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。

遙感影像滑坡場景分類:從GLCM特征到SVM的完整決策鏈

遙感影像滑坡場景分類:從GLCM特征到SVM的完整決策鏈 簡介面向畢業(yè)設(shè)計(jì)、課程設(shè)計(jì)與項(xiàng)目開發(fā)場景這套基于Python的遙感影像滑坡場景分類代碼與項(xiàng)目文檔提供了一個可直接運(yùn)行的完整參考方案。項(xiàng)目核心是利用SVM分類器完成滑坡場景識別技術(shù)路線清晰先從遙感影像中提取光譜特征平均值、標(biāo)準(zhǔn)差與GLCM紋理統(tǒng)計(jì)特征隨后運(yùn)用K-Means算法對特征向量聚類形成視覺單詞再借助LDA主題模型對視覺詞袋作主題分析得到抽象的高層特征并存儲為Libsvm格式的訓(xùn)練樣本最終調(diào)用Libsvm工具完成分類。源碼經(jīng)過嚴(yán)格測試配有項(xiàng)目說明文檔便于讀者理解算法流程并二次開發(fā)。資源包共21個文件壓縮后僅1.86MB包含Python源碼、模型文件model、pkl、state、npy、文本數(shù)據(jù)與說明文檔等體量輕巧目錄結(jié)構(gòu)清楚。目前已有56人學(xué)習(xí)下載適合作為遙感圖像處理、機(jī)器學(xué)習(xí)類畢業(yè)設(shè)計(jì)或課程設(shè)計(jì)的實(shí)戰(zhàn)藍(lán)本。1. 遙感影像滑坡場景分類從一塊影像到SVM的完整決策鏈做滑坡災(zāi)害調(diào)查時最耗人的不是外業(yè)而是內(nèi)業(yè)看圖——從一堆高分遙感影像里把滑坡區(qū)域框出來。這個基于 Python 實(shí)現(xiàn)的遙感影像滑坡場景分類項(xiàng)目解決的正是這件事它不靠人去逐塊標(biāo)注而是把影像切塊、提特征、聚簇、主題抽象最后交給 SVM 分類器判定每一塊是不是滑坡場景。整條鏈路包括特征提取、特征聚類、LDA 主題抽象和 Libsvm 分類四個環(huán)節(jié)源碼加項(xiàng)目文檔都在壓縮包里適合畢業(yè)設(shè)計(jì)、課程設(shè)計(jì)也適合想快速上手遙感影像分類做橫向項(xiàng)目的開發(fā)者。亮點(diǎn)是它沒有用深度學(xué)習(xí)而是走視覺詞袋加主題模型的經(jīng)典路線特征可解釋性強(qiáng)、訓(xùn)練不需要 GPU對滑坡這種樣本量不大的場景反而更穩(wěn)。2. 特征提取與視覺詞袋GLCM參數(shù)和K-Means聚類怎么配2.1 光譜特征為什么選均值加標(biāo)準(zhǔn)差遙感影像分類的第一步是把影像變成數(shù)字。項(xiàng)目在 py_files/feature.py 里做特征提取光譜特征只取兩個統(tǒng)計(jì)量每個波段的平均值和標(biāo)準(zhǔn)差。平均值代表整體亮度標(biāo)準(zhǔn)差代表波段內(nèi)的起伏程度——滑坡區(qū)通常植被少、裸土多光譜曲線和周圍林地差異明顯但單看某一個像素容易受陰影、云影干擾所以取整塊的統(tǒng)計(jì)量更穩(wěn)定。常見做法是先對影像做切塊每塊大小固定比如 64×64 或 128×128 像素然后逐波段算均值與標(biāo)準(zhǔn)差。如果影像有三個波段特征維度就是 3×26 維。這部分代碼核心邏輯如下# py_files/feature.py 中光譜特征提取的邏輯片段 import numpy as np def spectral_features(img_block, band_count3): feats [] for b in range(band_count): band img_block[:, :, b] feats.append(np.mean(band)) # 平均值反映整體亮度 feats.append(np.std(band)) # 標(biāo)準(zhǔn)差反映波段起伏程度 return np.array(feats) # 返回 2*band_count 維特征這段代碼里band_count 默認(rèn) 3對應(yīng) R/G/B 或 R/G/NIR 波段。np.mean 和 np.std 分別算均值和標(biāo)準(zhǔn)差順序是先均值后標(biāo)準(zhǔn)差每個波段貢獻(xiàn)兩個維度。如果你拿到的是多光譜影像比如 8 波段直接把 band_count 改成 8 就行特征維度會自動變成 16。注意一點(diǎn)影像塊在送入這個函數(shù)前最好先做大氣校正或歸一化否則不同時相的影像亮度差異會直接影響均值特征這是遙感分類最容易翻車的地方。2.2 GLCM紋理特征距離、方向、灰度級怎么定光譜特征只捕捉顏色信息區(qū)分不開裸土和水泥地這種顏色相近、紋理不同的地物所以項(xiàng)目引入了 GLCM灰度共生矩陣紋理特征。GLCM 統(tǒng)計(jì)的是圖像中相距一定距離、方向的兩個像素對出現(xiàn)的頻率它能反映紋理的粗糙度、對比度和規(guī)則性?;麦w表面往往是碎屑堆積紋理比完整林地要雜亂得多這正是 GLCM 擅長捕捉的信息。項(xiàng)目里用到了多個統(tǒng)計(jì)值包括對比度、相異性、同質(zhì)性、能量、相關(guān)性和 ASM角二階矩每個統(tǒng)計(jì)值從不同角度描述紋理。相關(guān)實(shí)現(xiàn)如下# py_files/feature.py 中 GLCM 紋理特征提取 from skimage.feature import graycomatrix, graycoprops def texture_features(gray_img, distances[1], angles[0, np.pi/4, np.pi/2, 3*np.pi/4]): glcm graycomatrix(gray_img, distancesdistances, anglesangles, levels256, symmetricTrue, normedTrue) props [] for key in [contrast, dissimilarity, homogeneity, energy, correlation, ASM]: props.extend(graycoprops(glcm, key).flatten()) return np.array(props) # 6個統(tǒng)計(jì)量 x 1個距離 x 4個方向 24維參數(shù)上distances 取 1 意味著只統(tǒng)計(jì)相鄰像素的灰度關(guān)系適合識別滑坡體這種中等尺度的紋理如果影像分辨率高紋理很細(xì)碎可以試 distances[1, 3, 5] 把三個尺度的紋理串起來。angles 取四個方向是為了消除方向性偏差滑坡紋理不一定有主方向四個方向平均更穩(wěn)妥。