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)運營的一線實戰(zhàn)洞察。

遙感土地利用分類:給ResNet每個layer加CBAM注意力

遙感土地利用分類:給ResNet每個layer加CBAM注意力 簡介面向遙感衛(wèi)星土地利用分類任務(wù)的ResNet系列改進實戰(zhàn)代碼包覆蓋resnet18/34/50/101/152五種主干。訓練時可根據(jù)需要選擇遷移學習或僅訓練分類層優(yōu)化器集成Adam與SGD損失函數(shù)采用多類別交叉熵學習率使用余弦退火策略方便進行對比消融實驗。驗證集在訓練過程中同步評估輸出loss、準確率、混淆矩陣、recall、precision、F1 score與特異度等指標并自動生成對應(yīng)曲線圖像訓練日志以JSON格式保存便于按需繪制其他曲線。核心改進在ResNet每個layer后加入CBAM注意力模塊可只保留某一層后的CBAM也可整體替換為其他注意力或模塊代碼結(jié)構(gòu)清晰易擴展。包內(nèi)共2000個文件以1994張JPEG土地分類圖像為主另有3個Python腳本、readme說明、JSON日志及txt配置壓縮包大小27.79MB數(shù)據(jù)覆蓋21種土地目標。目前已有71人學習下載適合需要快速上手注意力機制增強圖像分類模型的研究者與開發(fā)者。1. 遙感土地利用分類為何要給 ResNet 每個 layer 后加 CBAM一張 512×512 的遙感圖里農(nóng)田邊界和裸地經(jīng)常只有色調(diào)深淺的差別水體在大尺度下是一整片、切成小 patch 后又是零碎的溝渠ResNet 這種靠卷積堆深度的骨干網(wǎng)絡(luò)做土地利用分類時總顯得“看不清重點”。給 ResNet 的每個 layer 后串一個 CBAM 注意力模塊是在不改主干、不換 Transformer 的前提下用很少的參數(shù)量把“該看哪些通道、該聚焦哪個位置”直接教給網(wǎng)絡(luò)。這個方案適合手里有幾千到幾萬張標注圖、希望快速在遙感衛(wèi)星土地利用分類上提點的一線工程師和研究生。2. 讀懂 CBAM 的兩個子模塊通道先行的注意力為什么適合遙感地物2.1 通道注意力與空間注意力CBAM 在計算什么CBAM 全稱是 Convolutional Block Attention Module設(shè)計上很樸素先做通道注意力再做空間注意力兩個子模塊串行輸出一個和輸入形狀完全相同的重標定特征。通道注意力部分對輸入特征圖分別做全局平均池化和全局最大池化得到兩個 1×1×C 的描述子送進一個共享的兩層 MLP加和后再過 Sigmoid得到 1×1×C 的通道權(quán)重。空間注意力部分則是在通道維上對特征圖做平均和最大壓縮拼成一個 2×H×W 的“雙通道”描述用一個 7×7 卷積降成 1×H×W再過 Sigmoid 得到空間權(quán)重。整個過程可以寫成F1 Mc(F) ? FF2 Ms(F1) ? F1。注意 CBAM 訓練初期權(quán)重都接近 1所以它不會像 BN 那樣劇烈改變特征分布這也是它能直接插進預(yù)訓練模型的原因之一?;氐竭b感土地利用場景農(nóng)田、草地、林地之間紋理差異大但顏色相近的類別容易混淆通道注意力會告訴網(wǎng)絡(luò)“這個地塊更依賴紅光波段還是近紅外波段的響應(yīng)”建筑和裸地的邊界模糊空間注意力則負責把注意力集中在“地塊內(nèi)部”而不是路網(wǎng)和陰影邊緣。相比只有通道注意力的 SE 模塊CBAM 多出來的這一路空間注意力恰好補上了遙感地物對“位置感”的需求。參數(shù)開銷上以 ResNet18 為例完整 CBAM 插在四個 stage 后新增參數(shù)約 0.4M對比模型本身的 11.7M 幾乎可以忽略。2.2 “每個 layer 后加”到底是加在哪一級標題里“每個 layer 后加入 CBAM”這個說法在實操中其實有歧義。ResNet 的 layer 通常指 torchvision 實現(xiàn)里的 layer1 到 layer4也就是模型結(jié)構(gòu)上的 4 個 stage每個 stage 里包含若干個 BasicBlock 或 Bottleneck。把 CBAM 加在 stage 尾部是參數(shù)效率最高的做法而如果理解為“每個 BasicBlock 的第二個卷積后再加”參數(shù)量和顯存都會明顯上漲訓練時間也拉長。我一般默認“每個 layer 后”就是 stage 后。下面是三種常見加法的對比。