欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(shí)戰(zhàn)洞察。

DSV-LFS:語義與視覺雙提示統(tǒng)一框架,解決少樣本圖像分割核心矛盾

DSV-LFS:語義與視覺雙提示統(tǒng)一框架,解決少樣本圖像分割核心矛盾 如果你正在嘗試用少量標(biāo)注樣本訓(xùn)練一個圖像分割模型可能會遇到這樣的困境要么依賴昂貴的像素級標(biāo)注要么模型在遇到新類別時表現(xiàn)糟糕。傳統(tǒng)少樣本分割方法往往需要在“語義理解”和“視覺細(xì)節(jié)”之間做取舍導(dǎo)致模型要么過于依賴文本描述而忽略圖像紋理要么陷入局部視覺特征而無法把握整體語義。今天要討論的DSV-LFS正是為了解決這個核心矛盾而來。這篇被WACV 2026接收的工作提出了一個名為“語義視覺雙提示統(tǒng)一框架”的新思路。它不是一個簡單的技巧疊加而是試圖從根本上重新設(shè)計(jì)少樣本分割的提示學(xué)習(xí)范式。讀完這篇文章你將能清晰地理解DSV-LFS 到底解決了什么工程痛點(diǎn)—— 不是泛泛而談的“提升性能”而是具體到如何讓模型同時聽懂“語言指令”和“視覺示例”?!半p提示”是如何協(xié)同工作的—— 我們會拆解它的架構(gòu)看語義提示和視覺提示如何互補(bǔ)而不是互相干擾。如何在自己的項(xiàng)目中嘗試或借鑒這一思路—— 我們將提供一個清晰的代碼解讀和實(shí)驗(yàn)復(fù)現(xiàn)指南而不僅僅是羅列論文公式。它的局限性和適用邊界在哪里—— 任何技術(shù)都有其適用范圍盲目套用不如理性評估。本文的目標(biāo)是讓你不僅知道 DSV-LFS 是什么更能判斷它是否適合你手頭的項(xiàng)目以及如果適合該如何著手。1. 少樣本分割的困境與 DSV-LFS 的破局點(diǎn)在深入技術(shù)細(xì)節(jié)前我們必須先理解問題本身。圖像分割任務(wù)要求模型為圖像中的每個像素分配一個類別標(biāo)簽。全監(jiān)督學(xué)習(xí)需要海量像素級標(biāo)注數(shù)據(jù)成本極高。少樣本分割Few-Shot Segmentation, FSS應(yīng)運(yùn)而生其核心是讓模型僅通過少量支持樣本Support Set例如1張或5張已標(biāo)注圖像就能學(xué)會分割查詢圖像Query Image中的新類別。當(dāng)前的少樣本分割方法主要沿著兩條路徑演進(jìn)基于視覺提示的方法這類方法如 PFENet, HSNet主要關(guān)注如何從支持圖像和查詢圖像中提取并匹配視覺特征。它們擅長捕捉紋理、形狀、邊界等低級到中級的視覺信息但對于語義抽象或類別定義模糊的對象比如“早餐桌” vs. “辦公桌”泛化能力可能不足。基于語義提示的方法隨著 CLIP 等視覺-語言大模型的興起一些工作開始利用文本描述如“a photo of a dog”作為提示。這類方法帶來了強(qiáng)大的語義先驗(yàn)和零樣本能力但對視覺細(xì)節(jié)的感知較弱容易受到語義歧義的影響比如“鍵盤”可能指鋼琴鍵盤或電腦鍵盤。DSV-LFS 的核心判斷是單一模態(tài)的提示是不充分的。視覺提示缺乏高層語義指導(dǎo)語義提示缺乏細(xì)粒度視覺約束。因此它提出的“雙提示統(tǒng)一框架”并非簡單地將兩者拼接而是設(shè)計(jì)了一個協(xié)同機(jī)制讓語義信息引導(dǎo)視覺匹配的方向同時讓視覺信息夯實(shí)語義定位的精度。這解決了一個非常實(shí)際的工程痛點(diǎn)在標(biāo)注數(shù)據(jù)極其有限的情況下如何最大化利用每一份信息無論是來自類名文本的幾個單詞還是來自支持圖像的幾個像素來穩(wěn)定、準(zhǔn)確地分割新物體。對于從事自動駕駛、醫(yī)學(xué)圖像分析、遙感解譯等領(lǐng)域的研究者和工程師這個思路具有直接的參考價值。2. DSV-LFS 核心原理雙提示如何統(tǒng)一DSV-LFS 的全稱是Dual Semantic-Visual Prompting for Few-Shot Segmentation。它的整體架構(gòu)可以理解為一條雙軌信息處理流水線最終在一個統(tǒng)一的解碼器中進(jìn)行決策融合。2.1 架構(gòu)總覽模型處理流程主要分為三個核心階段特征提取與編碼使用一個共享的視覺主干網(wǎng)絡(luò)如 ResNet、ViT分別提取支持圖像和查詢圖像的多尺度深度特征。同時類別名稱如“dog”通過一個文本編碼器如 CLIP 的文本編碼器轉(zhuǎn)換為語義嵌入向量。雙提示生成與交互視覺提示生成利用支持圖像的掩碼Mask作為指導(dǎo)從支持圖像特征中提煉出代表目標(biāo)類別的“視覺原型”。這個原型可以是一個向量或一組特征它編碼了該類別的視覺外觀信息。語義提示生成將文本編碼器得到的語義嵌入通過一個輕量的適配器Adapter網(wǎng)絡(luò)投影到與視覺特征空間對齊的“語義原型”。這個原型編碼了類別的抽象概念。提示交互模塊這是關(guān)鍵創(chuàng)新點(diǎn)。該模塊讓視覺原型和語義原型進(jìn)行雙向信息交換。例如語義原型可以告訴視覺原型“你要找的是‘狗’這個概念而不僅僅是某只特定金毛的顏色”視覺原型則可以反饋給語義原型“你所說的‘狗’在這個場景下具體表現(xiàn)為這樣的毛發(fā)紋理和體型”。統(tǒng)一解碼與分割經(jīng)過交互增強(qiáng)后的雙提示被共同用于指導(dǎo)查詢圖像的分割。解碼器會計(jì)算查詢圖像的每個位置與增強(qiáng)后提示的相似度最終生成分割掩碼。這個過程通常涉及多尺度特征融合和逐步上采樣。2.2 關(guān)鍵組件詳解語義提示適配器直接使用 CLIP 的文本特征可能因?yàn)轭A(yù)訓(xùn)練任務(wù)和分割任務(wù)的差異而導(dǎo)致域偏移。適配器通常由幾層 MLP 或交叉注意力層構(gòu)成負(fù)責(zé)將通用的文本語義“翻譯”成適用于當(dāng)前分割任務(wù)的特定語義表示。提示交互機(jī)制論文中可能采用了交叉注意力Cross-Attention或門控融合Gated Fusion等機(jī)制。簡單來說可以理解為兩個原型向量之間進(jìn)行了一場“對話”最終各自吸收了對方的有用信息形成了更具判別力的聯(lián)合表示。統(tǒng)一解碼器解碼器需要同時處理來自圖像的多尺度視覺特征和來自交互模塊的雙提示信息。一種常見做法是將雙提示作為條件信息通過空間自適應(yīng)調(diào)制如 SPADE 模塊或作為注意力查詢Query來引導(dǎo)解碼過程。通俗類比想象你要在一個擁擠的公園里找一個穿紅衣服的朋友新類別。純視覺方法我給你看一張朋友的照片支持圖像你只記住他的臉型、發(fā)型等視覺細(xì)節(jié)。在公園里你可能會錯認(rèn)一個背影相似的人。純語義方法我只告訴你“找一個穿紅衣服的人”文本提示。你能找到所有穿紅衣服的人但無法確定哪個是你的朋友。DSV-LFS 方法我既給你看了朋友的照片視覺提示又告訴你“他是張三喜歡靠湖邊站”語義提示。你在尋找時會同時用照片核對長相并用“靠湖邊”這個語義信息縮小搜索范圍從而更準(zhǔn)確、更快速地找到他。3. 環(huán)境準(zhǔn)備與復(fù)現(xiàn)代碼解讀由于 DSV-LFS 是近期會議論文官方代碼可能尚未完全開源。但我們可以基于其核心思想搭建一個簡化版的驗(yàn)證環(huán)境并解讀其關(guān)鍵代碼邏輯。這有助于我們深入理解其實(shí)現(xiàn)并為將來官方代碼發(fā)布后的研究與應(yīng)用打下基礎(chǔ)。3.1 基礎(chǔ)環(huán)境配置我們假設(shè)使用 PyTorch 進(jìn)行開發(fā)。以下是一個基礎(chǔ)的environment.yml文件示例用于創(chuàng)建 Conda 環(huán)境。# environment.yml name: dsv-lfs-demo channels: - pytorch - conda-forge - defaults dependencies: - python3.9 - pytorch2.0.1 - torchvision0.15.2 - cudatoolkit11.8 # 根據(jù)你的CUDA版本調(diào)整 - pip - pip: - opencv-python - pillow - matplotlib - scikit-learn - scikit-image - timm # 用于Vision Transformer主干網(wǎng)絡(luò) - ftfy - regex - tqdm # 如果需要使用CLIP通過pip安裝 - githttps://github.com/openai/CLIP.git使用以下命令創(chuàng)建環(huán)境conda env create -f environment.yml conda activate dsv-lfs-demo3.2 項(xiàng)目結(jié)構(gòu)規(guī)劃一個清晰的項(xiàng)目結(jié)構(gòu)有助于管理和復(fù)現(xiàn)復(fù)雜模型。