levels256 對應(yīng) 256 級灰度注意輸入圖像必須是灰度圖且值域在 [0, 255] 內(nèi)否則 graycomatrix 會直接報(bào)錯。最終 GLCM 特征維度是 6×1×424 維加上前面光譜的 6 維單塊影像的特征向量就是 30 維。2.3 K-Means聚類成視覺詞袋K值是核心參數(shù)特征提出來后每個影像塊是一條 30 維的特征向量。但直接拿這種向量做分類缺少場景層面的語義。項(xiàng)目采用視覺詞袋思路先對所有影像塊的特征向量做 K-Means 聚類把特征空間切成若干簇每個簇中心就是一個視覺單詞?;聢鼍袄锍R姷慕M合是高亮度高紋理對比度低同質(zhì)性聚類后這些組合會自然落到某個簇里。K-Means 的實(shí)現(xiàn)很簡單但 K 的取值直接影響分類效果# py_files/generate_samples_and_labels.py 中K-Means聚類的關(guān)鍵邏輯 from sklearn.cluster import KMeans kmeans KMeans(n_clusters300, random_state42, n_init10) kmeans.fit(all_feature_matrix) # 形狀為 (N_samples, 30) visual_dict kmeans.cluster_centers_ # 300 x 30即視覺詞典 # 為每個樣本打上視覺單詞編號 word_ids kmeans.predict(all_feature_matrix)n_clusters 就是視覺詞典的大小。這個值不能太小太小了區(qū)分度不夠不同地物落到同一個簇也不能太大太大了每個簇只有零星樣本詞袋向量會很稀疏。對滑坡分類這種類別少、樣本量幾百到幾千的任務(wù)我一般取 200 到 300先跑一輪分類看準(zhǔn)確率再微調(diào)。random_state42 是固定隨機(jī)種子保證每次聚類結(jié)果一致方便復(fù)現(xiàn)實(shí)驗(yàn)。n_init10 是讓 K-Means 用 10 個初始中心各跑一次取最優(yōu)結(jié)果避免陷入局部最優(yōu)。聚類完成后每個影像塊就變成一個單詞編號整幅影像就變成一段單詞序列這為下一步 LDA 主題分析準(zhǔn)備了原料。3. LDA主題抽象與libsvm格式特征如何變成SVM能吃的樣本3.1 從視覺詞袋到LDA語料視覺詞袋只是把每個影像塊映射成單個單詞它缺少上下文信息——一塊滑坡影像中出現(xiàn)的視覺單詞組合是有規(guī)律的比如碎石紋理單詞裸土光譜單詞低植被單詞經(jīng)常同時出現(xiàn)。LDA 模型就是用來捕捉這種共現(xiàn)規(guī)律的。LDA 把每個影像塊看成一篇文檔文檔由多個主題混合而成每個主題是視覺單詞上的概率分布。訓(xùn)練完 LDA 后每個影像塊可以用一個主題分布向量表示這個向量就是高級特征。項(xiàng)目里 models/visual_lda.model 就是訓(xùn)練好的 LDA 模型models/visual_dict 是視覺詞典。實(shí)現(xiàn)時用 gensim 庫# py_files/data_tool.py 中LDA訓(xùn)練的典型流程 from gensim import corpora, models # bow_corpus 是詞袋語料每個樣本是 [(word_id, count), ...] 形式 dictionary corpora.Dictionary([word_ids_list]) # 提前構(gòu)建詞典 bow_corpus [dictionary.doc2bow(doc) for doc in word_ids_list] lda models.LdaModel( corpusbow_corpus, id2worddictionary, num_topics20, # 主題數(shù)滑坡任務(wù)一般10~30 passes10 # 迭代輪數(shù)越大越收斂但越慢 ) lda.save(models/visual_lda.model)num_topics 是 LDA 最重要的參數(shù)。對滑坡場景分類來說類別就滑坡/非滑坡兩類但主題數(shù)不能只設(shè) 2因?yàn)榉腔吕锩孢€包含林地、水體、農(nóng)田、人工建筑等多種場景20 個主題讓每個場景有自己獨(dú)立的主題分布SVM 才分得開。passes 控制訓(xùn)練輪數(shù)數(shù)據(jù)集小的時候 10 輪足夠數(shù)據(jù)集大了可以提到 20。一個容易被忽略的點(diǎn)是LDA 訓(xùn)練用的語料必須是詞袋格式也就是每個樣本是 (word_id, count) 的列表而不是直接的單詞編號數(shù)組doc2bow 就是做這個轉(zhuǎn)換的。3.2 libsvm格式index從1開始是硬規(guī)矩LDA 輸出的主題分布是浮點(diǎn)向量需要轉(zhuǎn)成 Libsvm 的文本格式才能喂給 SVM 分類器。Libsvm 格式是標(biāo)簽 索引:值 索引:值索引從 1 開始且按升序排列。很多初學(xué)者在這里栽跟頭用 Python 的 enumerate 從 0 編號結(jié)果 Libsvm 直接拒絕加載。項(xiàng)目里 training.txt、training2.txt、test2.txt 就是這個格式的樣本文件。轉(zhuǎn)換邏輯如下# 將LDA主題分布轉(zhuǎn)為libsvm文本格式 def to_libsvm_line(label, topic_dist): parts [str(label)] for idx, val in enumerate(topic_dist, start1): # 注意start1 if abs(val) 1e-6: # 過濾接近0的值減小文件體積 parts.append(f{idx}:{val:.6f}) return .join(parts)enumerate 的 start1 是這里的關(guān)鍵少寫這一步導(dǎo)出的文件就是廢的。過濾接近 0 的主題分量子不是為了偷懶而是 LDA 輸出的主題分布里本來就有大量極小值保留它們只會讓文件變大、SVM 訓(xùn)練變慢對精度幾乎沒有貢獻(xiàn)。label 在二分類里通常用 1 表示滑坡、-1 或 0 表示非滑坡具體看 classify.py 里的定義別搞反了。3.3 從原始影像到訓(xùn)練樣本的完整鏈路整個數(shù)據(jù)流向是原始影像 → 切塊 → spectral_features texture_features 拼成 30 維向量 → K-Means 聚類得到視覺詞典 → doc2bow 成詞袋 → LDA 得到主題分布 → 轉(zhuǎn) libsvm 格式寫入 txt。generate_samples_and_labels.py 負(fù)責(zé)前兩步和最后一步data_tool.py 是中間的數(shù)據(jù)組裝角色。