加插位置新增參數(shù)ResNet18顯存影響實測效果適用場景每個 stage 后layer1~4 尾部約 0.4M小穩(wěn)定提升 0.5%~2%圖像分類推薦首選每個 BasicBlock 后約 1.2M明顯容易過擬合收斂不穩(wěn)小數(shù)據(jù)集不建議只在 layer3、layer4 后約 0.2M很小提升幅度接近全加計算資源緊張時stage 后加還有一個好處預(yù)訓練權(quán)重完全不受影響。因為 CBAM 是額外 add_module 進去的原始卷積和 BN 層的權(quán)重路徑?jīng)]有被改寫加載 ImageNet 權(quán)重時不會出現(xiàn) missing key 或 shape 不匹配。這一點對遙感這種“預(yù)訓練權(quán)重決定上限”的任務(wù)尤其重要。2.3 為什么不是自注意力或 FPNCBAM 的取舍近兩年圖像分類模型的熱點已經(jīng)偏向 Transformer自注意力機制確實擅長捕捉粗粒度到細粒度的長程依賴但它在遙感土地利用任務(wù)上有一個現(xiàn)實門檻數(shù)據(jù)量。ViT 類模型在 ImageNet 上至少需要幾千萬張圖才能訓出好權(quán)重遙感切塊數(shù)據(jù)往往只有幾千到幾萬張直接微調(diào)很容易過擬合而且 patch 化會把地物的邊界打碎位置編碼也要重新適應(yīng)遙感圖的分布。FPN 是另一條思路但它是檢測框架里的多尺度特征融合結(jié)構(gòu)用于分類任務(wù)需要額外加分類頭改動遠大于一個 CBAM。CBAM 的好處是即插即用不改變數(shù)據(jù)流形狀訓練策略和原來幾乎一樣本質(zhì)上是用局部注意力去替代全局自注意力的“大部分收益”。在樣本有限、算力有限的前提下先把 CBAM 加進 ResNet 是性價比最高的第一步。3. 手寫 ResNetCBAM三個代碼塊把注意力插進每個 layer 后3.1 定義 CBAM 模塊通道注意力與空間注意力的最小實現(xiàn)下面是基于 PyTorch 的標準 CBAM 實現(xiàn)我習慣把通道注意力和空間注意力拆成兩個子類調(diào)試時可以直接單獨看某一層輸出。import torch import torch.nn as nn class ChannelAttention(nn.Module): def __init__(self, in_planes, ratio16): super().__init__() self.avg_pool nn.AdaptiveAvgPool2d(1) self.max_pool nn.AdaptiveMaxPool2d(1) self.shared_mlp nn.Sequential( nn.Conv2d(in_planes, in_planes // ratio, 1, biasFalse), nn.ReLU(inplaceTrue), nn.Conv2d(in_planes // ratio, in_planes, 1, biasFalse), ) self.sigmoid nn.Sigmoid() def forward(self, x): avg_out self.shared_mlp(self.avg_pool(x)) max_out self.shared_mlp(self.max_pool(x)) return self.sigmoid(avg_out max_out)in_planes 是輸入特征圖的通道數(shù)ratio 決定中間瓶頸維度。ResNet18 的 layer1 輸出 64 通道64 // 16 4不會出現(xiàn) 0 維但如果你把 ratio 改成 6464 // 64 1也還成立再小就會出問題。這里共享同一個 MLP 對 avg 和 max 兩個分支做映射是論文里的標準寫法我自己實踐時發(fā)現(xiàn) max_pool 分支在遙感圖里更重要因為農(nóng)田邊界和裸地往往是局部極值特征??臻g注意力模塊代碼如下class SpatialAttention(nn.Module): def __init__(self, kernel_size7): super().__init__() padding kernel_size // 2 self.conv nn.Conv2d(2, 1, kernel_size, paddingpadding, biasFalse) self.sigmoid nn.Sigmoid() def forward(self, x): avg_out torch.mean(x, dim1, keepdimTrue) max_out, _ torch.max(x, dim1, keepdimTrue) x_cat torch.cat([avg_out, max_out], dim1) return self.sigmoid(self.conv(x_cat))kernel_size7 是論文默認值7×7 卷積的感受野約等于 7×7 像素對 224×224 輸入來說足夠覆蓋常見地物。