dsv_lfs_demo/ ├── configs/ # 配置文件 │ └── default.yaml ├── data/ # 數(shù)據(jù)集鏈接或腳本 ├── models/ # 模型定義 │ ├── __init__.py │ ├── backbone.py # 視覺主干網(wǎng)絡(luò) │ ├── semantic_prompt.py # 語義提示模塊 │ ├── visual_prompt.py # 視覺提示模塊 │ ├── interaction.py # 提示交互模塊 │ └── decoder.py # 統(tǒng)一解碼器 ├── datasets/ # 數(shù)據(jù)加載 │ └── fewshot_dataset.py ├── engine/ # 訓(xùn)練/驗(yàn)證流程 │ ├── trainer.py │ └── evaluator.py ├── utils/ # 工具函數(shù) │ ├── logger.py │ └── metrics.py ├── train.py # 主訓(xùn)練腳本 ├── test.py # 主測試腳本 └── README.md3.3 核心模塊代碼解讀下面我們將分模塊構(gòu)建 DSV-LFS 的核心思想。請注意這是基于論文描述的簡化實(shí)現(xiàn)用于教學(xué)和理解并非官方代碼。3.3.1 語義提示適配器這個模塊負(fù)責(zé)將 CLIP 的文本特征適配到分割任務(wù)。# models/semantic_prompt.py import torch import torch.nn as nn import clip class SemanticPromptAdapter(nn.Module): 語義提示適配器將CLIP文本特征轉(zhuǎn)換為分割任務(wù)可用的語義原型。 def __init__(self, clip_dim512, hidden_dim256, output_dim256): super().__init__() # 加載CLIP模型僅文本編碼器 self.clip_model, _ clip.load(ViT-B/32, devicecpu) # 實(shí)際使用時根據(jù)GPU調(diào)整 # 凍結(jié)CLIP參數(shù)只訓(xùn)練適配器 for param in self.clip_model.parameters(): param.requires_grad False # 適配器網(wǎng)絡(luò)一個簡單的MLP self.adapter nn.Sequential( nn.Linear(clip_dim, hidden_dim), nn.ReLU(inplaceTrue), nn.Dropout(0.1), nn.Linear(hidden_dim, output_dim) ) # 可學(xué)習(xí)的類別背景向量用于表示“非目標(biāo)” self.bg_prototype nn.Parameter(torch.randn(1, output_dim)) def forward(self, class_names): Args: class_names: List[str], 類別名稱列表如 [dog, cat] Returns: semantic_prototypes: Tensor [C, output_dim], C個類別的語義原型包含背景 # 使用CLIP文本編碼器獲取文本特征 with torch.no_grad(): text_inputs clip.tokenize(class_names).to(self.clip_model.text_projection.device) text_features self.clip_model.encode_text(text_inputs) # [C, clip_dim] text_features text_features / text_features.norm(dim-1, keepdimTrue) # 歸一化 # 適配器投影 semantic_prototypes self.adapter(text_features) # [C, output_dim] # 拼接背景原型 full_prototypes torch.cat([semantic_prototypes, self.bg_prototype], dim0) # [C1, output_dim] return full_prototypes關(guān)鍵點(diǎn)我們凍結(jié)了 CLIP 的預(yù)訓(xùn)練權(quán)重只訓(xùn)練輕量的適配器這是一種高效微調(diào)策略。適配器將 CLIP 的通用文本特征映射到與視覺特征對齊的特定任務(wù)空間。我們顯式地學(xué)習(xí)了一個“背景”原型這對于分割任務(wù)至關(guān)重要。3.3.2 視覺提示生成器這個模塊從支持圖像和其掩碼中提取視覺原型。# models/visual_prompt.py import torch import torch.nn as nn import torch.nn.functional as F class VisualPromptGenerator(nn.Module): 視覺提示生成器從支持圖像和掩碼中提取視覺原型。 def __init__(self, feature_dim256, prototype_dim256): super().__init__() # 一個簡單的原型池化層也可以使用更復(fù)雜的如Masked Average Pooling self.prototype_proj nn.Conv2d(feature_dim, prototype_dim, kernel_size1) def forward(self, support_features, support_mask): Args: support_features: Tensor [B, C, H, W], 支持圖像的特征圖 support_mask: Tensor [B, 1, H, W], 二值化支持掩碼0為背景1為目標(biāo) Returns: visual_prototype: Tensor [B, prototype_dim], 視覺原型向量 B, C, H, W support_features.shape # 將掩碼下采樣到與特征圖相同尺寸 mask_down F.interpolate(support_mask.float(), size(H, W), modenearest) # [B, 1, H, W] # 擴(kuò)展掩碼維度以匹配特征通道 mask_expanded mask_down.expand(-1, C, -1, -1) # [B, C, H, W] # 掩碼平均池化只對前景區(qū)域的特征進(jìn)行平均 # 計(jì)算每個樣本的前景像素數(shù)避免除零 foreground_area mask_down.sum(dim[2,3]) 1e-8 # [B, 1] masked_features support_features * mask_expanded # [B, C, H, W] pooled_features masked_features.sum(dim[2,3]) / foreground_area # [B, C] # 投影到原型空間 # 為了進(jìn)行卷積操作需要增加空間維度 pooled_features_ pooled_features.unsqueeze(-1).unsqueeze(-1) # [B, C, 1, 1] visual_prototype self.prototype_proj(pooled_features_) # [B, prototype_dim, 1, 1] visual_prototype visual_prototype.squeeze(-1).squeeze(-1) # [B, prototype_dim] return visual_prototype關(guān)鍵點(diǎn)使用掩碼平均池化Masked Average Pooling是提取視覺原型的標(biāo)準(zhǔn)操作它能聚焦于目標(biāo)物體區(qū)域。通過一個 1x1 卷積進(jìn)行投影可以學(xué)習(xí)如何將主干網(wǎng)絡(luò)特征轉(zhuǎn)化為更有效的原型表示。3.3.3 提示交互模塊這是實(shí)現(xiàn)“雙提示統(tǒng)一”的核心。# models/interaction.py import torch import torch.nn as nn class DualPromptInteraction(nn.Module): 雙提示交互模塊讓語義原型和視覺原型進(jìn)行信息交換。 這里使用一個簡化的交叉注意力機(jī)制。 def __init__(self, dim256, num_heads8): super().