實(shí)際跑的時候建議按順序執(zhí)行先跑 generate_samples_and_labels.py 生成采樣樣本再單獨(dú)跑特征提取和聚類最后訓(xùn)練 LDA 并導(dǎo)出 libsvm 文件。不要指望一個腳本全自動跑完遙感數(shù)據(jù)處理中間經(jīng)常要人工檢查中間結(jié)果——比如某個影像塊全是云特征異常得先剔掉再往下走。4. 源碼走讀與復(fù)現(xiàn)路徑classify.py和四個py文件怎么串起來4.1 文件清單與各模塊職責(zé)壓縮包里 py_files 目錄下有四個核心 Python 文件加上 models 里的模型文件和幾個 txt 數(shù)據(jù)文件。先用表格理清職責(zé)文件職責(zé)feature.py光譜特征均值/標(biāo)準(zhǔn)差與 GLCM 紋理特征提取generate_samples_and_labels.py切分影像塊、調(diào)用特征提取、生成訓(xùn)練/測試樣本與標(biāo)簽data_tool.py數(shù)據(jù)加載、預(yù)處理、詞袋構(gòu)建與 libsvm 格式轉(zhuǎn)換classify.pyLDA 模型加載、SVM 訓(xùn)練與預(yù)測主入口models/visual_lda.model訓(xùn)練好的 LDA 主題模型models/visual_dict視覺詞典K-Means 簇中心models/text_clt.pklGLCM 紋理特征的聚類模型models/spec_clt.pkl光譜特征的聚類模型training.txt / training2.txt / test2.txt不同劃分下的 libsvm 格式樣本集注意 text_clt.pkl 和 spec_clt.pkl 的存在意味著聚類過程實(shí)際上分了兩路一路對光譜特征聚類一路對紋理特征聚類而不是像我前面的示例代碼那樣拼在一起聚。這種做法的好處是光譜和紋理的分布尺度差異很大混在一起聚類會被數(shù)值大的特征主導(dǎo)分開聚再合并詞袋更合理。你拿到代碼后可以打開 spec_clt.pkl 看看里面的 n_clusters再和 text_clt.pkl 對比通常光譜聚類簇?cái)?shù)少一點(diǎn)、紋理聚類簇?cái)?shù)多一點(diǎn)。4.2 classify.py 的SVM訓(xùn)練主流程classify.py 是項(xiàng)目入口完成 LDA 特征加載和 SVM 訓(xùn)練。它用 Libsvm 工具包完成分類核心代碼如下# py_files/classify.py 中SVM訓(xùn)練與預(yù)測的核心邏輯 from libsvm.svmutil import svm_train, svm_predict, svm_parameter # 讀取libsvm格式數(shù)據(jù) y_train, x_train svm_read_problem(training2.txt) y_test, x_test svm_read_problem(test2.txt) # 構(gòu)造參數(shù)-t 2 表示RBF核-c 是懲罰系數(shù)-g 是gamma param svm_parameter(-t 2 -c 8 -g 0.5 -b 1) model svm_train(y_train, x_train, param) # 預(yù)測并輸出準(zhǔn)確率 p_label, p_acc, p_val svm_predict(y_test, x_test, model) print(準(zhǔn)確率:, p_acc)svm_read_problem 把 libsvm 文本文件解析成 Python 的列表結(jié)構(gòu)y 是標(biāo)簽數(shù)組x 是特征字典列表。svm_parameter 里 -t 2 是 RBF 徑向基核這是處理非線性分類最常用的核滑坡和非滑坡的特征邊界不是直線線性核很難分開。-c 8 是懲罰系數(shù)越大越容易過擬合訓(xùn)練集-g 0.5 是 RBF 核的 gamma控制單個樣本的影響半徑。這對參數(shù)基本決定了 SVM 的上限先按項(xiàng)目默認(rèn)值跑后面再調(diào)。如果訓(xùn)練集和測試集是同一個數(shù)據(jù)集切出來的準(zhǔn)確率會虛高真正的驗(yàn)證要看獨(dú)立測試集。4.3 復(fù)現(xiàn)時的執(zhí)行順序與驗(yàn)證方法拿到項(xiàng)目后不要急著跑 classify.py它依賴前面生成的 libsvm 文件和 LDA 模型第一次運(yùn)行會報(bào)文件缺失。正確順序是先看 README.md 了解數(shù)據(jù)說明再依次執(zhí)行 generate_samples_and_labels.py → data_tool.py如果它有 main 入口→ 訓(xùn)練 LDA 并存模型 → 最后跑 classify.py。中間每步生成的結(jié)果文件都檢查一下內(nèi)容feature 輸出的 txt 維度對不對、詞袋文件非零比例如何、libsvm 文件里 index 是不是從 1 開始。用一個小數(shù)據(jù)集先把流程跑通再上全量數(shù)據(jù)這是最省時間的方式。項(xiàng)目源碼已經(jīng)經(jīng)過測試?yán)碚撋习错樞驁?zhí)行不會有問題但環(huán)境差異可能導(dǎo)致個別庫版本沖突后面避坑章節(jié)專門講這些。5. 避坑指南五條能直接省半天的報(bào)錯與誤用記錄5.1 訓(xùn)練集和測試集文件選錯準(zhǔn)確率虛高現(xiàn)象用 training2.txt 訓(xùn)練、test2.txt 測試準(zhǔn)確率 95% 以上感覺模型很好換到自己的影像上預(yù)測效果一塌糊涂。原因training2.txt 和 test2.txt 可能來自同一次切塊劃分或者干脆就是同一個數(shù)據(jù)集按比例拆的樣本分布高度重合模型等于背了答案。解決先打印兩個文件的標(biāo)簽分布看正負(fù)樣本比例如果比例幾乎一致且來源相同把結(jié)果當(dāng)作過擬合測試集看待真正泛化性能要在新影像上驗(yàn)證。我一般會留出三分之一的數(shù)據(jù)完全不用等模型定稿后再拿去測。5.2 LDA模型和visual_dict對不上現(xiàn)象classify.py 加載 visual_lda.model 時報(bào) id2word 不匹配或者主題分布全是同樣的數(shù)值。原因visual_dict 和 visual_lda.model 是兩個階段分別生成的只要重跑過 K-Means 而沒同步重訓(xùn) LDA詞典編號和 LDA 內(nèi)部的詞表編號就對不上。解決聚類和 LDA 必須成對更新改過 visual_dict 之后強(qiáng)制重訓(xùn) visual_lda.model并把兩者一起保存。修改代碼時在保存模型前加一行斷言檢查兩個模型的詞表長度一致。