机午夜十八禁免费视频| 亚洲人成电影免费在线| 狠狠狠狠99中文字幕| 亚洲av日韩精品久久久久久密| 国产91精品成人一区二区三区 | 免费观看人在逋| 黄色视频,在线免费观看| 国产欧美日韩一区二区三| 在线观看免费视频网站a站| 国产深夜福利视频在线观看| 日韩中文字幕欧美一区二区| 不卡av一区二区三区| 无限看片的www在线观看| 人人妻人人添人人爽欧美一区卜| av片东京热男人的天堂| av网站免费在线观看视频| 男女下面插进去视频免费观看| 黄色视频,在线免费观看| 亚洲成av片中文字幕在线观看| 亚洲久久久国产精品| 日韩欧美一区二区三区在线观看 | 久久这里只有精品19| 亚洲人成电影免费在线| 久久这里只有精品19| 免费在线观看黄色视频的| a级毛片在线看网站| 亚洲av国产av综合av卡| 男女边摸边吃奶| 18在线观看网站| 交换朋友夫妻互换小说| 免费观看av网站的网址| 女人久久www免费人成看片| 国产一区二区三区综合在线观看| 99精品欧美一区二区三区四区| 一区福利在线观看| 精品一品国产午夜福利视频| av在线播放免费不卡| 免费黄频网站在线观看国产| 女人高潮潮喷娇喘18禁视频| 亚洲av成人不卡在线观看播放网| 一区二区三区激情视频| 亚洲熟女毛片儿| 美女福利国产在线| 国产99久久九九免费精品| 精品一区二区三区av网在线观看 | av又黄又爽大尺度在线免费看| 桃花免费在线播放| bbb黄色大片| 777米奇影视久久| 极品人妻少妇av视频| 香蕉国产在线看| 成人手机av| 性少妇av在线| 狂野欧美激情性xxxx| 婷婷丁香在线五月| 最新在线观看一区二区三区| 99久久国产精品久久久| 国产极品粉嫩免费观看在线| 中文字幕人妻熟女乱码| 美女主播在线视频| 日韩人妻精品一区2区三区| 亚洲国产精品一区二区三区在线| 天天添夜夜摸| 免费观看av网站的网址| 成在线人永久免费视频| 亚洲av日韩在线播放| 高清黄色对白视频在线免费看| 久久免费观看电影| 女人久久www免费人成看片| 视频区欧美日本亚洲| 十八禁网站网址无遮挡| 亚洲av美国av| 两个人免费观看高清视频| 男女床上黄色一级片免费看| 久久国产精品大桥未久av| 叶爱在线成人免费视频播放| 99在线人妻在线中文字幕 | 一本大道久久a久久精品| 久久精品国产综合久久久| 黑人巨大精品欧美一区二区mp4| 欧美 日韩 精品 国产| 蜜桃在线观看..| 亚洲九九香蕉| 久久香蕉激情| 国产精品久久电影中文字幕 | 男女边摸边吃奶| 国产国语露脸激情在线看| 男女高潮啪啪啪动态图| 9191精品国产免费久久| 亚洲精品成人av观看孕妇| 国产亚洲精品第一综合不卡| 国产免费av片在线观看野外av| 一二三四社区在线视频社区8| 国内毛片毛片毛片毛片毛片| 夜夜爽天天搞| 99精品久久久久人妻精品| 极品人妻少妇av视频| 两个人看的免费小视频| 五月天丁香电影| 午夜两性在线视频| av线在线观看网站| 日韩欧美一区二区三区在线观看 | 十八禁高潮呻吟视频| 久久精品人人爽人人爽视色| 国产黄色免费在线视频| 亚洲欧美日韩高清在线视频 | 色94色欧美一区二区| 国产av精品麻豆| av超薄肉色丝袜交足视频| 两性夫妻黄色片| 