__init__() self.dim dim # 為語義和視覺原型分別定義可學(xué)習(xí)的查詢Query、鍵Key、值Value投影 self.semantic_qkv nn.Linear(dim, dim * 3) self.visual_qkv nn.Linear(dim, dim * 3) self.multihead_attn nn.MultiheadAttention(dim, num_heads, batch_firstTrue) # 層歸一化和前饋網(wǎng)絡(luò) self.norm1 nn.LayerNorm(dim) self.norm2 nn.LayerNorm(dim) self.ffn nn.Sequential( nn.Linear(dim, dim * 4), nn.ReLU(), nn.Linear(dim * 4, dim) ) def forward(self, semantic_prototype, visual_prototype): Args: semantic_prototype: Tensor [B, C1, D], 包含背景的語義原型 visual_prototype: Tensor [B, D], 視覺原型每個樣本一個 Returns: enhanced_semantic: Tensor [B, C1, D], 增強(qiáng)后的語義原型 enhanced_visual: Tensor [B, D], 增強(qiáng)后的視覺原型 B, N, D semantic_prototype.shape # 將視覺原型擴(kuò)展為序列以便進(jìn)行注意力計(jì)算 [B, D] - [B, 1, D] visual_seq visual_prototype.unsqueeze(1) # [B, 1, D] # 第一步視覺原型作為Query語義原型作為Key和Value更新視覺原型 visual_q, visual_k, visual_v self.visual_qkv(visual_seq).chunk(3, dim-1) semantic_k, semantic_v self.semantic_qkv(semantic_prototype).chunk(2, dim-1) # 語義原型不生成自己的Q # 注意力計(jì)算視覺原型“詢問”所有語義原型 attn_output1, _ self.multihead_attn(visual_q, semantic_k, semantic_v) enhanced_visual self.norm1(visual_seq attn_output1) # 殘差連接 # 第二步增強(qiáng)后的視覺原型作為Key/Value的一部分語義原型作為Query更新語義原型 # 這里簡化處理將增強(qiáng)后的視覺原型拼接到語義原型中讓語義原型之間以及語義與視覺之間進(jìn)行交互 combined_seq torch.cat([semantic_prototype, enhanced_visual], dim1) # [B, (C1)1, D] semantic_q, combined_k, combined_v self.semantic_qkv(semantic_prototype), combined_seq, combined_seq attn_output2, _ self.multihead_attn(semantic_q, combined_k, combined_v) enhanced_semantic self.norm2(semantic_prototype attn_output2) # 前饋網(wǎng)絡(luò) enhanced_semantic enhanced_semantic self.ffn(enhanced_semantic) enhanced_visual enhanced_visual.squeeze(1) self.ffn(enhanced_visual.squeeze(1)).unsqueeze(1) enhanced_visual enhanced_visual.squeeze(1) return enhanced_semantic, enhanced_visual關(guān)鍵點(diǎn)交互是雙向的。我們模擬了一個兩階段過程視覺原型從語義原型獲取高層指導(dǎo)然后增強(qiáng)后的視覺原型又反過來幫助細(xì)化語義原型。使用了 Transformer 中標(biāo)準(zhǔn)的 Multi-Head Attention、LayerNorm 和 FFN 結(jié)構(gòu)這是進(jìn)行特征交互的強(qiáng)大工具。殘差連接保證了訓(xùn)練的穩(wěn)定性。3.3.4 統(tǒng)一解碼器解碼器利用增強(qiáng)后的雙提示來生成最終的分割掩碼。# models/decoder.py import torch import torch.nn as nn import torch.nn.functional as F class UnifiedDecoder(nn.Module): 統(tǒng)一解碼器利用增強(qiáng)后的雙提示對查詢圖像特征進(jìn)行解碼生成分割掩碼。 def __init__(self, feature_dim256, prototype_dim256, num_classes1): # num_classes 為前景類別數(shù)少樣本通常為1 super().__init__() self.prototype_dim prototype_dim # 將視覺原型廣播并拼接到查詢特征的每個空間位置一種條件注入方式 self.visual_condition nn.Sequential( nn.Conv2d(prototype_dim, feature_dim, kernel_size1), nn.GroupNorm(8, feature_dim), nn.ReLU(inplaceTrue) ) # 預(yù)測頭 self.cls_head nn.Conv2d(feature_dim, num_classes 1, kernel_size1) # 1 for background def forward(self, query_features, enhanced_visual_prototype, enhanced_semantic_prototypes): Args: query_features: Tensor [B, C, H, W], 查詢圖像的特征圖 enhanced_visual_prototype: Tensor [B, D], 增強(qiáng)后的視覺原型 enhanced_semantic_prototypes: Tensor [B, N, D], 增強(qiáng)后的語義原型NC1 Returns: mask_logits: Tensor [B, num_classes1, H, W], 分割logits B, C, H, W query_features.shape N enhanced_semantic_prototypes.shape[1] # N C1 # 方法1視覺原型作為條件信息調(diào)制查詢特征 visual_cond self.visual_condition(enhanced_visual_prototype.unsqueeze(-1).unsqueeze(-1)) # [B, C, 1, 1] modulated_features query_features * visual_cond # 空間廣播相乘 [B, C, H, W] # 方法2計(jì)算查詢特征與所有語義原型的相似度作為輔助線索 query_flat modulated_features.view(B, C, H*W).permute(0, 2, 1) # [B, H*W, C] semantic_flat enhanced_semantic_prototypes # [B, N, D], 假設(shè) D C similarity torch.matmul(query_flat, semantic_flat.transpose(1,2)) # [B, H*W, N] similarity_map similarity.permute(0, 2, 1).view(B, N, H, W) # [B, N, H, W] # 將相似度圖與調(diào)制后的特征拼接或相加 combined modulated_features similarity_map[:, :-1, :, :].sum(dim1, keepdimTrue) # 忽略背景類的相似度圖進(jìn)行求和 # 最終分類 mask_logits self.cls_head(combined) # [B, num_classes1, H, W] return mask_logits關(guān)鍵點(diǎn)解碼器融合了兩種信息視覺條件調(diào)制讓視覺原型影響特征激活和語義相似度匹配計(jì)算像素與各類語義原型的關(guān)聯(lián)。這是一種簡化的設(shè)計(jì)。