5.3 GLCM直接喂RGB影像導(dǎo)致報(bào)錯現(xiàn)象運(yùn)行 feature.py 時 skimage 報(bào)Input image must be 2-D或者levels must be integer錯誤。原因graycomatrix 只接受二維灰度圖直接傳三波段影像進(jìn)去或者影像像素類型是 float 且值域不在 [0, levels-1] 區(qū)間。解決先轉(zhuǎn)灰度用 cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) 或 np.mean(img, axis2) 都行然后轉(zhuǎn)成 np.uint8 類型再送進(jìn) graycomatrix。levels 參數(shù)必須大于圖像最大像素值否則也要報(bào)錯。5.4 libsvm的index從0開始導(dǎo)致訓(xùn)練中斷現(xiàn)象svm_train 報(bào)Wrong input format at line 某行或者直接解析失敗。原因生成 libsvm 行時用了 enumerate(topic_dist) 沒有指定 start1index 從 0 開始Libsvm 約定從 1 開始。解決生成代碼里強(qiáng)制 start1并且過濾掉值為 0 的特征。這個坑幾乎每個第一次寫 libsvm 格式的人都會踩寫完 txt 后先 head 看前三行確認(rèn) index 是 1 2 3 而不是 0 1 2。5.5 K值太大導(dǎo)致詞袋稀疏和訓(xùn)練緩慢現(xiàn)象K-Means 的 n_clusters 設(shè)到 2000LDA 訓(xùn)練卡到出不了結(jié)果且主題分布退化成一個主分量加一堆零。原因視覺詞典太大每個影像塊只命中極少幾個單詞詞袋向量 99% 都是零LDA 學(xué)不到有效共現(xiàn)信息。解決把 n_clusters 降到 100~300 之間重新聚類同時 LDA 的 num_topics 也相應(yīng)調(diào)小。判斷標(biāo)準(zhǔn)是詞袋非零比例統(tǒng)計(jì)所有樣本的詞袋非零元素占比如果平均不到 1%說明詞典過大或樣本過小。6. 進(jìn)階驗(yàn)證交叉驗(yàn)證、混淆矩陣與調(diào)參技巧6.1 滑坡是少類準(zhǔn)確率會騙人很多課程設(shè)計(jì)報(bào)告只看準(zhǔn)確率但滑坡場景里滑坡樣本往往只占百分之幾。你全預(yù)測成非滑坡準(zhǔn)確率也有 95% 以上這個模型沒有任何用處。正確做法是看混淆矩陣和分類報(bào)告重點(diǎn)盯滑坡類別的召回率——漏判一個滑坡比誤判十塊農(nóng)田嚴(yán)重得多。用 sklearn 的接口可以一目了然from sklearn.metrics import confusion_matrix, classification_report # y_pred來自SVM預(yù)測結(jié)果y_test是真實(shí)標(biāo)簽 print(confusion_matrix(y_test, y_pred)) print(classification_report( y_test, y_pred, target_names[非滑坡, 滑坡], digits4 ))混淆矩陣的四個格子里看右下角滑坡正確預(yù)測數(shù)和左下角滑坡被漏判數(shù)。如果左下角明顯大于右下角說明模型在犧牲滑坡召回率換整體準(zhǔn)確率。實(shí)踐中我要求滑坡召回率不低于 80%哪怕整體準(zhǔn)確率降到 90% 都可以接受因?yàn)槁┑舻幕乱馕吨鴮?shí)地調(diào)查時要重新跑一遍疑似區(qū)域。6.2 參數(shù)調(diào)優(yōu)先用網(wǎng)格搜索再手動微調(diào)SVM 的 C 和 gamma 對結(jié)果影響顯著。Libsvm 自帶 grid.py 做網(wǎng)格搜索或者用 sklearn 的 GridSearchCVfrom sklearn.model_selection import GridSearchCV from sklearn.svm import SVC param_grid { C: [0.5, 1, 2, 4, 8, 16], gamma: [0.05, 0.1, 0.2, 0.5, 1.0], kernel: [rbf] } clf GridSearchCV(SVC(probabilityTrue), param_grid, cv5, scoringf1_macro) clf.fit(X_train_vec, y_train_vec) print(clf.best_params_)搜索時要用 F1 而不是準(zhǔn)確率做評分指標(biāo)否則還是掉進(jìn)少類陷阱。cv5 用五折交叉驗(yàn)證比單次劃分可信度高。搜索完得到一組好參數(shù)后再在 C 附近縮小范圍手動試一兩個值看看穩(wěn)定性——網(wǎng)格搜索選出的參數(shù)如果在小范圍內(nèi)波動導(dǎo)致結(jié)果劇烈變化說明數(shù)據(jù)本身不穩(wěn)這時候優(yōu)先檢查特征質(zhì)量而不是繼續(xù)調(diào)參。6.3 一個提高泛化的實(shí)用習(xí)慣項(xiàng)目默認(rèn)流程是聚類、LDA、SVM 各自獨(dú)立訓(xùn)練參數(shù)都是單獨(dú)的。我習(xí)慣在最終實(shí)驗(yàn)里把 LDA 主題數(shù)也放進(jìn)網(wǎng)格搜索一起調(diào)雖然慢一點(diǎn)但能避免單個模塊最優(yōu)、整體不是最優(yōu)的問題。另外在切塊生成樣本時相鄰影像塊高度相關(guān)直接隨機(jī)劃分會讓驗(yàn)證集泄漏——切塊時按區(qū)域劃分保證同一景影像不出現(xiàn)在訓(xùn)練集和測試集里這才是嚴(yán)格的驗(yàn)證方法。用 libsvm 自帶的交叉驗(yàn)證命令 svm_train 加 -v 5 可以快速看穩(wěn)定性參數(shù)不改的前提下如果 5 折準(zhǔn)確率波動超過 5 個百分點(diǎn)說明樣本不夠或者分布不均衡先去補(bǔ)樣本再談?wù){(diào)參。從那以后我每次跑這個項(xiàng)目都強(qiáng)制走一遍區(qū)域劃分、主題數(shù)網(wǎng)格搜索、漏判統(tǒng)計(jì)這三件事寧可多花半小時也不交一個看起來高分的廢模型。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