国产一区二区在线观看av| 色综合欧美亚洲国产小说| 午夜成年电影在线免费观看| 久久国产精品人妻蜜桃| 国产1区2区3区精品| 亚洲欧美激情在线| 免费少妇av软件| 国产亚洲欧美在线一区二区| 母亲3免费完整高清在线观看| 免费在线观看黄色视频的| 国产高清国产精品国产三级| 热99国产精品久久久久久7| 国产亚洲av高清不卡| 国产男靠女视频免费网站| 欧美激情 高清一区二区三区| 免费观看av网站的网址| 亚洲人成电影免费在线| 免费久久久久久久精品成人欧美视频| 午夜成年电影在线免费观看| 中文字幕高清在线视频| 又黄又粗又硬又大视频| 国产在视频线精品| 曰老女人黄片| 国产精品久久久久久精品古装| 日本五十路高清| 男人舔女人的私密视频| 激情视频va一区二区三区| 好男人电影高清在线观看| 午夜视频精品福利| 中文亚洲av片在线观看爽 | 69精品国产乱码久久久| 国产亚洲欧美精品永久| 国产日韩一区二区三区精品不卡| 老司机深夜福利视频在线观看| 久久久久久人人人人人| 午夜福利视频在线观看免费| avwww免费| 午夜福利,免费看| 亚洲熟妇熟女久久| 国产精品 国内视频| 在线观看免费午夜福利视频| 欧美一级毛片孕妇| 久久ye,这里只有精品| 丝袜美足系列| 国产精品免费视频内射| 免费在线观看影片大全网站| 丁香欧美五月| 亚洲男人天堂网一区| 99精国产麻豆久久婷婷| 大型av网站在线播放| 欧美精品人与动牲交sv欧美| 精品一区二区三区四区五区乱码| 精品少妇久久久久久888优播| 国产精品免费视频内射| 久久精品国产a三级三级三级| 80岁老熟妇乱子伦牲交| 欧美精品一区二区大全| 久久精品国产99精品国产亚洲性色 | 欧美乱码精品一区二区三区| 一边摸一边抽搐一进一出视频| 侵犯人妻中文字幕一二三四区| 国产亚洲一区二区精品| 考比视频在线观看| 久久免费观看电影| 国产在线精品亚洲第一网站| 韩国精品一区二区三区| 免费在线观看视频国产中文字幕亚洲| 新久久久久国产一级毛片| 熟女少妇亚洲综合色aaa.| 欧美日韩精品网址| 一级a爱视频在线免费观看| 男男h啪啪无遮挡| 最近最新中文字幕大全电影3 | 交换朋友夫妻互换小说| 日韩欧美免费精品| 国产xxxxx性猛交| 男女床上黄色一级片免费看| 在线看a的网站| 丝袜人妻中文字幕| 久久ye,这里只有精品| 我的亚洲天堂| 日本av手机在线免费观看| 免费在线观看日本一区| 国产精品亚洲一级av第二区| 亚洲国产成人一精品久久久| 国产老妇伦熟女老妇高清| 国产精品电影一区二区三区 | 日韩欧美免费精品| 久久久久久久精品吃奶| 亚洲欧美一区二区三区黑人| 国产熟女午夜一区二区三区| 亚洲av成人一区二区三| 久久中文看片网| 日韩大片免费观看网站| 少妇粗大呻吟视频| av超薄肉色丝袜交足视频| 热re99久久国产66热| 波多野结衣av一区二区av| 天天添夜夜摸| 麻豆av在线久日| 老司机福利观看| 99九九在线精品视频| 黄网站色视频无遮挡免费观看| 热99久久久久精品小说推荐| 交换朋友夫妻互换小说| 伦理电影免费视频| 欧美av亚洲av综合av国产av| 精品熟女少妇八av免费久了| 国产日韩欧美视频二区| 亚洲七黄色美女视频| 美女福利国产在线| 黄片小视频在线播放| 