更復(fù)雜的解碼器可能會使用多尺度特征、迭代優(yōu)化或更精細(xì)的注意力機(jī)制。4. 訓(xùn)練與評估流程搭建有了核心模塊我們需要將它們組裝起來并定義訓(xùn)練和評估循環(huán)。4.1 模型組裝# models/__init__.py 或 models/dsv_lfs.py import torch.nn as nn from .backbone import ResNetBackbone from .semantic_prompt import SemanticPromptAdapter from .visual_prompt import VisualPromptGenerator from .interaction import DualPromptInteraction from .decoder import UnifiedDecoder class DSVLFS(nn.Module): def __init__(self, backbone_nameresnet50, feature_dim256, prototype_dim256): super().__init__() self.backbone ResNetBackbone(backbone_name, output_dimfeature_dim) self.semantic_adapter SemanticPromptAdapter(output_dimprototype_dim) self.visual_generator VisualPromptGenerator(feature_dim, prototype_dim) self.interaction DualPromptInteraction(prototype_dim) self.decoder UnifiedDecoder(feature_dim, prototype_dim, num_classes1) def forward(self, support_img, support_mask, query_img, class_names): Args: support_img: [B, 3, H, W] support_mask: [B, 1, H, W] query_img: [B, 3, H, W] class_names: List[str] of length B Returns: pred_mask: [B, 2, H, W] (logits for foreground and background) # 1. 特征提取 support_feats self.backbone(support_img) # 假設(shè)返回最后層特征 [B, C, h, w] query_feats self.backbone(query_img) # 2. 生成提示 semantic_prototypes self.semantic_adapter(class_names) # [B, C1, D] visual_prototype self.visual_generator(support_feats, support_mask) # [B, D] # 3. 提示交互 enhanced_semantic, enhanced_visual self.interaction(semantic_prototypes, visual_prototype) # 4. 解碼預(yù)測 pred_logits self.decoder(query_feats, enhanced_visual, enhanced_semantic) return pred_logits4.2 訓(xùn)練腳本核心邏輯# train.py (部分核心代碼) import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from datasets.fewshot_dataset import FewShotDataset from models.dsv_lfs import DSVLFS from utils.metrics import compute_iou def train_one_epoch(model, dataloader, optimizer, criterion, device): model.train() total_loss 0.0 total_iou 0.0 for batch_idx, batch in enumerate(dataloader): support_img, support_mask, query_img, query_mask, class_name batch support_img, support_mask support_img.to(device), support_mask.to(device) query_img, query_mask query_img.to(device), query_mask.to(device) optimizer.zero_grad() # 前向傳播 pred_logits model(support_img, support_mask, query_img, class_name) # 計(jì)算損失交叉熵?fù)p失 loss criterion(pred_logits, query_mask.squeeze(1).long()) # query_mask shape [B, H, W] # 反向傳播 loss.backward() optimizer.step() # 計(jì)算IoU (僅用于監(jiān)控) pred_mask torch.argmax(pred_logits, dim1) # [B, H, W] iou compute_iou(pred_mask, query_mask.squeeze(1)) total_loss loss.item() total_iou iou.item() avg_loss total_loss / len(dataloader) avg_iou total_iou / len(dataloader) return avg_loss, avg_iou # 主訓(xùn)練循環(huán) def main(): device torch.device(cuda if torch.cuda.is_available() else cpu) model DSVLFS().to(device) optimizer optim.AdamW(model.parameters(), lr1e-4) criterion nn.CrossEntropyLoss() train_dataset FewShotDataset(...) # 需要實(shí)現(xiàn)你的數(shù)據(jù)集 train_loader DataLoader(train_dataset, batch_size4, shuffleTrue) num_epochs 100 for epoch in range(num_epochs): train_loss, train_iou train_one_epoch(model, train_loader, optimizer, criterion, device) print(fEpoch [{epoch1}/{num_epochs}], Loss: {train_loss:.4f}, IoU: {train_iou:.4f}) # 這里可以添加驗(yàn)證和模型保存邏輯5. 運(yùn)行結(jié)果分析與效果驗(yàn)證在標(biāo)準(zhǔn)少樣本分割數(shù)據(jù)集如 PASCAL-5^i, COCO-20^i上DSV-LFS 預(yù)期會展現(xiàn)出比單提示方法更優(yōu)的性能。評估通常采用mIoU平均交并比作為核心指標(biāo)。5.1 預(yù)期性能表現(xiàn)根據(jù)論文思想我們預(yù)期 DSV-LFS 在以下場景有優(yōu)勢語義模糊類別對于“桌子”、“椅子”等大類語義提示能提供強(qiáng)先驗(yàn)視覺提示能定位具體實(shí)例。外觀多變類別對于同一類物體如“狗”的不同品種、姿態(tài)視覺提示能捕捉多樣性語義提示能保證類別一致性。小樣本設(shè)置1-shot, 5-shot雙提示能更充分地利用有限的監(jiān)督信息減少過擬合支持樣本的風(fēng)險。5.2 可視化驗(yàn)證除了數(shù)值指標(biāo)可視化分割結(jié)果是重要的驗(yàn)證手段。在測試時可以保存預(yù)測掩碼并與真實(shí)掩碼對比。# utils/visualize.py import matplotlib.pyplot as plt import torch import numpy as np def visualize_prediction(query_img, query_mask, pred_mask, save_pathNone): 可視化查詢圖像、真實(shí)掩碼和預(yù)測掩碼。 