99啪啪视频| 亚洲久热| 涩五月婷婷| 秋霞成人毛片一级A片| 丁香伊人五月色婷婷五十路| www.夜夜操| 久久婷婷青青草| 日韩AAA| 欧美午夜乱妇午夜福利| 日日操日日爽| 97luluse| 国产激情在线| 亚洲色色色色色| 亚洲无码99| 五月综合亚洲色| 俺去也综合| 五月天国产成人| 色婷网| 99视频精品视频| www.99色| 亚洲视频图片婷婷五月| 成人婷99最新| 做爰丰满少妇1313| 亚洲综合99| 欧美成人日韩| 俺去也综合| 六月欧美综合色情| 夜色.cnm| 五月天啪啪视频| 99热老网站| 综合久| 激情网第四色| 91chinese 在线| 久激情网| av免费人人| 97啪在线观看视频| 色综合久久99色| 色欲天天综合| 色五月,com| 夜夜综合色| 九九热91| 无码激情AAAAA片-区区| 天天干天天拍| 五月天亚洲最大成人| 久久色六月| 婷婷狠狠干| 色情五月婷| 丁香六月婷婷久久综合| 99热这里只有精品3| 婷婷刺激综合| 国产精品久久久久久喷浆| 五月丁香亚洲婷婷| 再綫Av免费視品| 中文字幕人成乱码在线观看| 91久久电影| 美女天天艹人人爽| 欧美WW在线网| 激情98色婷婷五| 国产97色在线 | 日韩| 99亚洲视频| 99色色| 婷婷五六日| 激情性爱婷婷| 中文毛片无遮挡高潮免费| 26UUU欧美| 日韩成人免费电影| 五月婷婷九九久久| 狠狠狠狠狠干| 狼友超碰| 亚洲精品午夜国产va久久成人| www婷婷色| 思思热这里只有精品| 日本久草福利| 亚洲久久天堂| 91丨九色丨大屁股| 99视频| 99精品色色| 精品九九网| 丁香五月久久| 婷婷五月天AV| www.丁香五月| 狠狠色激情在线| 影音先锋综合网| www久久久| 91婷婷五月天嫩女| 丁香六月伊人| 5月丁香六月情| 伊人激情啪啪| 久久久五月天婷婷成人网| 激情综合五月天| 久久aaaa片一区二区| 狠狠舔| 天堂网亚洲色图| 婷婷久久五月| 成人看片网站| 女婷久久| 五月天丁香网站| 久久婷婷五月综合激情国产| 青青草搞屄视频网站| 99婷婷国产最新视频| 影音先锋91在线资源站| 欧美性生交XXXXX无码小说| 丁香色婷婷| 色综合天天网| 激情五月,激情综合网| 久久精品国产精品| 欧美激情综合五月色丁香| 超碰久热| AV大香蕉| 色色色999| 99热精品中文字幕| 天天干 夜夜爽| 99热日本| 爱婷婷久久视频| 久热2025无码| 99re热精品视频国| 激情五月天婷婷免费观看| 色五月大| 久久全色| 欧美日本免费一道免费视频| 国产99久久久国产精品免费看| 麻豆五月丁香婷婷| 婷婷五月天激情综合深爱| 影音先锋噜一噜| 超碰操日| 亚洲精级| 亚洲av另类在线观看| 嫩草AV久久伊人妇女超级A | 做爱夜夜干天天操| 噜噜狠狠色综合久| 婷婷操超碰| 内射 无码 伊人| Aaa久久| 天天操屄网| 99热99思午夜精品| 99re久热只有精品6在线直播| 亚洲无aV在线中文字幕 | 亚洲欧洲中文日韩久久AV乱码| 好好干Av| 五月天另类综合网| 色色色色色爱| 99re26视频| 91操操操| 六月丁香婷婷五月| 深爱五月网| 成年人看Va免费视频| 天天射夜夜骑| 婷婷五月综合亚洲| 欧美日韩123| 熟女网站久久| 五月丁香啪啪| 99视频这里有精品| 中文字幕久久婷九女同| 婷婷99狠狠躁天天躁中| 9er热在线精品视频| 久鲁鲁色网 | 综合激情深爱| 中文av网| 来吧亚洲综合网| 欧美成人va| 五月婷婷六月天| 婷色五月天| 亚洲欧洲中文日韩久久AV乱码| 九九色影视| 91色久| 超碰色综合| 亚洲不卡欧洲| www.yw尤物| 91精品久久久久久77777| 日韩中文字幕| 一婬一伦一区二区三区| 婷婷天堂站| 成人噜噜网| 天天五月香欧美| 无码G高清天| 天天色官网| 日本操逼九九九九58日本操逼| 日本色婷婷综合| 精品九九视频在线观看| 国精产品一区一区三区有限公司杨 | 婷婷六月丁香欧美视频在线| 色婷婷激情四射视频| 综合色色婷婷| 夫妇交换刺激做爰| 婷婷综合日本| 99区视频| 综合色色婷婷| 国产又色又爽又黄又免费| 另类图片五月天激情| 色五月激情综合| 伊人网欧美在线男人天堂五月丁香| 色久九| 天天人人天天爽| 这里只有精彩亚洲视频推荐| 婷婷精品在线| 欧美大片免费观看| 色婷婷久久综合| 亚洲激情电影五月天色婷婷丁香一起草| 婷婷激情丁香五月婷婷激情丁香五月婷婷| 99亚洲综合| 激情婷婷五月天日本系列| 婷婷五月天激情综合深爱激情| 色情五月天婷婷| 婷婷激情综合色五月久久,色婷婷丁香花,丁香婷婷五月情天,久久婷婷五月综合色 | 99九九精品| 九九99免费视频| 热九九精品| 成人在线观看国产| 婷五月丁香俺| 婷婷丁香五月综合免费视频百花| 久青操| 无码AV免费精品一区二区三区 | 欧美在线视频99| 亚洲五月天伊人| 狠狠高潮精品亚洲1| 激情视频网址| 伊人婷婷91| 九九热九九热精品| 超碰人人操人人干| 精品导航在线x不卡| 激情精品久久| 337p大胆噜噜噜噜噜91Av| 五月激情在线| 青青草tp| 91.com男女操| 久久五月天丁香花| 成人AV在线网站| 丁香五月在线自慰| 9久热在线精品| 中文色婷婷| 99热这里只是精品| 国产人妻777人伦精品HD| 在线伦子99热| 色五月首页| 六月婷婷五月天| 人妻熟人中文字幕一区二区| 天天操夜夜爽天天操| 婷婷五月深爱五月| 99热10在线高清播放| 草一草avb| 婷婷亚洲欧美丁香五月| 狠狠色噜噜狠狠狠777奇米| 青草性爱视频| 亚州色色色| 久xxxx| 这里只有精品9| 五月综合色| 在线色色| 91狠狠色| 色爱综合网| 99视频只有精品| 五月婷婷很很色| 色色色综合视频| 九九热欧美| 狠爱婷色| 婷婷色爱| 日韩成人电泉AV| 人妻 性久久久久久| 久久99热这里只有精品| 色玖玖| 日日夜夜天天| 玖玖婷婷五月| 久热视频这里只有精品| 精品九九久久| 九九精品视频在线观看| 68热超碰在线| 在热视频精品| 奇米四色五月天| 婷婷射图五月天| 少妇性BBB搡BBB爽爽爽视頻| 麻豆123区| 99热这里只有精品9| 久久9精品| 精品久久9| 在线五月婷| 99re这里有精品手机在线| 亚洲视频在线观看| 可以直接看的AV网站| 熟妇人妻中文字幕无码老熟妇| 九九色色色| 九九在线视频| 色很久综合| 夜夜爱网站| 丁香六月综合| 亚洲五月婷婷| 先锋五月婷婷丁香草草| 综合激情五月丁香| 久热这里这里有精品| 日韩九区| 久久视频九九视频| 亚洲欧美国产A片免费观看| 噜噜噜噜综合在线| 97香蕉久久超级碰碰高清版 | 深爱五月激情| 国产又黄又爽又色的免费| 色六月丁香婷婷狠狠干| 色欲色欲久久宗合网| 九九精品这里只有| 91中文狠狠综合| 天天檫天天爽| 99人人精品| 天天舔天天爽| 婷婷爱在线观看| 综合五月婷婷| 91成人看片| 亚洲av网站| 九九日本视频| 五月天福利影院导航| 婷婷五月天激情五月天| a九九热www| 99免费| 天天玩夜夜操天天爽| 超碰91在线| 五月婷婷就去色| 综合色七七| 五月婷婷之综合激情| 大鸡巴伊人网| 五月丁香色色网| 女人露出p毛视频www网站| 中文字幕日产A片在线看| 日日激情网| 五月婷婷激情啪啪| 99视频在线| 六月综和久久| 久七香蕉| 男妓跪趴把舌头伸进我的嘴巴| 欧美月久久| 久久人人九| 色五月婷婷激情综合网| 99热色综合| 天天射美女| 婷婷成人在线| 九九 激情 网| 国产XXXX搡XXXXX搡麻豆| 激情综合五月婷婷六月丁香| 深爱激情网五月| 婷婷久久色五月婷婷久久久| 婷婷午夜丁香| 激情图片婷婷| 亚洲mm免费| 婷婷久久亚洲| 丁香五月精品| 亚洲va欧美| 综合狠久久| www.9797国产| 天天色天天爱天天爽| 九月婷婷激情久久| 嫩草AV久久伊人妇女超级A| 久久99免费视频| 99热在线精品播放| 色婷婷yy久| 4399在线日本A片| 思思久久96热在精品国产,| 精品99在线看| 婷婷五月综合社区在线| 九九热在线精品视频| 丁香五月婷婷精品视频| 色色色色综合网| 国内自拍97在线| 五月婷婷综合激情网| 日韩色色视频www| 久操大香蕉| 思思干精品| www99精品| 情婷婷五月天| 五月丁香婷婷成人伊人网| 色情五月婷| 91夫妻网站九色| 五月婷婷六月色| 五月婷婷亚洲色视频| 丁香六月中文| 思思99热这里只有精品| www.