如果遙感切塊比較小比如 64×64 的 patch7×7 就顯得過大我會改成 3見第 6 章。組合起來就是class CBAM(nn.Module): def __init__(self, in_planes, ratio16, kernel_size7): super().__init__() self.channel_attn ChannelAttention(in_planes, ratio) self.spatial_attn SpatialAttention(kernel_size) def forward(self, x): x self.channel_attn(x) * x x self.spatial_attn(x) * x return xforward 里的乘法和原特征做的是逐元素相乘CBAM 的輸出形狀和輸入完全一樣所以它能插入網(wǎng)絡(luò)任何位置而不影響后續(xù)張量尺寸。3.2 把 CBAM 插進 ResNet先加載預(yù)訓練權(quán)重再 add_module這里有一個容易翻車的順序問題如果你先把 CBAM 寫進 ResNet 結(jié)構(gòu)里再去加載torchvision預(yù)訓練權(quán)重load_state_dict會因為新增模塊報 missing key正確做法是先用官方 API 拿到完整權(quán)重再往模型上掛模塊這樣 ResNet 本體的權(quán)重一條都不需要改動。import torchvision.models as models # 這一步拿到的是標準 ResNet18 ImageNet 預(yù)訓練權(quán)重 model models.resnet18(weightsmodels.ResNet18_Weights.IMAGENET1K_V1) def add_cbam_to_resnet(model, add_after_layer(True, True, True, True)): cbam_channels [64, 128, 256, 512] # resnet18/34 的四個 stage 輸出通道 layers [model.layer1, model.layer2, model.layer3, model.layer4] for i, (layer, ch) in enumerate(zip(layers, cbam_channels)): if add_after_layer[i]: # 在 stage 的尾部追加 CBAM不改變?nèi)魏我延袑拥臋?quán)重 layer.add_module(fcbam_{i1}, CBAM(in_planesch, ratio16, kernel_size7)) return model model add_cbam_to_resnet(model)add_module的作用是往layer1這個Sequential容器里追加一個子模塊。以 ResNet18 為例原來layer1包含兩個BasicBlock追加后變成三個子模塊數(shù)據(jù)流會按順序執(zhí)行 block1 - block2 - cbam_1。cbam_1 的輸入輸出都是 64 通道不改變 residual 結(jié)構(gòu)。這樣實現(xiàn)比修改torchvision源碼里的BasicBlock干凈得多也方便隨時通過add_after_layer開關(guān)只加后幾個 stage。對于 ResNet50四個 stage 輸出通道是 256、512、1024、2048代碼里只需把cbam_channels換掉其他邏輯不變。參數(shù)初始化的部分不需要額外處理add_module新增的模塊會默認使用 PyTorch 的默認初始化CBAM 初始輸出接近 1不會在第一個 epoch 就沖亂主干特征。3.3 驗證前向與參數(shù)量跑通最小測試再進訓練模型改完先別急著訓用隨機張量走一遍前向同時對比參數(shù)量變化這一步能攔截絕大多數(shù)“結(jié)構(gòu)改錯但沒報錯”的玄學問題。