query_img: [H, W, 3] numpy array in [0, 255] query_mask: [H, W] numpy array with 0/1 labels pred_mask: [H, W] numpy array with 0/1 labels fig, axes plt.subplots(1, 3, figsize(12, 4)) axes[0].imshow(query_img.astype(np.uint8)) axes[0].set_title(Query Image) axes[0].axis(off) axes[1].imshow(query_mask, cmapgray) axes[1].set_title(Ground Truth Mask) axes[1].axis(off) axes[2].imshow(pred_mask, cmapgray) axes[2].set_title(Predicted Mask) axes[2].axis(off) if save_path: plt.savefig(save_path, bbox_inchestight, dpi150) plt.show()如何判斷模型是否工作正常訓(xùn)練損失下降交叉熵?fù)p失應(yīng)穩(wěn)步下降并逐漸收斂。驗(yàn)證IoU提升在未見過的支持-查詢對上的 mIoU 應(yīng)隨訓(xùn)練輪次增加而提升。可視化合理預(yù)測掩碼應(yīng)大致覆蓋目標(biāo)物體邊界相對清晰。對于失敗案例要分析是語義理解錯誤分割了同類其他物體還是視覺定位錯誤分割了錯誤區(qū)域。6. 常見問題與排查思路在復(fù)現(xiàn)或應(yīng)用 DSV-LFS 思想時你可能會遇到以下典型問題問題現(xiàn)象可能原因排查方式解決方案訓(xùn)練損失不下降或?yàn)?NaN1. 學(xué)習(xí)率過高。2. 梯度爆炸。3. 數(shù)據(jù)標(biāo)注有問題如掩碼全0。4. 提示交互模塊初始化不當(dāng)。1. 檢查前幾個 batch 的損失值。2. 使用torch.nn.utils.clip_grad_norm_監(jiān)控梯度。3. 可視化支持集和查詢集的掩碼。4. 檢查各模塊輸出是否有 NaN。1. 降低學(xué)習(xí)率如從 1e-3 降至 1e-4。2. 添加梯度裁剪clip_grad_norm_(model.parameters(), max_norm1.0)。3. 確保數(shù)據(jù)加載正確掩碼已歸一化到 [0,1]。4. 使用 Xavier/Kaiming 初始化或加載預(yù)訓(xùn)練主干。模型過擬合支持集1. 模型容量過大訓(xùn)練數(shù)據(jù)太少。2. 視覺提示過于依賴支持樣本的特定外觀。1. 觀察訓(xùn)練 IoU 很高但驗(yàn)證 IoU 很低。2. 在驗(yàn)證集上測試時換用同一類別的不同支持樣本。1. 增加數(shù)據(jù)增強(qiáng)隨機(jī)裁剪、翻轉(zhuǎn)、顏色抖動。2. 在視覺提示生成中加入 Dropout 或特征擾動。3. 加強(qiáng)對語義提示的約束如對比學(xué)習(xí)損失。語義提示不起作用1. CLIP 文本編碼器提取的特征與視覺特征域不匹配。2. 適配器訓(xùn)練不穩(wěn)定破壞了語義信息。1. 分別檢查語義原型和視覺原型的特征分布如 t-SNE。2. 固定適配器僅訓(xùn)練其他部分看性能是否變化。1. 嘗試更復(fù)雜的適配器結(jié)構(gòu)如多層非線性。2. 在適配器訓(xùn)練中使用更小的學(xué)習(xí)率。3. 考慮使用從 CLIP 圖像編碼器提取的“視覺語義”原型作為補(bǔ)充。推理速度慢1. CLIP 文本編碼器在每次推理時都前向傳播。2. 提示交互模塊的注意力計(jì)算開銷大。1. 使用torch.profiler或簡單計(jì)時分析瓶頸。2. 檢查輸入圖像分辨率是否過高。1. 對固定的類別名稱可以預(yù)計(jì)算其語義原型并緩存。2. 簡化交互模塊如使用線性層或門控機(jī)制代替多頭注意力。3. 對主干網(wǎng)絡(luò)特征進(jìn)行下采樣。對新類別泛化差1. 訓(xùn)練類別和測試類別差異過大。2. 模型過度依賴訓(xùn)練集中出現(xiàn)的視覺模式。1. 在跨域數(shù)據(jù)集上測試。2. 分析失敗案例看是語義混淆還是視覺混淆。1. 在訓(xùn)練時引入更豐富的文本描述如使用多個同義詞或?qū)傩浴?. 采用元學(xué)習(xí)Meta-Learning的訓(xùn)練范式模擬測試時的少樣本場景。7. 最佳實(shí)踐與工程建議基于對 DSV-LFS 框架的理解在實(shí)際項(xiàng)目中應(yīng)用此類技術(shù)時建議遵循以下最佳實(shí)踐數(shù)據(jù)是根本高質(zhì)量標(biāo)注即使少樣本支持圖像的掩碼質(zhì)量也至關(guān)重要。模糊或不準(zhǔn)確的掩碼會誤導(dǎo)視覺原型學(xué)習(xí)。文本描述增強(qiáng)不要只使用單一類別名如“dog”。嘗試使用 CLIP 提示工程例如 “a photo of a {class}”, “a clean {class} in the scene”或組合多個描述這能豐富語義原型。數(shù)據(jù)增強(qiáng)的針對性對支持圖像和查詢圖像應(yīng)用一致的空間變換如相同的隨機(jī)裁剪可以模擬物體位置變化提升模型魯棒性。模型設(shè)計(jì)權(quán)衡主干網(wǎng)絡(luò)選擇平衡精度和速度。ResNet-50/101 是常用選擇ViT 系列能提供更好的全局語義理解但計(jì)算成本更高。根據(jù)你的硬件和實(shí)時性要求選擇。交互模塊復(fù)雜度交叉注意力功能強(qiáng)大但耗時。在計(jì)算資源受限的場景可以嘗試簡化的交互方式如 concatenation MLP 或動態(tài)卷積。原型維度prototype_dim是一個關(guān)鍵超參數(shù)。太小會導(dǎo)致信息瓶頸太大會增加過擬合風(fēng)險。需要通過實(shí)驗(yàn)在驗(yàn)證集上調(diào)整。訓(xùn)練策略優(yōu)化分階段訓(xùn)練可以先凍結(jié) CLIP 和主干網(wǎng)絡(luò)只訓(xùn)練適配器、交互模塊和解碼器。待損失平穩(wěn)后再解凍主干網(wǎng)絡(luò)進(jìn)行端到端微調(diào)。損失函數(shù)設(shè)計(jì)除了標(biāo)準(zhǔn)交叉熵?fù)p失可以考慮添加輔助損失如原型對比損失讓同一類別的雙提示更接近不同類別的更遠(yuǎn)或邊界感知損失提升分割邊緣質(zhì)量。學(xué)習(xí)率調(diào)度使用余弦退火或帶熱重啟的余弦退火CosineAnnealingWarmRestarts有助于模型跳出局部最優(yōu)。部署與推理優(yōu)化原型緩存對于已知的固定類別集其語義原型可以離線計(jì)算并存儲避免每次推理都運(yùn)行 CLIP 文本編碼器。模型量化與剪枝如果部署在移動端或邊緣設(shè)備可以考慮對訓(xùn)練好的模型進(jìn)行量化INT8和剪枝以減小模型體積和加速推理。批量推理在處理多個查詢?nèi)蝿?wù)時盡量將支持樣本和查詢樣本組成批次進(jìn)行推理以充分利用 GPU 并行能力。DSV-LFS 代表了一種有前景的研究方向如何讓大模型的語義先驗(yàn)知識與傳統(tǒng)的視覺感知能力進(jìn)行深度協(xié)作以解決數(shù)據(jù)稀缺下的視覺理解難題。對于研究者可以深入探索更高效的交互機(jī)制、更強(qiáng)大的語義 grounding 方法。對于工程師可以嘗試將此框架的思想遷移到具體的工業(yè)場景如缺陷檢測、遙感圖像分割等通過設(shè)計(jì)領(lǐng)域特定的語義提示來提升小樣本下的模型性能。技術(shù)的價值在于應(yīng)用。理解其原理是第一步更重要的是思考它如何為你所用。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