久久精品国产99精品国产亚洲性色 | 97人妻天天添夜夜摸| 国产精品自产拍在线观看55亚洲 | 亚洲精品在线美女| 视频区欧美日本亚洲| 日本撒尿小便嘘嘘汇集6| 伦理电影免费视频| 美女国产高潮福利片在线看| 韩国精品一区二区三区| 久久精品人人爽人人爽视色| 青草久久国产| 成年女人毛片免费观看观看9 | 一区在线观看完整版| 少妇猛男粗大的猛烈进出视频| 他把我摸到了高潮在线观看 | 欧美激情 高清一区二区三区| 成人手机av| 91大片在线观看| 老司机在亚洲福利影院| 亚洲成人免费av在线播放| 国产伦理片在线播放av一区| 欧美激情高清一区二区三区| 18禁黄网站禁片午夜丰满| 久久国产精品人妻蜜桃| 男女无遮挡免费网站观看| 女人精品久久久久毛片| 韩国精品一区二区三区| 美女主播在线视频| 亚洲精品国产区一区二| cao死你这个sao货| 欧美精品av麻豆av| 国产精品av久久久久免费| 国产精品二区激情视频| 嫁个100分男人电影在线观看| 国产在线精品亚洲第一网站| 欧美日韩亚洲高清精品| 中文欧美无线码| 国产精品1区2区在线观看. | 一个人免费看片子| 黄色视频,在线免费观看| 欧美日韩一级在线毛片| 国产精品欧美亚洲77777| 亚洲欧美精品综合一区二区三区| 国产又色又爽无遮挡免费看| 亚洲精品自拍成人| av国产精品久久久久影院| av天堂在线播放| 亚洲人成77777在线视频| 国产成人影院久久av| 亚洲欧洲日产国产| 国产日韩欧美视频二区| 涩涩av久久男人的天堂| 国产欧美日韩精品亚洲av| 久9热在线精品视频| av国产精品久久久久影院| 在线观看www视频免费| 满18在线观看网站| 黄色a级毛片大全视频| 18禁观看日本| 国产在线免费精品| 亚洲一区二区三区欧美精品| 天堂8中文在线网| 91字幕亚洲| 一本一本久久a久久精品综合妖精| 久久天躁狠狠躁夜夜2o2o| 国产片内射在线| 757午夜福利合集在线观看| avwww免费| 欧美国产精品va在线观看不卡| 国产日韩欧美在线精品| 中亚洲国语对白在线视频| 亚洲国产中文字幕在线视频| 国产1区2区3区精品| 男女午夜视频在线观看| 国内毛片毛片毛片毛片毛片| av片东京热男人的天堂| 老汉色∧v一级毛片| 欧美精品人与动牲交sv欧美| 窝窝影院91人妻| 国产男靠女视频免费网站| 久久中文字幕一级| 欧美日韩一级在线毛片| 女人爽到高潮嗷嗷叫在线视频| 少妇精品久久久久久久| 99精国产麻豆久久婷婷| 99久久国产精品久久久| 99久久99久久久精品蜜桃| 日韩制服丝袜自拍偷拍| 亚洲成av片中文字幕在线观看| 欧美另类亚洲清纯唯美| 亚洲欧美色中文字幕在线| 欧美日韩成人在线一区二区| 真人做人爱边吃奶动态| 啦啦啦免费观看视频1| 精品少妇黑人巨大在线播放| 亚洲一卡2卡3卡4卡5卡精品中文| 正在播放国产对白刺激| 欧美日韩亚洲高清精品| 精品久久久久久久毛片微露脸| 色婷婷av一区二区三区视频| 国产精品1区2区在线观看. | 亚洲欧美激情在线| 91国产中文字幕| 一区二区三区激情视频| 18在线观看网站| 午夜两性在线视频| 成年人黄色毛片网站| 精品国产超薄肉色丝袜足j| 黄片大片在线免费观看| 夜夜骑夜夜射夜夜干| kizo精华| 