婷婷.com| 婷婷丁香五月天操逼| 丁香六月激情综合| 婷婷五月情| 天天日天天久久青青| 91要啪| 色情综合| 六月丁香视频网站| 久久艹99| 夜夜躁婷婷AV| 91avse| 婷婷五月天综合网| 婷婷久久伊人| 久久99三级在线视频| 中文字幕无码人妻少妇免费视频| 丁香5月婷婷| 丁香六月天AV| 人妻狠狠操| 非洲一级AV| 91啦丨九色丨刺激中文| 俺来也狠狠| 久操热| 九九久久99精品免费观看www| 激情99。| 91久久| 五月花激情网| 婷婷综合仓库中文| 成人做爰A片免费看视频| www.99视频| 99热这里只有精品免费观看| http://www.sd-xiangsu.com/| 丁香婷婷啪啪| 色播五月综合网| 92久久久| 五月丁香婷婷99| 超碰cap| 美女婷婷激情亚洲| 中文字幕丰满孑伦无码专区| 另类少妇人与禽zOZZ0性伦| 操一区| 婷婷无码五月天| 天天插插天天| 99久热这里只有精品| 就爱射中文字幕资源网| 3www激情| 综合色播| www.99日本| 婷婷五月丁香色综合| 天天干天天插| 91热久久| 色色色五月婷婷| 超碰人人操在线| 日韩超碰在线| 五月天婷婷在线视频| 丁香六月婷婷色XXXXX| 99久热这里只有精品| 亚洲色视频| 色九月婷婷丁香| 婷婷欧美综合| 99视频只有精品| 九九香蕉网| 少妇被下春药玩弄A片| 丰满少妇猛烈A片免费看观看| 99热在线精品观看| 色欲一区二区三区精品A片| 99激情视频| AV在线观看网站| 综合久| 大香蕉综合在线| 丰满人妻一区二区三区| 97碰精品| 啪啪 综合网| 久99视频| 这里只精品| va婷婷在线免费观看| 综合伊人狠狠| 九九成人| 五月丁香影院| 丁香五月天啪啪| 久久久婷婷五月天| 91激情五月开心| 97操操| 婷婷五月天色网久| A久网| 日韩 中文 欧美| 国产综合色婷婷精品久久| 婷婷激情六月| av婷婷丁香| 九九激情| 日韩欧美五月丁综合| 婷婷五月激情基地| 人人妻久久妻| 亚洲综合五月天| 婷婷基地爱| 国产又爽又猛又粗的视频A片| 精品亚洲国产成AV人片传媒| www.婷婷五月天,com| 99re热在线视频观看| 哇嘎成人久久| 婷婷天天舔| 色狠狠六月| 五月天精品综合在线| 亚洲热热视频| 青青青在线视频国产| ..真实国产乱子伦对白在线_欧 | 欧美精品999| 99热国产这里只有精品| 婷婷99视频全集高清| 色婷婷AⅤ| 热的五码久久精品| 丁香色五月天| 丁香五月激情网| 狠狠综合网| 中文字幕精品推荐免费在线观| 东北黄色一级| 森林影视大全,最好看的2019年视频 | 五月天婷婷成人| 久久久精品色| 五月婷婷色欲| 黄色AV日韩| 激情婷婷五月基地| 欧美丁香婷婷五月| 美腿丝袜AV天堂网| 5月婷婷六月丁香| 8区视频在线| 丁香六月激情综合| 九热久| 丁香五月天综合网| av在线资源| 欧美超碰亚洲| 五月综合在线婷婷图片| 色色五月天婷婷| 婷婷干六月综合旧址| 韩日在线熟女| 99久精品视频| 婷婷久久爱| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | 五月开心啪啪| 五月丁香狠狠爱| 五月停停色| 超碰9| 26uuu激情五月天| 亚州色婷婷| 国产色色小草视频| 午夜精品777| 亚洲激情网| 色婷婷亚洲在线观看| www.91有码.com| 伊人久久婷| 婷婷久久女人| 人人摸人人射| 年轻的妺妺伦理HD中文| 婷婷五月天综合激情| 99亚洲无码| 成人午夜视频精品一区| 新久久五月天激情| 人人摸人人搞| 丁香婷婷综合影院| 国产精品蜜臀99| 99色婷婷| 深爱激情网五月| 99九九精品| caopeng97人人| 五月婷婷综合精品| 欧美一级a| 国产热精品| 双性美人被调教到喷水A片| 97操碰| 丁香五月香蕉| 影音先锋一区二区三区| 91久久综合亚洲鲁鲁五月天| 天天射色五月天| 激情五月色综合| 91狠狠色丁香婷婷综合久久狠丁香综合久久精品 | 色J香五月天| 五月丁香亚洲综合| 99在线精品视频| 天天插天天插| 玖玖99免费视频| 亚洲成人中心| 天堂资源欧日浪女在线播放| www热久久yy9| 碰97久久| 日本超碰在线| 新久久五月天激情| 双性美人被调教到喷水A片| 久久九九玖玖| 欧美成人A片AAA片在线播放| 久99热| 日韩啊啊啊| AV伊人青草丁香六月| a网站免费观看| 思思99热这里只有精品| 操人91| 深爱丁香网| 9久热| 激情小说五月天中文字幕| 中文字幕丰满孑伦无码专区| 色婷婷五月亚洲| 欧美肉大捧一进一出免费视频| wWW九九在线播放| 91九色视频在线观看| 成人电影在线免费试看| 色情婷婷五月天| 天天爽天天爽天天爽天天爽天天爽天天爽天天| 伊人综合网站| 久久深爱激情网| 色婷婷久久9.com| 亚洲综合五月天婷婷| 任你躁XXXXX麻豆精品| 伊人深爱综合| 玖玖婷婷精品| 五月天激情视频| 亚洲 视频 导航 一区| 久久久97| 很很操96| 第四色色六月色综合| 天天狠狠色综合| 一级七香蕉| √天堂资源在线人妻熟女| 97福利视频| 综合色综合| 亚洲婷婷丁香五月| 97人妻碰碰中文无码久热丝袜| 国产综合81p| 五月婷婷中文字幕| 综合色天天| 日韩小视频在线99| 欧美在线干| WWW、日本色丁香、co m| 91人妻九色大屁股| 色狠狠综合网| 99热 在线观看| 99啪在线视频| 免费亚洲婷婷| 五月婷婷久久网| 五月天婷综合| 日日夜夜天天| 色噜噜狠狠色综合日日| 任你搞网站| 97人人干| 婷婷爱五月天| 国内裸舞二区| 超碰爱爱爱| 99熟女| 亚洲av骚货| 色色色国产| 超碰在线免费观看日韩| 色热久| 我要射综合| 九热精品| av一区免费看| 这里只有精彩视频| 激情五月婷婷丁香| 欧洲激情五月天婷婷| 国产成人亚洲综合亚洲| 99综合| 久久这里只精品| 欧美美女国产日韩一区二区久| 国产亚洲精品AAAAAAA片| 思思热99热| 怡红院院在线导航网 | 丁香五月Av| 天天综合色丁香| 大香蕉七区| 欧美内射AAAAAAXXXXX| 久久免片| 97色伦另类图片小说视频| 欧美五月婷婷| 大香蕉天堂色| 欧美三级巜人妻互换| 九月色婷婷综合| 99热这里只是精品| 色婷| 免费成片在线观看| 国产午夜精品一区二区三区四区| 成人免费va| 亚洲 精品 综合 精品| 97色啪| JlZZJlZZ8JlZZ亚洲熟女| 狠狠穞A片一區二區三區| 五月色丁香国产在线视频| 激情综合五月天| 91聚色综合网| 最近免费中文字幕大全高清大全1| 亚洲第一精品网站| www.