99福利导航| 国产va在线视频| 色五月五月婷婷| 五月丁香婷婷福利| 色噜噜97视频在线观看| 婷婷福利影院| 开心激情站| 色色色色色色网站| 色五月成人在线| www.色9| 婷婷久久综合久| 国产精品热搜丁香五月婷婷| 日韩六六久久电影| 九九熱最新視頻| 丁香五月 性爱| www.激情| 六月婷婷久久| 久草a片| 美女婷婷六月色| 五月美女婷婷风骚| 777米奇影视第四色| 可以免费观看的AV| 四月丁香五月婷婷久久| 丁香五月婷婷在线视频| 天天狠狠色| 丁香五月激情啪| 草草夜夜操| 日韩av在线电影| 五月婷婷综合潮喷| 婷婷日日夜夜| 五月婷婷激情四月| 丁香五月 六月婷婷首页| www.色五月| 91日综合欧美| 人人操操| 秋霞网在线免费基地五月婷婷丁香| 丁香五月天堂网| 伊人干综合| 婷婷五月六| 五月丁香六月停停| 婷婷亚洲在线| 亚洲bt丁香五月天婷婷激情小说| 狠狠激情五月天| 这里只有精品热| 久久女婷| 久久九九99| 91九色熟女| 久久精品五月| 久久激情四射| 色护士综合| 性色做爰片在线观看WW| 色婷丁香91| 开心激情婷婷| 97高清国语自产拍| 色色色色色日韩午夜激情| 东京热免费视频| 五月丁香成人网| 97干欧美| 五月丁香色综合| 天天日,天天干,天天操| 狠狠操狠狠爱| 97五月婷| 激情婷婷黄色五月| 96精品久久久久久久久| 这里有精品99| 国产成人va在线| 亚洲狠狠操| 五月综合亚洲婷婷| 丁香婷婷成人网| 青青草激情网| 99精品久久| 久9热| 婷婷午夜天| 五月天开心网| 九九婷| 久久激情四射| 影视av久久久噜噜噜噜噜三级| 午夜免费高清AV片| www.日本久久videos| 亚洲另类电影| 国产高清精品色| 久久九九大香蕉电院| 午夜 外网 精品 在线| 丁香伊人激情| 精品无吗va视频免费观看| 五月婷婷色播| 丁香五月天堂网| AA片在线观看视频在线播放| 色婷婷无吗| 一起操 91N.com| 丁香五月婷婷偷拍| 五月天久久婷婷婷| 丁香五月欧美色综合| 婷婷五月天激情网| 天天色天天爱天天舔| 就爱啪啪婷婷| 亚洲最大激情无码| 青青青在线视频国产| 无遮挡国产高潮视频免费观看| 五月停停大香蕉| 涩涩激情五月婷婷| 色色操| 爱的综合网| 激情综合色播| 久久精品99国产精品日本| 亚洲精品a成人在线播放| www.激情五月天.con| 久久久久久99精品无码| 五月天激情婷婷五月天久久| 丁香六月激情| 雪千夏麻豆| 99色五月| 久久久久思思热| 丁香五月日韩| 九九九九热99超碰| 亭亭五月丁香综合欧美| 夜色综合网| 四色永久成人网站| 91AV婷婷| 综合久久五月天| 91狠狠综合久久久久久| 国产免费av网站| 五月天丁香婷| 五月天婷婷综合免费| 99久热| 久热精彩视频98| 狠狠第四色| 五月丁香综合伦理片| www.夜夜操.com| 狠狠狠狠狠干| 久久综合婷婷| 色五月婷婷91| 中日韩狠狠色| 天色色综合网| 色婷五月天亚洲| www夜夜| 色色色综合网| 这里只有精品免费在线视频| 狠狠干综合| 丰满人妻妇伦又伦精品国产| 九九精品视频免费在线| 激情色色| 久99热在线观看| 丁香五月久久综合| 校花娇喘呻吟校长陈若雪视频| 婷婷五月18永久免费网站| site:esunnet.com| 99热这里有精品| 激情婷婷视频在线| 色播五月婷婷五月| 五月婷婷丁香日韩在线| 欧美色小说婷婷| 超碰久热| 久久色五月天| 可以免费观看的av| 亚洲激情无码久久| 大香蕉啪啪啪| 婷色成人| 风流少妇A片一区二区蜜桃| 亚洲操逼网| 九色啦蜜臀| 1024人妻无码中文字幕| 亚洲激情97五月天| 久久人妻www| 欧美日本免费一道免费视频 | 男女99免费视频| 欧美日韩国产一二区| 婷婷六月激情啪啪| 免费观看欧美成人AA片爱我多深| 丁香五月成人| 婷婷欧美| 婷婷在线观看五月天在线视频| 婷婷丁香久久| 五月丁香日本片| 久久免片| 色色色视频免费无码 | 午夜成人网站在线观看| 棕合影院色色| 桃色五月天| 婷婷五月电影院| 91日视频| 91操人视频| 91操片| 久人操| 婷婷丁香五月高清| www.婷婷.com| 激情av| AA丁香综合激情| 婷婷激情五月| 色青青视频| 色www久视频| 97精品人人A片免费看| 五月激情丁香五月| 欧美交换配乱吟粗大25P| 婷婷综合网在线| 性做久久久久久久免费看| 欧美激情xxxXX| 欧美色色色| 伊人超碰| 一区二区三区四日本| 色视五月天婷婷| 人妻免费网站| 亚洲免费观看高清完整版AV线| 超碰免费99| 亚洲九区| 五月天影院| 亚洲视频无| 亚洲激情综合| 综合在线丁香五月| 狠狠色丁香婷婷| 狠狠狠狠狠狠色| 综合色播| 欧亚中文A V| 五月丁香六月综合激情| 五月丁香激情综合啪| 99操逼| 天堂婷婷丁香六月网| 亚洲视频久久| 五月香婷婷| 中文字幕日韩无码制服诱或| 综合九九久久| 久久精品国产一区二区三区四区| 日日天天干| 99视频在线观看视频| WWW.99热| 超碰免费人| 五月天综合久久| 丁香六月激情| 日噜噜色| 超碰人妻在线| 欧美色色色色色色色色色色| 五月色情婷婷开心五月色情| 婷婷五月天AV在线| 大色鬼综合| 99热都是精品| 色色色色av777| 欧美久久久久久久久中文字幕| 碰碰女| 热这里只有精| 思思热久久艹| 奇米影视在线视频| 亚洲无AV在线中文字幕| 99在线视频播放| 五月天综合区| 五月天婷婷色在线视频免费观看 | 人妻AV在线| 色五月激情基地| 99综合一区| 蜜桃五月天| 99热a片免| 久热2025无码| 无码人妻电影| 丁香密臀AV激情网| 沈娜娜av| 丁香五月激情视频在线| 久综合色| 丁香花成人区| 久综合九综合99| 99爱精品| 国产操碰| 色色亚洲五月天| 丁香五月第九色| 99久久99视频| 色九九九九| 国内一级片| 天天干天天操天天拍| 欧美激情综合色综合色| 欧美毛片www| 91婷婷色五月| 国产精品成人AV在线| 婷婷中合| 国产午夜成人免费看片无遮挡| 亚洲欧美综合7777色婷婷| 俺也去综合| 欧日美女Va| WWW·色色色·COM| 九九色播五月丁香| 欧美毛卡| 99狠狠| 五月激情综合婷婷| 91丁香婷婷综合久久欧美| 99综合| www.99精品在线| 狠狠草狠狠草| 五月天伊人综合| 天天干天天操天天上| 日本九九九九| 99ri精品| 免费视频无码| co超碰在线观看| 午夜少妇在线观看视频| 99ER热精品视频| 五月婷婷综合在线| 日韩精品AV一区二区三区| 秋霞性爱AV| 五月丁香欧美综合| 激情文学五月丁香六月婷婷| 六月婷婷在线| 性综合网| 五月丁香好婷婷A片网| 老师高潮流白浆喷水的A片| 天天射夜夜爽| 人人色性网| 婷婷激情丁香五月天综合| 天天开心天天色| 国产五月天婷婷| 9999综合99综合人| 色七七九九| 欧美色碰| 五月伊人网| 综合久久综合久久| 五月激情另类| 天天操天天日天天操| 日日日影院| 日韩欧美骚货| www.色综合.com| 国产精品色婷婷久久久精品| 26uuu精品一区二区| 99热国产这里只有精品| 国产午夜精品一区二区三区四区| 婷婷五月丁香基| 4438亚洲欧美| www.97碰碰com| 六月婷婷综合激情| 亚色网站小视频| 婷婷五月天成人动漫 | 99久久玖玖| 亚洲在线视频321| 91丁香五月| 亚洲在线操| 大香蕉啪啪啪| 激情久久五月网| 这里只有精品9| 五月丁香中文| 天天综合色| 最近中文字幕2019视频1| 久久综合26p| 五月婷婷精品视频| aaaaa黄色| 99热精品一区| 五月天色婷婷综合| 91精品综合久久久久久五月丁香| 疯狂做受XXXX高潮A片动画| 天堂美国久久| 色综合久久44| 色婷婷丁香五月综合| 五月丁香婷婷综合网| 丁香五月久久| 亚洲精品又粗又大又爽A片 | 久久狠狠干| 久鲁鲁色网 | 婷婷六月丁香激情| 5月婷婷激情在线| 久久婷婷丁香| 99ri网站在线观看| 久久9视频| 热的无码综合视频| 日韩成人网址| www.色情五月天.com| 九九操操| 丁香五月在线播放| 亚洲激情久久| 无码动漫AV| 婷婷五月蜜桃成人桃色丁香| 五月亭亭狠狠| 五月丁小婷婷激情四射| 91美女被操| 一级A片天天操夜夜操| 日韩综合久| www久久久久久久久久久| HD久久精品视频| 五月天婷婷色紫薇阁| 亚洲99精品欧美一区| 婷婷大香蕉| 精品婷婷丁香五| 婷婷精品| 五月欧美丁香在线观看| 超碰人人在线观看| 日韩 欧美 国产 一区 二区| 日本五月婷婷| 99色人| 超碰超碰在线| 色玖玖综合| 天天揷综合网| 亚洲成色综合网站免费观看| 亚州精品色情无码A片| 色色综合视频| 图片区 小说区 区 亚洲五月| 久久综合色五月| 丁香六月天婷婷色| 国产精产国品一二三在观看| 五月丁香999| 色情五月综合婷婷| 新激情五月天| 欧美、日韩、中文、制服、人妻| 天天干天天爽天天操| 专区无日本视频高清8| 91碰超| 五月天狠狠干| 日韩av变天就操逼不卡区| 成人AV在线电影| 色婷婷久久综合久色综| 伊人喵咪a V| 色六月婷婷| 五月婷婷丁香俺日污视频| 精品国产AV色一区二区深夜久久| 综合激情五月四射婷婷| 97久久久| 亚洲综合色色| 婷婷射丁香| 成人国产网站| 五月天激情久久| 波多婷婷久久| 五月天中文网| 九九99精品免费播放| 婷久看人爽| 色婷婷综合视频| 久热伊人| 婷婷爱五月| 99热这里只有精品1025| 亚洲综合网 665566| 日本久久99久久| 免费看成人747474九号视频在线观看| 开心婷婷五月天激情网| 激情九九九九| 狠狠狠狠狠干| 欧美日韩国产伦精品日韩人妻一| 站长推荐无码播放| 婷婷五月天激情网| 思思热视频在线观看| 久热一本| 噜噜视频| 激情综合网,五月| 色婷婷丁香五月| 久久66er久久| 99噜噜噜在线播放| 开心五月天激情| 99精品丁香五月| 国产婷婷综合| 激情精品久久| 五月婷婷六月天| 九九人人自拍| 99综合| 99思思在线视频| 思思热在线视频精品| 天天骑日日爽| 五月激香蕉网| 天天射影院| 色五月天丁香婷婷| www激情| 亚洲婷婷婷| 丁香五月玖玖| 欧洲亚洲免费视频9| 三级黄网站| 色综合天天| 五月婷婷色丁香| 日韩AV无码影片| 丁香五月婷婷激情中文| WWW,五月| 婷婷中文字幕| 精品无码99| 国产亚洲成人综合| 婷婷色在线| 狠狠肏综合网| 婷婷色五月天色| 欧美大香蕉视频| jiujiu热在线视频| 68热超碰在线| 色婷网| 亚洲激情无码久久| 亚洲在线成人| 丁香五月婷婷基地| 五月色婷婷综合| 99热免费精品| 午夜不卡久久精品无码免费| 婷婷五月天国产在线播放| 97在线碰| www久久久久久久久久久久久久久久久| 五月六月婷| 亚洲综合字幕色色| H亚洲| 婷婷五月香蕉| 色爱终和网| 99男人天堂| 99亚洲精品| 激情网五月| 色色网站在线免费观看视频| 碰碰碰91| 99国产精品白浆在线观看免费| 婷婷色情六月| 天天爽天天爽天天爽天天爽天天爽| 丁香婷婷激情网站| 婷婷激情五月综合| 五月婷婷婷婷| 欧美天天干五月丁香| 激情丁香五月AV| 五月激情在线| 亚洲乱码在线观看| 五月丁香六月婷婷婷婷| www.