# 前向驗證 model.eval() with torch.no_grad(): out model(torch.randn(1, 3, 224, 224)) print(out.shape) # 期望輸出 torch.Size([1, 1000]) # 參數(shù)量對比 total_params sum(p.numel() for p in model.parameters()) trainable_params sum(p.numel() for p in model.parameters() if p.requires_grad) print(ftotal: {total_params / 1e6:.2f}M, trainable: {trainable_params / 1e6:.2f}M)如果 output 的最后一維不是 1000說明 FC 頭被改動了如果參數(shù)量和原始 ResNet18 的 11.7M 差出好幾倍說明 CBAM 被加到循環(huán)里重復堆疊了。正常加在四個 stage 后ResNet18 總參數(shù)量約 12.1M新增 0.4M 左右。這個測試數(shù)據(jù)也可以直接寫進實驗記錄后面對照“加 CBAM 到底貴了多少”就不用現(xiàn)算。4. 遙感土地利用分類的訓練配置數(shù)據(jù)目錄、增強與超參數(shù)一次調(diào)到位4.1 數(shù)據(jù)目錄與樣本劃分按圖幅切塊是底線土地利用分類常見類別包括農(nóng)田、森林、草地、水體、建筑、裸地六類數(shù)據(jù)按 ImageFolder 組織最省事。有一點要從一開始就注意要按原始遙感圖幅來劃分訓練集和驗證集而不是把一張大圖切出的所有 patch 隨機打散。否則同一個地塊的紋理會被模型記進權(quán)重里驗證集虛高兩三個點都不奇怪。data/ train/ farmland/ forest/ grassland/ water/ building/ bareland/ val/ farmland/ forest/ ...每個類別下放經(jīng)過篩選的切塊切塊尺寸常用 224×224 或 256×256。多光譜數(shù)據(jù)輸入通道不是 3 時預(yù)訓練權(quán)重不能直接用要么訓練時只取 RGB 三波段要么把第一個卷積層單獨處理這部分細節(jié)放在第 5 章避坑清單里。數(shù)據(jù)集來源建議直接選用公開遙感分類數(shù)據(jù)集網(wǎng)上圖像分類數(shù)據(jù)集下載渠道很多但自己抓圖會引入標注不一致和傳感器差異這兩個問題比模型結(jié)構(gòu)更難處理。4.2 數(shù)據(jù)增強強一點的幾何增強對注意力更友好遙感圖沒有“上下顛倒”的概念所以翻轉(zhuǎn)可以放開用。增強策略表如下。增強操作參數(shù)建議說明RandomResizedCropscale(0.5, 1.0), size224強制模型從不同尺度學地物RandomHorizontalFlipp0.5通用增強穩(wěn)定收斂RandomVerticalFlipp0.5遙感圖特有不破壞語義ColorJitterbrightness0.2, contrast0.2數(shù)值不宜過大破壞光譜特征NormalizeImageNet 均值/方差搭配預(yù)訓練權(quán)重的標配ColorJitter 是雙刃劍。遙感地物的光譜反射率是有物理意義的調(diào)太多會讓水體發(fā)綠、植被發(fā)黃反而引入噪聲。我一般把 brightness 和 contrast 都壓在 0.2 以內(nèi)saturation 不動。加 CBAM 之后模型對空間位置更敏感RandomResizedCrop 的尺度擾動可以適當調(diào)強一點防止注意力被“地塊邊緣”這種固定特征騙走。4.3 訓練腳本與超參數(shù)小學習率配 cosine 足夠ResNet CBAM 的訓練策略和純 ResNet 幾乎一致唯一要注意的是 CBAM 是隨機初始化的初始學習率不宜過大。用預(yù)訓練權(quán)重時我一般用 0.005batch size 64能在前 5 個 epoch 里讓 CBAM 平穩(wěn)進入工作狀態(tài)。