1024视频免费在线观看| 国产精品一区二区在线不卡| 每晚都被弄得嗷嗷叫到高潮| 日韩熟女老妇一区二区性免费视频| 日韩一卡2卡3卡4卡2021年| 国产精品国产高清国产av | 久久精品熟女亚洲av麻豆精品| 久久99一区二区三区| 欧美性长视频在线观看| 亚洲欧美一区二区三区黑人| 欧美乱码精品一区二区三区| 日本精品一区二区三区蜜桃| 国产成人欧美在线观看 | 美女福利国产在线| 亚洲少妇的诱惑av| 久久精品亚洲av国产电影网| 9191精品国产免费久久| 无遮挡黄片免费观看| 亚洲人成电影观看| 女人爽到高潮嗷嗷叫在线视频| 日韩精品免费视频一区二区三区| 如日韩欧美国产精品一区二区三区| 美女视频免费永久观看网站| 99精品久久久久人妻精品| 亚洲三区欧美一区| 性色av乱码一区二区三区2| 午夜成年电影在线免费观看| 一边摸一边做爽爽视频免费| 19禁男女啪啪无遮挡网站| 日本撒尿小便嘘嘘汇集6| 9191精品国产免费久久| 丝袜喷水一区| 桃红色精品国产亚洲av| 免费一级毛片在线播放高清视频 | 欧美日韩黄片免| 国内毛片毛片毛片毛片毛片| 精品国产乱子伦一区二区三区| 免费观看av网站的网址| 大香蕉久久成人网| 热re99久久国产66热| 国产又爽黄色视频| 香蕉国产在线看| 日日摸夜夜添夜夜添小说| av在线播放免费不卡| 最黄视频免费看| 侵犯人妻中文字幕一二三四区| 亚洲七黄色美女视频| 国产精品98久久久久久宅男小说| 狠狠婷婷综合久久久久久88av| 一级毛片精品| 欧美老熟妇乱子伦牲交| 在线av久久热| 动漫黄色视频在线观看| 老司机影院毛片| 欧美大码av| 精品一品国产午夜福利视频| 大香蕉久久成人网| 热99国产精品久久久久久7| 国产精品久久久人人做人人爽| 黄片大片在线免费观看| 中文字幕高清在线视频| 80岁老熟妇乱子伦牲交| 亚洲第一欧美日韩一区二区三区 | 亚洲精品在线观看二区| 久久中文字幕一级| 亚洲情色 制服丝袜| 在线观看免费视频网站a站| 汤姆久久久久久久影院中文字幕| 亚洲欧美日韩高清在线视频 | 欧美日韩一级在线毛片| 国产精品98久久久久久宅男小说| 肉色欧美久久久久久久蜜桃| 天天躁日日躁夜夜躁夜夜| 最近最新中文字幕大全免费视频| 老熟妇乱子伦视频在线观看| 狠狠狠狠99中文字幕| netflix在线观看网站| 18禁国产床啪视频网站| 国产精品亚洲av一区麻豆| 曰老女人黄片| 精品少妇黑人巨大在线播放| 午夜激情久久久久久久| 飞空精品影院首页| kizo精华| 午夜福利免费观看在线| 久久99热这里只频精品6学生| 人人妻人人爽人人添夜夜欢视频| 国产男女内射视频| 国产深夜福利视频在线观看| 国产黄色免费在线视频| 精品少妇久久久久久888优播| 国产xxxxx性猛交| e午夜精品久久久久久久| 午夜精品国产一区二区电影| 国产福利在线免费观看视频| 黄色a级毛片大全视频| 十八禁高潮呻吟视频| 男人操女人黄网站| 欧美精品啪啪一区二区三区| 色94色欧美一区二区| 精品少妇久久久久久888优播| 亚洲成人国产一区在线观看| 法律面前人人平等表现在哪些方面| 国产在线一区二区三区精| av超薄肉色丝袜交足视频| 色综合婷婷激情| 亚洲精品一二三| 