五月天婷婷姐姐| 91婷婷在线| 国产,欧美,学生妹,视频| 51国精产品自偷自偷综合| 久久婷婷综合国产| 99综合| 人人人舔人人人操人人人摸人人人97 | 久久伦乱| 日韩视频99| 五月天激情网图片 - 百度| 综激情网| 五月天婷婷色色网| 五月丁香久久色| 欧美A级成人婬片免费看理论| 六月婷婷激情| 亚洲第一第二网站| 日韩99色99| 激情美女五月天激情在线| 久久久婷| 99综合| 九九色综合网| 曰曰久久| 9精品在线| 久久视频婷婷| 99久久精品国产色欲| 中文字幕黄色电影网址| 成人五月天。COM| 婷婷色五月大香蕉在线| 五月色丁香| 五月开心激情| 亚洲九九视频| 五月婷婷丁香| 色偷偷五月天| 六月丁丁香| 在线播放中文字幕| 六月色婷婷| 中国女人做爰A片| 国产人妻人伦精品一区二区| 538在线精品| 荫道BBWBBB高潮潮喷| 777精品久无码人妻蜜桃| 五月综合激情网| 性做久久久久久久免费看| 最近中文字幕大全免费版在线 | 大战熟女丰满人妻AV| 国产毛多水多女人A片| 五月婷婷色欲| 任你弄在线视频免费| 内射 无码 伊人| AV网在线观看| 亚洲成人网站在线| 婷婷五月天综合久久| 成人短视频在线免费观看| 久久免费丁香| 五月丁香亭亭操逼| 快乐激情五月色婷婷| 五月婷婷激情综合在线| VA婷婷| 91碰碰| AV天堂淫乩| 丁香五月激情澎湃一区| 五月天婷婷在线AN| 99资源在线视频| 亚洲成人网站在线观看| 色丁香五月婷婷| 日本欧美成人片AAAA| 狠狠干五月天| 9有码中文| 色婷婷久久| 人妻体体内射精一区二区| 草草色情综合网| 97色视频网| 97色97干| 亚洲视频色色| 激情综合色五月丁香六月亚洲| 五月丁香va| 丁香婷婷十月| 五月婷婷亚洲色视频| 在线观看的av| 国产毛片精品一区二区色欲黄A片| 综合激情婷婷| 青青久久91| 五月天天综合| 99热欧美在线观看| 操一操插一插| 中文字幕人妻在线| 日本人妻伦在线中文字幕| 日本色99网站| 日韩影院三级| 色综合综合色| 亚洲成人网在线观看| 另类天堂| 91亚洲免费片| 久久综合干| 五月婷婷六月丁| 99热最新网址| 婷婷九九| 国产乱人偷精品人妻A片| 色很久综合| 丁香五月婷婷亚洲人| 久久亚洲婷婷| 国产亚洲在线观看| 亚洲xx在线| 99久久99九九99九九九| 五月天色网站| 在线不卡视频| 欧美性猛交99久久久久99按摩| 成人国产欧美大片一区| 五月婷婷日本| 婷婷五月天va| 成人在线视频一区| 一级AV片| 婷婷中文在线| 婷婷五月天在线一区| 天天操天天插| 午夜日韩久久久网站| 免费的日逼视频| 狠狠的日| 99操视频| 成人精品人妻| 999影院成人在线影院| 色爱亚洲| 97人妻碰碰碰碰碰久久久久久| 亚洲综合碰| 97干欧美| 色激情五月| 狠狠穞A片一區二區三區| 色情婷| 26uuu亚洲欧美| 日韩综合久| 操大屄五月天视频| 色婷婷五月六月丁香综合视频| 激情五月婷婷在线区| YJLZZJLZZ亚洲乱熟无码| 久久婷婷艹| 91精品无码| 婷婷五月天第三页| 日本色色色色色色色色一色二色| 欧美久久久久久久久中文字幕| 亚洲电影中文字幕| 色欲五月天| 天天干天天干天天干天天干天| 日本欧美成人片AAAA| 婷婷五月天成人| 日日爽日日爽| 五月天大香蕉av| 婷婷五月激情六月丁香 | 综合久久97| 亚洲综合热| 电影91久久久| 精品网站99| 婷婷丁香久久| 97九色视频| 丁香六月五月婷婷| 四川女人毛多水多A片| 五月总合激情网| 美国十月色婷婷在线观看| 九九九干精品| 激情五月丁香在线观看直播| 激情五月激情综合网| 91玖玖| 91AV婷婷| 久99久热| 欧美99视频| 嫩草视频观看| 婷婷日日天天| 99国产精品久久久久久久久久久 | 狠狠搞狠狠操| 区欧美日韩成人| 激情二色月| 成人做爰高潮A片免费视频| 天天操夜夜啊| 五月丁香影视| 亚洲婷婷五月天在线激情综合网| 精品亚洲VA网站| 美女被操一区二区| 久热这里只有精品在线| 五月婷婷 婷婷五月 一区二区 久久久| 五月婷婷97| 婷婷午夜天| 91精品视频男人的天堂| 五月激情综合美女久久| 婷婷久久色五月婷婷久久久| 五月情婷婷五月| 亚洲亚洲人成综合网络| 5月丁香综合网| 欧美三级巜人妻互换| 狠狠色五月激情| 色婷婷久久| 五月综合激情久久| 天天操夜夜操| 全国最新疫情| www日本熟妇99在线视频| 五月的丁香六月的婷婷| 天天干一干| 91婷婷五月天综合视频| 激情5月婷婷| 久久99成人性爱高清视频| 97热91| 欧美va欧美va差| 大香蕉伊人丁香五月| 丁香 婷婷 亚洲 熟女| 色色色九九九五月婷婷| 九九精品视频在线观看| 丁香五月婷婷综合91| 涩五月婷婷| 99热热这里只精品996小说| 香蕉狠狠爱视频| 欧洲一区二区| 五月天激情网图片| 婷婷丁香视频| 99碰碰碰| 婷婷激情人妻| 欧美在线视频99| 国产FREESEXVIDEOS性中国| 五月丁香色狠狠干大屄| 五月天色色无码| 国产日韩欧美| 国产精品人妻欲求不满| 久久女婷| 99日这里只有精品| 丁香五月婷婷久久久| 五月丁香激情综合啪啪| 五月丁香六月综合情在线观看| www.五月婷婷.com| 九九家庭影院| 九久久九精品视频| 丁香五月天之婷婷影院| 色墦五月丁香| 五月天大香蕉av| 99热精品免费| 噜一噜免费视频| 另类丁香五月天区图| 亚洲五月婷婷| 六月丁香色色色| 丁香五月av| 中文字幕性爱丰满| 亚州综合色| 天天艹夜夜艹| 天天日天天日天天搞| 久九九热| 大香蕉五月天婷婷| 开心激情网五月| 久操人妻| 91嫩草国产线观看亚洲一区二区| 日日干干天天干| 97超级碰| 第四色五月婷婷| 7超碰自拍| 日韩av手机在线观看| 欧美成人va| 五月婷婷六月激情在线| 丁香五月综合久久| 九九性视频| 五月天播播| 综合在线网| 九九综合影音先锋| 久99视频在线观看| 亚洲婷婷六月天| 色蜜婷婷| 亚洲天堂婷婷丁香| 日韩成人AV在线| 伊人网色婷婷五月天| 国产精品久久久久久白浆色欲| 99无码视频| 五月天婷婷高清无码| 99在线精品观看99| 亚洲成人在线观看网址| 婷婷色综合av| 五月丁香色狠狠干大屄| 97黑人精品区| 天天插天天干| 欧美色五月| 夜夜夜叫天天天做| 肏屄色播伊人97婷婷| 五月婷婷婷| 九九在线精点品| 亚洲色五月天在线| 亚洲天堂爱爱| 99玖玖视频| 专区无日本视频高清8| 婷婷丁香亚洲色综合91| 777久久精品| 99九无网码| 激情婷婷丁香| 色婷婷五月综合| 五月激情黄色小说| 91爱啪啪| 婷婷久久18| 五月伊人91| 五月婷婷综合激情| 日韩无码专区| 亚洲成人五月| 狠婷婷五月| 天天日狠狠| 激情av| 九九色院| 九九久久久综合| 99色色网| 午夜婷婷| 久久大香蕉同僚| 天天操天天爱天天玩| 天天日天天摸天天| 中文AV在线播放| 97婷婷五月激情六月丁香伊人| 激情五月婷婷丁香| 国产视频婷婷| 丁香五月亚洲| 夜夜大香蕉婷婷丁香| 男人的天堂在线婷婷| 五月婷婷综合激情| 色婷婷激情四射视频| 丁香激情综合| 操一操插一插| 91精品电影18T| 五月婷婷六月丁香免费| 丁香五月综合激情啪啪| 欧美亚洲成人在线| 五月婷婷影视| 亚洲成人在线观看av| 国产精品国产成人国产三级| www.