import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, transforms transform_train transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.5, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomVerticalFlip(), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) train_set datasets.ImageFolder(data/train, transformtransform_train) val_set datasets.ImageFolder(data/val, transformtransform_val) train_loader DataLoader(train_set, batch_size64, shuffleTrue, num_workers8, pin_memoryTrue) val_loader DataLoader(val_set, batch_size64, shuffleFalse, num_workers8, pin_memoryTrue) criterion nn.CrossEntropyLoss(label_smoothing0.1) optimizer torch.optim.SGD(model.parameters(), lr0.005, momentum0.9, weight_decay5e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max30) model model.cuda() for epoch in range(30): model.train() for x, y in train_loader: x, y x.cuda(), y.cuda() out model(x) loss criterion(out, y) optimizer.zero_grad() loss.backward() optimizer.step() scheduler.step() # 驗證代碼省略記錄 val acc 和各類別 F1label_smoothing0.1對遙感粗標注特別有用因為真實標注里混著很多過渡地類硬標簽很容易讓模型變得過度自信。CosineAnnealingLR 的T_max30對應(yīng)訓練輪數(shù)如果你把調(diào)度改成按 iteration 更新T_max需要改成 30×len(train_loader)兩種寫法不要混用否則學習率會掉得太快。4.4 驗證指標總體精度之外一定要看類別 F1土地利用分類只報 overall accuracy 是不夠的水體、建筑這類類別樣本往往偏少大類準確率高會把小類的惡化掩蓋掉。我在訓練時每個 epoch 都記錄宏平均 F1 和每類 F1尤其關(guān)注 building 和 bareland 這對“易混淆對”。加了 CBAM 之后常見的變化是總體 acc 提升 1% 左右但 building 和 water 的 F1 拉開差距這說明空間注意力開始把邊界類地物和內(nèi)部均質(zhì)地物分開處理了。如果只是 acc 小幅漲而 F1 沒動那多半是數(shù)據(jù)劃分泄露帶來的虛漲不是模型的功勞。5. 加 CBAM 后訓練與評估的避坑清單從掉點到 OOM 的五個現(xiàn)象5.1 加了 CBAM 準確率反而下跌現(xiàn)象完整加在四個 stage 后val acc 比純 ResNet 還低 1~2 個點loss 曲線也不怎么降。原因最常見是 CBAM 加得太“滿”。layer1 和 layer2 的淺層特征主要表達邊緣、紋理這些低層特征本身空間分辨率高強注意力會把淺層特征過度調(diào)制反而干擾后續(xù)層。另一個原因是學習率偏大隨機初始化的 CBAM 在初期被 SGD 大步長推偏主干也被帶歪。解決先只在 layer3、layer4 后加 CBAM用第 3 章代碼里的add_after_layer(False, False, True, True)學習率從 0.005 降到 0.003并加 3 個 epoch 的線性 warmup。絕大多數(shù)數(shù)據(jù)集上只加后兩個 stage 的表現(xiàn)不比四個 stage 差訓練還更快。5.2 遙感數(shù)據(jù)“地點泄露”導致驗證集虛高現(xiàn)象隨機劃分時 val acc 92%看起來效果很好一旦按圖幅劃劃分同一張原始大圖的 patch 全進同一個集合準確率掉到 78%。原因隨機劃分把同一個地塊的相鄰切塊同時放進了訓練集和驗證集模型記住的是“這張圖的色調(diào)紋理”而不是“這類的通用特征”。這在遙感數(shù)據(jù)集里是普遍存在的黑匣子問題很多公開數(shù)字好看落地到新區(qū)域就翻車。解決劃分數(shù)據(jù)時以圖幅 ID 為最小單位。