婷婷五月天,com| 9在线9在线婷婷在线国产| 99免费视频| 伊人在线视频| 婷婷五月综合视频| 99视频久久免费视频| 亚州精品成人片| 国产精品久久久久久久久久| 香蕉综合在线| 丁香色婷婷| 思思视频精品| 亚洲中文字幕网| 五月天基地| 成人超碰网| 丁香六月在线| 婷婷在线综合| 激情丁香五月婷婷| 激情五月丁香综合网站 | 99热免费| 五月天婷婷在线播放免费| 夜夜爽天天| 九色91美女| 丁香花五月天社区| 九月激情婷婷丁香| 精品国产乱码久久久久夜深人妻| 亚洲成人一区| 玖玖婷婷色五月| 五月丁香龟婷婷| 六月激情婷婷综合| 婷婷欧美偷拍综合| 色99网| 偷拍九九五月丁香婷婷| 丁香五月色激情| 在线视频婷婷| 精品人妻在线免费观看| 免费观看全黄做爰的视频| 五月丁香综合激情| 婷婷激情图片| 99热亚洲精品| 亚洲色五月| 国产欧美第五十五页| 天天操天天曰| 激情五月天小说网| 五月婷婷啪啪综合网| 久久视频在线| 激情五月丁香五月| 婷婷成年人免费视频| 97婷婷五月| 噜噜噜精品欧美成人在线观看| 色爱99| 亚洲美女婷婷五月天| 婷婷综合五月| 五月丁香六月久久| 蜘蛛女免费观看完整版高清电影| 天天日夜夜高潮| 亭亭丁香aV| 精品九九在线观看视频| 精品无码av丁香五月激情| 五月丁香婷婷色| 欧美日韩91| 精品久热| 色五月激情问网站| 色婷婷激情小说网| 久久婷婷五月丁香| 色色色成人网| 久热伊人| 在线观看免费视频| 色啪久| 七七久久婷婷| 夜夜大香蕉婷婷丁香| 五月丁香久久网| 久99视频| 狠狠狠狠狠狠草| 色婷婷色情| 色五月婷婷久久| 天天日天天插| 99免费| 双性美人被调教到喷水A片| 欧美怡红院黄站| 91综合视频丁香| 五月天怕怕| 欧美色色色色色色色| 亚洲区,视频区,视频区免费| 丁香五月婷婷综合视频| 五月婷婷性| 91九色熟女| 色五月婷婷网| www.夜夜爱.com| 色综合狠狠色| 丁香亭亭久久| 色婷婷五月天不卡| 91婷婷丁香五月| 天天日夜夜| www.99操.com| 五月综合久久| 色情五月停停丁香| 99久久99九九99九九九| 婷婷五月丁香五月基地| 婷婷情色五月天| 97丁香五月天| 色五月在线播放| 六月丁丁香| 婷婷婷久久| 久热欧美| 天天综合亚洲| 天天日天天舔| 欧美啪啪五月天| 亚洲午夜精品久久久久久人妖| 天天天天天天天操| 久久精品性爱| 丁香五月 激情文学| 天天综合网、天天综合色| 这里只有精品视频在线看| 五月婷亚洲精品AV天堂| 99久久综合狠狠综合久久| 日本久久性| wwccc久久久| 久热这里只有| 超碰色碰碰| 九九五月天| 久久A V无码视频| 激情www| 一本九九色| 久久五月六月| 999激情视频| 婷婷五月,综合伊人| 色色五月天婷婷| 深爱激情综合网| 亚洲乱码日产精品BD在线观看| 9久久精品视频| 久草五月天电影网| 色婷婷五月在线| 99碰在线视频| 麻豆五月丁香婷婷| 五月综合视频| 黄色精品五月婷婷| 精品成人a v无码内射| 五月丁香| 香蕉久久国产AV一区二区| 丁香六月色婷婷| A片试看50分钟做受视频| 亚洲免费99| 另类激情五月| 国精产品一区一区三区免费视频| 金桔一区二区ab地址| 五月天开心网| 久久婷婷五月综合一| 丁香六月婷婷综合网| 色五月激情婷婷| 亚洲色激情| 九热视频这里只有精品| 爱久久小说下载网| 99热这里只有精品国产免费| 五月婷婷丁香在线| 六月婷婷激情图片| 日本三级中文字幕| 日本WWW九九九| 婷婷五月视屏| 中文字幕人妻AV| 国产色99| 色色综合五月| 激情五月天伊人影院| 五月丁香久久综合91| 激情合网婷婷| 九九九九操逼| 丁香五月丁香伊人| 狠狠色综合网| 深爱激情九九五月天 | 曰本久久女| 俺去也在线官网| 久久精品99国产精品日本| 熟女激情网| 日本狠狠色| 丁香五月激情宗合| 激情五月综合网| 小视频在线亚洲| 丁香五月天激情综合| 亚洲激情免费久久| 精品无码久久久久久久久| 婷婷五月蜜桃成人桃色丁香| 噼里啪啦在线观看免费完整版视频 | 久久久国产精品黄毛片| 婷婷五月天伦理| 激情色播| 综合五月天天天天天五月| 成人草榴视频| 婷婷深爱五月丁香| 99精品在线观看视频| 天天操B| www久| 亚洲操操操| 色插综合网| 亚洲人操亚洲人| 99re热视频这里只精品5| 久久婷婷大香蕉| 九九精品综合| 婷婷丁香五月av| 农村熟妇高潮精品A片| 色六月天| 97婷婷在线| 91性高潮久久久久久久久| 性爱动图国产麻豆一区二区三区| 日本狠狠干| 国产99视频永久免费| 午夜]香婷婷深深爱| 婷婷另类小说| 18av天堂| 色婷婷精| 97精品欧美91久久久久久久| 激情综合99| 五月天偷拍| 成人丁香婷婷五月天| 婷婷狠狠97| 夜夜干天天操| 久久婷婷五月综合啪| 九伊人网| 婷婷丁香久久| 舔色婷婷| 狠狠艹狠狠艹| 亚洲图色五月天| 六月婷婷激情| 综合综合网| 五月丁香色婷婷久久| 黑人糟蹋人妻HD中文字幕| 99av视频| 狠狠干五月天婷婷网| 国内自拍1区| 综合啪啪| 99这里是精品| 婷婷色在线| 99ER热精品视频| 九九综合色综合| 五月丁香综合久久| 日韩色五月| 国产,欧美,学生妹,视频| 热99在线精品| 无码婷婷五月天| 丁香六月狠狠干| 碰99在线| 五月天色丁香| 人人摸人人| ji'qing'luan'ren'lun| 97色热| 五月丁香色欲| www.久久| 婷婷色色婷婷| 亚州日本欧州韩美高青高潮一| 91干在线| 九九色网| 国产精品久久久久久久久久| 99激情| 强奸幻女毛片| 夜精品无码A片一区二区蜜桃| 激情久久久久久久久久| 亚洲精品五月| 欧美又粗又大一区二区在线观看| 色综合狠狠色| 丰滿爆乳一区二区三区| 丁香色色网| 久久婷婷国产| 这里只有精品1| 5月婷婷性视频| 婷婷色婷婷亚洲成人| 五月激情综合性爱| 久久这里只有精品视频15| 欧美婷婷| 婷婷香五月天| 中文资源在线a| 噜噜色噜噜网| 五月天婷婷深深爱| 色婷五月丁香久亚洲| 九九热色视频| 大香蕉五月天婷婷| 182TV亚洲| www.九九婷婷| 1024人妻无码中文字幕| 刘玥av在线| 成人做爰高潮A片免费视频| 婷婷五月天AV| 激情综合网址| 色私五月婷婷| 99热8| 国产91九色| 久久这有这里精品| 日本天天操| 99视频精品| 婷婷五月天综合网| 色噜噜狠狠色综合成人网| 都市激情五月婷婷亚洲| 国产99久9在线+|+传媒| 婷婷五月天激情五月天| 婷婷香蕉精品| 丁香五月av在线| 婷婷激情五月呦呦| 玖玖福利视频资源| 亚洲9久久精品| 黄色成人AV在线| 久久成人人妻| 自拍视频在线观看9| 91色情播放| 香蕉久久五月| 婷婷五月综合体验看| 综合网啪| 棕合影院色色| 67194成I人在线观看线路1 | 久操大香蕉| 色噜噜婷婷| 色99视频| 天天爽人人爽| AV片在线观看| 亚洲视频色婷婷| 黑人熟妇一区二区三区| 青草五月天| 99riAV国产精品视频| 久久人人九九| 思思99热热热99| 黄桃AV无码免费一区二区三区| 五月开心婷婷中文字幕| av大片在线| 久久人妻www| 大香蕉七区| 在线另类| 极品人妻videosss人妻| 久久九九re热| 伊人啪啪网| 激情五月综亚网| 色婷婷小视频| 久久色天堂| 成人必爱视| 人操91在线| 一起草Av| 久久成人综合五月天| 91啦丨九色丨刺激中文| 婷婷性爱网| 丁香六月天婷婷色| 激情AV中文| 五月丁香免费看| 午夜不卡成人一区二区| 任你干嘛免费视频播放| 久久电影4399| 99热99精品在线观看| 色月丁| 婷婷五月天综合在线| 天天爽综合| 色婷婷免费视频| 2025超碰| 精品久热| 狠狠色噜噜狠狠| 国产精品久久..4399| 综合aV在线| 丁香啪啪| 色狠狠综合入口| 九月婷婷| 丁香五月性爱爱五月| h在线看免费版在线看| 六月色国内综合| 大香蕉久操| 微拍92| 激情丁香五月| 天天射影院| www.