夜夜操.com| 亚洲综合五月| 色色亚洲五月天| 99热6色| 色欲资源网| 丁香婷婷少妇| 久久综合爱| 97精品自拍| av国产精品偷| 精品99视频| 日本 欧美在线| 无码人妻激情| 色哟哟www| 婷婷综合一二三| 天天操天天曰天天射| 婷婷 伊人 久久| 久久久久99精品成人网站| 人人插9| 色综合中文色综合网| 五月综合丁| 九月久久婷婷| 丁香色成人| 99自拍网| 好好干Av| 五月丁香激| 97色干| 婷色人人狠| 婷婷五月天无码熟女| 丁香婷婷射| 狠狠操狠狠狠| 涩涩涩.com| 日操夜撸| 婷婷五月天激情五月天深爱五月天| 激情美女五月天| 怡红院99| 五月天伊人日日噜影片AV| 九九热av| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 人人操Av| 五月婷婷婷婷婷婷艺术| 99热最新网址| 婷婷五月天激情免费在线观看| 亚洲色婷婷激情| 涩涩网五月天| 五月婷婷开心色伊人| 天天日日天天| 99性爱视频网站| 亚洲另类视频| 97性视频| 亚洲中文字幕av| 青青青在线视频国产| 国产99久久久国产精品免费看| 性综合网| 婷婷欠久少妇| 九月婷婷综合网| 欧洲亚洲免费视频9| 五月婷婷与六月丁香图片激情| 噜噜噜狠狠色综合| 天天上天天爽| 婷婷色五月综合| 日日夜夜干| 九九热这里只有精品6| 91超级碰在线| 91一起操| 97碰碰草| 日韩久久色| 五月天播播综合| 国产精品五月天婷婷| 久久久精品AV| 免费视频99| 激情九月婷婷九月| 国产操逼视频网站| 五月丁香久久综合| 五月天四色房丁香| 人人摸人人澡人人| 玖玖婷婷五月天| 久久六月天| 婷婷综合中文字幕| 日韩在线99| 夜夜爽天天| 97丁香五月| 91日韩在线| 影音先锋秋秋五月婷婷| 97影院一级片| 襙逼网| 婷婷综合五月天| 少妇搡BBBB搡BBB搡毛茸茸| 激情综合网站| 久久网站免费亚洲| 丁香六月视频| 久草狼人| 成人国产欧美大片一区| 伊人狠狠色婷婷综合丁香一区| 久综合| 五月丁香好婷婷A片网| 91九色在线视频| 包操45分钟网站| 2025色婷婷| 可以免费观看的AV| 色婷婷狠狠禁18久久| 欧美啪啪五月天| 丁香六月中文| 夜夜操天天干| www.激情| 丁香五月天社区婷婷| 久久精品爱爱| 操骚货在线| 午夜成人片400| 无码yw| 天天操天天谢| 岛国AV网| 久热婷婷在线视频| 成人婷婷五月天| 亚洲在线操| 丁香五月综合狠狠| 久久这里这里有精品免费视频| 五月婷婷视频ab| 丁香五月天激情视频| 亚洲网在线观看| 99免费综合网| 五月色丁香| 色色色com| 色婷婷婷av | 美国不卡视频| 婷婷丁香亚洲五月天| 久草五月天| 女人被躁到高潮嗷嗷叫小| 久久久久9| 99综合网| 色婷婷91激情小说| 婷婷六月丁香色| 一起草Av| 97艹| 丁香美女主播视频在线观看| 五月色综合| 操B五月天| 国产精品色| 婷婷综合伊人| 狠狠操.COM| 婷婷综合在线| 9有码中文| 五月婷婷开心丁香| .精品久久久麻豆国产精品| 26UUU| 久热91| 超碰在线观看9| 成人九九视频| 97超碰婷婷五月天| 79精品在线视频| 五月丁香777| 色综合综合色| 99.N在线视频| 91xxxx九色| 深爱激清网| 亚洲三A| 久久这里只有精品无码| 六月激情网| 碰碰91| 夜夜资源站| yirenjiqingshiping| 日韩久久这里只有精品| 久久天天| 久久精品国产色| 日韩99精品| 欧美槡BBBB槡BBB少妇| 五月色婷婷在线观看| 日本色婷婷| 国产中文亚洲欧美日韩性交| WWW.99热| 九九热99视频| 天天拍天天操| 婷婷性爱五月天丁香网| 成人视频九九| 色婷视频| 五月婷婷天天色| 最近中文字幕在线中文视频| 97视频久久| 超碰大香蕉网| 99视频35精品视频在线观看| 激情五月婷婷丁香综合网| 亚洲情综合五月天| 亚洲另类婷婷五月综合| 五月丁久久| 激情婷婷五月色| 激情久久伊人| 婷婷五月天免费视频在线观看| 丁香激情网| 婷婷五月天六点丁香五月| 色99视频| 亚洲在线成人| 久久99热这里只频精品6学生| 色狠狠色噜噜AV天堂五区| 婷婷五月开心中文字幕色| 97在线观视频免费观看| 另类国产综合| 欧洲电影在线观看免费版英语版 | 五月婷婷五月丁香| 丁香五月天婷婷91| 思思热精品免费视频| 亚洲成人在线在线| 人人视频色| 日本wwww在线| 丁香五月五婷| 亚洲区1| 性综合网| 人操人人| 色婷婷婷婷| 91无码高清| 色五月综合网| 99精品视频免费在线播放| 精品夜夜澡人妻无码AV| 色婷婷激情小说网| 激情综合色婷婷啪啪五月天| 婷婷六月花| 亚洲视频在线网| 日日日影院| 午夜日日| 综合久| 思思久久网| 中日韩美欧成人一区二区精品在线| 色婷婷手机在线| 久久精品99国产精品日本| 99热只有这里才是精品| 大香蕉七区| 色五月在线观看| 五月激情开心婷婷| 欧美精品99久久久| 色婷亚洲| 五月 成人 婷婷| 九九人人操| 国产日批视频| 亚洲视频在线观看区| 激情五月综合网最新| 婷五月天在线草| 婷婷五月天天| 99视频在线观看网址| 亚洲综合九九| 九九色热| 亚洲九九99精品视频在线播放| 丁香五月综合| 91dy.av| 欧美婷婷丁香五月| 播五月,色五月,开心五月播放器| 操日本色| 激情开心五月天| site:wpjngj.com| 91九色在线观看免费| 人人摸人人摸| 九九免费在线视频| www.久久色.com| 婷婷五月综合社区| 婷五月丁香俺| 丁香操逼| www.婷婷五月天.com| 亚洲激情免费视频| 色爱综合网| 亚洲无AV在线中文字幕| 丁香婷婷五月综合| 99热这里只有精品手机在线观看| 无码AV免费精品一区二区三区| 欧美另类五月激情| 久久久久久久久久8888| 嫩草免费视频| 六月 丁香 视频| 婷婷精品性性性性性性性| 超级碰碰碰碰视频| 国产做A爰片毛片A片美国| 天天日日夜夜| 欧美综合丁香网| 丁香蜜臀黄色婷婷五月天| 天天爽人人综合免费7799| 色五月色五天免费视频| 99久在线| 五月丁香久久婷| 激情五月天婷婷| 六月婷婷综合激情| 国产成人va在线| 五月丁香婷婷在线| 九热av| 国产伦亲子伦亲子视频观看 | 天天舔天天摸视频| 丁香五月www| 98国产精品综合一区二区三区| 久久久精品色| 嫩草综合网| 色色色色色五月| 久热精品免费视频4|