先把一張原始衛(wèi)星圖按滑動窗口切塊記錄每個 patch 的父圖編號然后按“圖幅”分組做 train/val split保證同一個圖幅的 patch 不會同時出現(xiàn)在兩側(cè)。這條和 CBAM 無關(guān)但如果不先堵住所有“CBAM 提升”的結(jié)論都是假的。5.3 多光譜四通道輸入怎么處理現(xiàn)象數(shù)據(jù)集是 RGBNIR 四波段把第一個卷積層改成輸入 4 通道后loss 卡住不降訓練幾個 epoch 后 val acc 仍然接近隨機。原因直接改model.conv1的in_channels4后這一層權(quán)重隨機初始化ImageNet 預(yù)訓練權(quán)重的信息全部失效等于讓模型從零學第一個卷積層。CBAM 本身沒問題問題出在主干入口。解決常見的做法是用 3 通道預(yù)訓練權(quán)重初始化 RGB 部分新增加的第 4 個通道用 RGB 權(quán)重的均值去填。代碼上可以這樣處理old_conv1 model.conv1.weight.data # shape [64, 3, 7, 7] new_conv1 torch.zeros(64, 4, 7, 7) new_conv1[:, :3, :, :] old_conv1 new_conv1[:, 3, :, :] old_conv1.mean(dim1) model.conv1 nn.Conv2d(4, 64, 7, stride2, padding3, biasFalse) model.conv1.weight.data new_conv1也可以選擇只訓第一個 conv 層而凍結(jié)其余層跑幾個 epoch再全部解凍。這種“半凍結(jié)”策略能明顯減少多光譜入口帶來的訓練震蕩。既然用到了多光譜數(shù)據(jù)增強里的 ColorJitter 更不建議開大近紅外通道的數(shù)值擾動會讓植被類地物特征失效。5.4 顯存溢出batch 64 訓不動現(xiàn)象ResNet18 原本 batch 64 跑得好好的加上 CBAM 后同一個 batch 直接 OOM。原因CBAM 里的 7×7 空間注意力卷積雖然參數(shù)量小但它在每個 stage 結(jié)束后都保留了一份完整的 H×W 中間激活用于反向傳播。四個 stage 的特征圖分辨率逐級減半淺層的 64 通道 56×56 特征圖被多保留了一份顯存峰值就上去了。解決把kernel_size從 7 降到 3能省一點計算但不會太多更有效的是減少插入位置只加(False, False, True, True)淺層不保留額外激活。還有一招是把 batch size 降到 32并用梯度累積模擬 64 的等效 batch。如果顯存還是很緊可以考慮對 CBAM 的 forward 使用torch.utils.checkpoint用計算換顯存但這個操作會拖慢訓練。5.5 水體精度特別差森林卻很高現(xiàn)象森林類別 F1 0.94水體只有 0.61訓練曲線顯示 water 的 loss 一直很高。原因水體在遙感圖里往往是大面積均質(zhì)區(qū)域經(jīng)過 4 次下采樣后邊界信息基本丟失CBAM 空間注意力在深層拿到的已經(jīng)是低分辨率特征很難恢復完整的水體輪廓。森林紋理豐富即使分辨率低也能靠紋理特征區(qū)分。解決對這類“大目標類別”可以在 layer4 后、全局池化前再補一個 CBAM讓空間注意力在最高的語義特征層上再做一次區(qū)域加權(quán)。另一個更直接的辦法是把訓練切塊改成多尺度除了 224×224 的 patch再抽一部分 448×448 的大 patch 下采樣到 224 輸入讓模型在訓練時見過“整片水體”的樣子。我的實踐經(jīng)驗里最后這種尺度策略對水體類別的 F1 提升比調(diào) CBAM 參數(shù)更明顯。6. 驗證 CBAM 是否真的有效三組消融與熱力圖定位6.1 先跑三組對照別只盯最后一輪 acc建議至少做三組實驗純 ResNet18 基線、ResNet18 CBAM(后兩個 stage)、ResNet18 CBAM(四個 stage)。下面是一個典型的記錄表。模型參數(shù)量val accmacro F1單 epoch 耗時ResNet1811.7M86.2%79.5%42sResNet18 CBAM(后兩 stage)11.9M87.4%81.0%47sResNet18 CBAM(四 stage)12.1M87.1%80.6%53s后兩個 stage 的版本往往比四個 stage 的更好這個現(xiàn)象在很多遙感數(shù)據(jù)集上都能復現(xiàn)。