人人操人人看人人想人人摸 人人人人操,COM| 激情五月婷婷视频一区二区三区| 极品人妻VIDEOSSS人妻| 日韩一级网站| 亚州精品久久久久AV无码| 大香蕉综合| 六月色婷婷综合影视| 亚洲综合另类| 人妻综合网| 婷婷婷婷婷婷婷五月丁香| 天天性视频| 97人人看一| 亚洲一二三网| 97精品综合久久| 色色狼人综合| 激情六月婷| 色宗合,宗合网| 欧美日韩99| 夜色综合网| 婷婷五月综合基地| 强壮公让我夜夜高潮A片视频| 丁香五月天.com| 婷婷五月天久久| 亚洲综合色五月| 久久老码第一| 99热国产| www..999热久| 色综合丁香婷婷| 91人人爽人人操| 玖玖婷婷色欲| 影音先锋美国A| 五月香婷婷| 五月天婷婷基地| 成人va在线播放| 国产精品视频免费看| 综合图片色色| 亚洲99热| 日本va欧美va国产激情| 九九亚洲视频| 俺去啦综合网| www.lingjunshare.com| 六月丁香深深爱| 99爱视频在线免费观看| 狠狠色激情在线| 九九视频这里只有精品在线播放| 伊人影音无码一区二区三区| 丁香五月久久| 综合性视频99| 少妇人妻偷人精品无码视频新浪| 五月丁香综合啪啪| WWW.99视频| 伊人大香蕉在线视频| 人人干Av| 玩熟女五十AV一二三区| 婷婷五月丁香综合激情小说| 久色激情| 最新热中文字幕| wwwss在线观看| 99亚洲天堂| 激情综合无码| 成人五月天丁香| 性色婷婷| 永久免费视频| 91九色首页| 久久99网站| 色五月综合激情| 婷婷欧美综合| 激情婷婷| 这里只有精品在线视频精品| 五月激情婷婷在线| 色 免费网站视频| 99re视频在线播放| 国产成人网址| 五月丁香婷婷综合| 99re这里只有精品9| 九九热精品视频| 亚洲第一色色色色| 这里有精品| 五月丁激情| 在线18av | 婷婷久久六月天| 久久久久久久久18久久| 婷婷五月天香蕉| 狠狠 久久| 五月天 婷 欧美亚洲| 二色AV| 久久久免费精彩视频| 色婷丁香五月| 五月婷婷色欲| 99视频在线观看网址| 99性色| 五月天婷婷社区久久综合| 毛片新网地| 欧美 日韩 成人在线| 成人AV在线电影| 能看的AV网站| 丁香婷婷综合喷| 婷婷五月天亚洲五码| 99re热视频这里只有综合亚洲| 99精品视频在线观看| 狠狠va| 色婷婷小视频| 五月婷婷亚洲| 丁香五月色色色色| 国产av一区二区三区| 亚洲精品激情| 日韩无码91| 亚洲色五月天| 呦呦视频无码播放| 精品九九网| 九九热精品| 久久成人天| 在线99精品| 天天色视频| 婷婷丁香五月天小说| 色五月婷婷AV| 五月天激情国产综合婷婷婷| 婷婷丁香基地在线| 人人操操| 国产AV一区二区三区日韩| 婷婷丁香人妻天天| 久久性操| av国产精品| 婷婷九月亚洲| 色婷婷欧美在线| 丁香五月激情啪啪啪| 色五月丁香伊人五月| 国产在线视频1234| 丁香五月影院| 99re思思热久久| 久久草大香蕉| 老美AA片| 亚洲无码yw| ji'qing'luan'ren'lun| 婷婷第一页| 六月天婷婷| 看全色黄大色大片| 天天色综合色| 伊人婷婷91| 中文成人在线| 色五月婷婷av| 狠狠色噜噜狠狠狠888了| 伊人五月天97| 亚洲成av人影院| 丁香五月婷婷五月| 九玖视频这里只有精品| 婷婷丁香综合色AV| 日日干夜夜干| 天天噜| 日本在线免费中文com.| 大香蕉99| 97超级碰| 午夜天堂啪啪| 99热6色| 色五月xxx| 香蕉伊人综合| 牛牛热这里只有jingpin| 免费五月婷婷网| 色婷婷婷av| 天天干,天天操,天天射| 精品一二三区久久AAA片| 老司机伊人| 国产综合网在线| 五月天婷五月天综合网在线观| 色色五月天婷婷丁香| 丁香狠狠色婷婷久久无码视频| 色婷婷久久综合中文久久一本| 天天日天天爽夜夜爽| 亚洲五月丁| 五月丁香婷婷色| 久久天堂婷婷五月| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | 双性美人被调教到喷水A片| www.婷婷五月| 亚洲中文乱字字幕在线永久| 五月丁香狠狠爱婷婷综合| 超碰成人免费| 99操久久| 婷婷丁香五月社区亚洲| 五月丁香六月婷婷,婷| 任你爽精品免费视频6| 青青草五月天| 日日干日日s| 六月欧美综合色情| 97操在线视频| 超碰国产av| 中文字幕人妻AV| 亚洲99热| 99操逼视频| 欧美成人A片AAA片在线播放| 欧美亚洲999| 日韩精品一区二区三区,四区,五区视频| 人人爽人人爽人人爽人人爽| 夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂亚洲亚洲亚洲亚洲亚洲亚洲亚洲亚洲色 | wwwav大香蕉| 婷婷五月天激情五月天网站| 狠狠干狠狠操狠狠爱| 亚洲乱码w在线观看| 干一干xxxx| 婷婷激情性爱| 色激情综合狠狠婷婷| 色色亚洲| 丁香五月成人在线| 99色五月| 97色色色| 狠狠色噜噜狠狠狠888了| 激情婷婷视频在线| 久久a热| www,五月丁,com| 丁香视频| 97在线碰| 色情五月天首页| 亚洲欧美国产A片免费观看| 99色干| 开心四月婷婷在线色播播| 亚洲人成网站999综合| 国产激情在线| 色婷婷丁香五月天在线视频| 伊人五月综合网| 色综合色色| 五月成人网天天| 丁香五月AV| 久久九九99| 思思 热 99| 成人短视频在线观看| www.久操| 久久99网| 深爱五月网| 色欲天天综合| 午夜不卡久久精品无码免费| 玖玖五月丁香| 狠狠干五月丁香| 亚洲成人无码网站| 777影视理论片大全在线观看| 色色色.COM| 站长推荐无码播放| 色婷婷91激情小说| 久久99热这里只有精品| 五月丁香六月婷婷开心网| 色综久久久| 久久综合影院| 丁香五月天操B| 狠狠干综合| 五月天婷婷婷| 婷婷五月天777| 中文字幕av在线播放| ww超碰在线| 婷婷丁香社区| 我爱大香蕉| 久久色五月天| 丁香五月色情| 人人草公开操| 99ri在线视频| 亚洲Av成人在线观看| 色色色色热| 久久天天| 密桃激情五月天综合网| sesesesezonghe| 91在线日本| 99啪视频在线观看| 超碰97在线操| 五月丁香久久| 丁香激情网| 五月天婷婷基地| ss视频xx91| 五月婷婷欲色| 五月社区丁香| 欧洲激情网站| 婷婷九月激情| 伦99热| 激情美女五月天激情在线| 五月婷婷成人网首页| www.激情五月天。com| 伊人婷婷大香蕉| 五月天久久小说| 思思久久99热只有频精品66| 婷婷五月天视频| 久久停停超碰| 能看的AV| 天天激情欧美美女| 久久色五月天激情小说| 夜夜夜夜撸夜夜操| 欧美色五月天| 婷婷涩五月天综合| 激情五月婷婷综合色播小说| 激情五月天在线观看色婷婷| 五月天激情影院| 成人永久免费视频在线观看| 久久日九九| bukadeavzaixian| 日韩精品无码AV| 婷婷五月天综合久久日美女| 天天日天天插| 亚洲精品亚洲人成人网| 久草热在线视频| 激情五月天 婷婷| 97色色色色色| 五月婷婷啪啪| 99热91| 三级三久久线久久99久目本WW| 五月丁香啪啪啪啪| 婷婷六月综合激情| av九九| 丰满少妇猛烈A片免费看观看| 中文字幕免费高清电视剧| 国产精品成人AV在线观看春天| 综合色色婷婷| 五月天另类视频| 久9热| 99国产99| 丁香激情五月少妇| 9有码中文| 五月色丁香综合| 丁香五月亚洲无码| 激情5月天天天| 天堂综合久| 婷婷五月成人| 拍真实国产伦偷精品| 婷婷丁香五月天之开心少妇| 亚州精品成人片| 日本视频99| 久婷婷五月丁香在线观看| 丁香五月亚洲无码| 五月丁香花开综合网| www.人人操人人看人人想人人摸 人人人人操,COM| 深爱五月天婷综合| 五月人妻婷婷| 丁香五月婷婷基地| 激情综合久久| 91九色PORNY肉丝在线| 婷婷久久天堂网| 91色在线/日韩| 99re在线观看视频| 日本理论久久| 五月天久久小说| 综合久久五| 野外99热| 丁香啪啪| 丁香六月天之亚州热女| 激情六月婷婷| 狠狠色综合网| 亚洲无码黄色| 五月天色婷伊人| 五月丁香五月婷婷在线观看| 色伊人婷婷| 超碰免费成人网站| 欧美色偷偷大香| 丁香激惜男女| 亚洲精品大片| 四川BBB搡BBB搡多人乱亂| 91丨九色丨国产在线| 五月天无码| 色吧五月婷婷| 能看的AV| 啪啪五月综合| 婷婷丁香基地在线| 五月丁香啪啪婷婷| 色九月丁香婷婷蜜桃在线观看| 婷婷色播婷婷| 99精品大片| 91欧美| 五月丁香婷婷综合视频| 五月丁香激情婷婷综合| 五月丁香黄色视频| 1024久婷| 色五月婷婷激情五月| 91偷拍视频| 激情五月天久久| 99久久精| 日本婷色| 成人AV播放| WWW五月婷婷| 色色日本| 91九色PORNY肉丝在线| 久久这里只有精彩| 日韩啪| 91九色白丝| 婷婷五月天丁香社区| 色综合久久88色综合中文字幕| 亭亭玉月丁香| 乱精品一区字幕二区| 色婷婷六月天| 日本人人xxx| 成人免费超碰| 无码天天操| 激情五月综合网| 日韩精品一品二区三区的使用体验| 欧日美女Va| WWW.17C亚洲精品| 中文字幕婷婷9月天| 日本人人干| 色色色.COM| 天堂伊人干| 亚洲欧洲色色| 欧洲毛片基地c区| 99热在线观看99| 永久地址 色| 精品国产AV色一区二区深夜久久| 另类在线| 婷婷久久五月天丁香| 五月天婷婷色色首页| 激情综合婷婷| 国产99久久久国产精品免费看| WWW.激情| 色色综合网站| 久久综合激情五月天| 色噜噜五月天|