法律面前人人平等表现在哪些方面| 在线观看人妻少妇| 黄色片一级片一级黄色片| 午夜福利视频在线观看免费| 国产日韩一区二区三区精品不卡| 一个人免费在线观看的高清视频| 亚洲精品一卡2卡三卡4卡5卡| 亚洲天堂av无毛| 亚洲成人免费av在线播放| 中文字幕最新亚洲高清| 国产男女超爽视频在线观看| av不卡在线播放| 日韩视频一区二区在线观看| 高潮久久久久久久久久久不卡| 99re在线观看精品视频| 操美女的视频在线观看| 亚洲欧美日韩另类电影网站| 啪啪无遮挡十八禁网站| 国产成+人综合+亚洲专区| 人人妻人人澡人人爽人人夜夜| 91老司机精品| 午夜福利乱码中文字幕| 午夜激情久久久久久久| 丁香六月天网| 国产97色在线日韩免费| 国产又爽黄色视频| 99精品在免费线老司机午夜| 纵有疾风起免费观看全集完整版| 美女视频免费永久观看网站| 亚洲综合色网址| 十八禁网站免费在线| 欧美性长视频在线观看| 免费观看a级毛片全部| 新久久久久国产一级毛片| 十分钟在线观看高清视频www| tube8黄色片| 日韩中文字幕视频在线看片| 一个人免费看片子| 日韩一卡2卡3卡4卡2021年| 亚洲专区中文字幕在线| 黄片大片在线免费观看| 久久国产精品影院| 一边摸一边抽搐一进一小说 | 国产精品电影一区二区三区 | 亚洲精品国产精品久久久不卡| 女人爽到高潮嗷嗷叫在线视频| 一区二区三区精品91| 丝袜喷水一区| 高潮久久久久久久久久久不卡| 亚洲七黄色美女视频| 丰满饥渴人妻一区二区三| 欧美人与性动交α欧美精品济南到| 久久久久久人人人人人| 国产国语露脸激情在线看| 中文字幕制服av| 波多野结衣一区麻豆| 天堂俺去俺来也www色官网| 超色免费av| 色老头精品视频在线观看| 男女免费视频国产| 丰满少妇做爰视频| 精品国产乱码久久久久久男人| 久久精品亚洲精品国产色婷小说| 亚洲国产精品一区二区三区在线| 免费在线观看视频国产中文字幕亚洲| 男女下面插进去视频免费观看| 建设人人有责人人尽责人人享有的| 亚洲免费av在线视频| 亚洲第一青青草原| 欧美国产精品va在线观看不卡| 18在线观看网站| 中文字幕制服av| 免费不卡黄色视频| 搡老岳熟女国产| 自拍欧美九色日韩亚洲蝌蚪91| 欧美黑人精品巨大| 久久午夜综合久久蜜桃| 亚洲精品美女久久av网站| 啦啦啦视频在线资源免费观看| 女人久久www免费人成看片| 中文字幕高清在线视频| 国产男女超爽视频在线观看| 欧美性长视频在线观看| 天堂中文最新版在线下载| 老司机亚洲免费影院| 少妇裸体淫交视频免费看高清 | 久久 成人 亚洲| 亚洲人成77777在线视频| 丝袜美足系列| 日韩视频一区二区在线观看| 成人永久免费在线观看视频 | 91九色精品人成在线观看| 国产亚洲精品久久久久5区| 色婷婷久久久亚洲欧美| av网站免费在线观看视频| 色老头精品视频在线观看| 中国美女看黄片| 亚洲精品中文字幕在线视频| 日韩一卡2卡3卡4卡2021年| 国产主播在线观看一区二区| 精品国产国语对白av| 国产av又大| 国产av一区二区精品久久| 亚洲专区字幕在线| 久久香蕉激情| 人妻 亚洲 视频| 亚洲午夜理论影院| 一区在线观看完整版| 久久毛片免费看一区二区三区| 免费在线观看视频国产中文字幕亚洲|