判斷 CBAM 有沒有用還要看看訓練前 10 個 epoch 的 loss 曲線CBAM 版本通常下降更快這個“前期收斂加速”比最后一輪的 acc 更能說明模塊真的在學習注意力。6.2 用 Grad-CAM 看注意力落點消融實驗數(shù)值上去了還想確認空間注意力到底看重哪里可以用 Grad-CAM 做可視化。下面是被簡化后的核心片段。def grad_cam(model, x, target_class): model.eval() feature None gradient None def hook_f(module, input, output): nonlocal feature feature output.detach() def hook_b(module, grad_input, grad_output): nonlocal gradient gradient grad_output[0].detach() target_layer model.layer4[-1] # 注意此時 layer4 的最后一個子模塊是 cbam_4 handle_f target_layer.register_forward_hook(hook_f) handle_b target_layer.register_full_backward_hook(hook_b) out model(x) model.zero_grad() out[0, target_class].backward() handle_f.remove() handle_b.remove() weight gradient.mean(dim(2, 3), keepdimTrue) cam (weight * feature).sum(dim1, keepdimTrue).relu() return cam在 torchvision 的 ResNet 里layer4[-1]不再是一個 BasicBlock 的 conv而是我們掛上去的 CBAM這會讓熱力圖直接反映 CBAM 輸出前的梯度分布反而很適合觀察注意力給自己留下了哪些區(qū)域。對比純 ResNet 的熱力圖CBAM 版本的熱力中心通常更集中在地塊內(nèi)部而不是全圖彌散。6.3 一個有用的調(diào)參習慣先大后小最后分享一個我自己的習慣任何新數(shù)據(jù)集上做 CBAM 實驗都先把ratio固定 16、kernel_size固定 7、只放在層3和層4后跑通一輪再根據(jù)可視化結(jié)果決定要不要加到淺層。理論上 CBAM 參數(shù)不多但它們和數(shù)據(jù)集尺度、切塊策略耦合在一起網(wǎng)格搜索“四個 stage 是否都加”的成本遠高于它的收益。希望這些經(jīng)驗?zāi)軒湍闵僮咭欢螐澛纷U{(diào)參順利。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
華人性愛AV在線| 天堂草在线看www| 美女五月天| 久热69| 婷婷五月六月| 色丁香五月天| 五月丁香啪| 91婷婷在线| 成人视屏在线观看| tingtingjiqingwuyue| 婷婷丁香五月亚洲| 五月丁香六月婷婷免费| 青青艹b| 五月丁香婷婷成人综合网| 伊人网色婷婷五月天| 久久99色色| 成人国产网站在线免费看| 丁香久色| 色开心五月丁香| 五月婷婷丁香婷婷| www.久久| 岛国AAAV| 色婷婷欧美| 婷婷成人网五月天| 久草丁香婷婷1024| 婷婷久久五月天丁香| 婷婷99视频精品| 婷婷久久久| 九九综合视频在线观看| 黃色三级三级三级三级 qixing300.shrkbk.com www.jinbozs.com tianmiaosw.com | 亚洲AV免费国产电影| 五月丁香婷婷成人网| 大胆伊人久久| 另类视频五月天| 丁香成人综合| 色婷婷啪啪啪啪啪啪| 婷婷五月天丁香花| 99热久草| 九洲一级A片| 色五月婷婷综合| 婷久看人爽| 色综合久久久无码中文字幕999| 色丁香影院| 99噜噜| 99热这里只有精品8| 久久五月天激情视频| 亚洲天堂AV综合网| 另类视频一区| 久久婷婷色五月| 99久久五月丁香野外| 99精品国产热久久91色欲| 天天爽成人综合网站| 九月丁香久久网| 日日操夜夜撸| 人妻在线中文字幕久久| 激情综合99| 丁香色婷婷| 99成人免费视频| 色九月欧美| 欧美婷婷| 中文字幕永久免费| 精品A√| 91久久婷婷| 91男同视频| 天天激情欧美美女| 呦呦v线| 玖玖婷婷婷丁香五月| 丁香五月婷婷基地| 另类图片激情五月| 色五月丁香伊人| 伊人网大香| 国精产品一区一区三区免费视频 | 激情五月丁香五月色| 色色99| 狠狠色婷婷7| 色婷婷aV四虎| 五月天大香蕉av| 中文字幕成人影视| 婷婷色五月色| 国产性色蜜乳| 激情婷婷内射| 色人久久| www.色9| 婷婷中合| 丁香婷婷综合激情五月色| 夜夜操狠狠操| 色婷婷五月天不卡| 99热日本| 99高级会所久久| 97人人做| 精品99在线| 影音先锋 萱萱| 九九热99热| 五月亭亭六月天| 99爱在线| 日本本土色网第一区| 欧美日韩成人在线网站| 亚洲欧美国产A片免费观看| 蜜桃人妻无码AV天堂三区| 狠狠色五月天| 亚洲综合色色色| 五月色欧洲| 人妻综合网| 九九精品少妇| 9九九久久精品无码专区| 成人av免费观看| 五月丁花六月丁香综合| 天天xxxxxx天天日| 五月婷婷伊人在线| 色五开心五月五月深深爱| 深爱网深爱综合网| 五月丁香六月婷婷中文版| 超碰资源在线| 久久91久久91色欲精品| 黄网在线观看免费| 婷婷五月,偷窥偷拍网| 亚洲天堂婷婷| 热91久| 亚洲va综合va国产va中文| 91色吧网| www.久久综合| 亚洲 视频 导航 一区| 99视频在线精品免费观看2| 狠狠色性| 五月天色婷婷视频| 婷婷播播五月天| 丁香五月天在线视频| 亚洲色图45p| 日本三级网址| www.婷婷.com| 五月丁香综合| VA日本视频| 久9热| 夜夜资源站| 五月婷婷六月丁香首页| 影音先锋一区| 色婷婷五月天中文字幕| 天天摸.天天mo| 俺来也综合网精品一区| 婷婷色五月天第7色| 开心婷婷中文字慕| WWW.桔色成人.COM| 婷婷五月天啪啪| www.五月丁香av| 午夜不卡成人一区二区| 丁香五月在线观看完整版| www.minyis.com【JT】国内CDN落地页保证转化QQ2101460746 | 五月开心久久| 狠狠人妻色综合| 久久人人妻| 色婷婷六月| 月婷婷婷婷五月| 99综合| 天天综合精品| 国产性爱亚洲是图| 免费视频WWW在线观看网站| 欧美在线视频99| 亚洲亚洲人成综合网络| 久久久噜噜噜操操操| 欧美一级毛卡片无码| 97碰 在线视频观看| 九九综合88| 婷婷色一二三区波多野结衣| 国产精品操| 99这里只有精品|v| 婷婷五月天丁香花| 极品嫩草| 婷婷久久网| 丁香六月色香蕉视频| 免费的日逼视频| 狠狠狠狠狠狠狠狠草| 色5月婷婷| 色色色色五月| 99热久| 狠狠操狠狠爱| 婷婷久久天堂网| 影音先锋毛片网站| www.婷婷五月天啪啪| 欧美另类五月激情| www.夜夜| 婷婷五月丁香五月| 久久网址99热| 天天综合久久| 婷婷五月六月| 五月婷婷综合在线| 91日综合欧美| 第2色五月婷| 久热这里只有精品66| 婷婷亚洲五月| 成人精品视频99在线观看免费 | 激情视频网址| 久久人妻www| 亚洲AV人人操| 99热在线精品观看| 丁香五月婷婷亚洲激情四射| 五月色网| 狠狠狠夜夜夜| 国产激情久久久| www.cao.com久久| 五月婷婷久久久| 啪啪干伊人婷婷| 久久久久人妻精品| 青青草免费公开视频| 四射综合网| 色婷婷av在线观看| 99看片| 色优久久| www.婷婷亚洲基地| 欧美一级a| 成人av播放| 婷婷之六月丁香| 影音先锋天天日| 夜夜穞天天穞狠狠穞AV美女按摩| 97人人操| 五月丁香六月婷婷无码| 九月丁香婷婷| 色婷婷操逼| 激情五月激情综合网一级丸片| 五月丁六月香| 在线中文AV| 97色久| 九九无码视屏| 午夜69成人做爰视频| 婷婷五月丁香91| 噜噜噜色噜噜| 99视频只有精品| 五月丁香久久丝袜啪啪| 婷婷丁香综合| 99视频| 日本啪啪网| 五月天激情婷婷小说| 婷婷综合在线| 色综合中文色综合网| 性生活久久人妻| 亚洲精品婷婷| 婷婷久久大香蕉| 人人播| 婷色天堂| 五月婷丁香久久久| 超碰在线91| 亚洲a色| 亚洲视频码| 成人片久久网站| 色噜噜狠狠色综合成人99| 99色综合久久| 天天射天天射一道本日本社区| 色婷婷影院| 久久最新色| 婷婷五月天电影区小说区| 国产精产国品一二三在观看| 99热在线免费观看精品| 激情综合五月| 久久婷婷六月天| 五月色婷| 婷婷在线免费| 思思精品视频| 99 热| 97干在线视频| 久久婷婷伊人| 婷婷激情小说| 丁香五月婷婷五月天在线| 伊人久久99| 日韩操女| 婷婷射图| 丁香五月91| 九九99香蕉在线视频播放| 影音先锋AV男人站| 亚洲热久久| 五月天婷婷狂暴白浆| 激情五月丁香在线观看直播| 国产精品美女久久久久AV超清| 丁香婷婷五月天色综合| 99热在线观看| 婷婷丁香五月噜噜噜| 国产真实乱了老女人视频| 亚洲超碰在线| 五月婷婷激情网| 伍月婷丁香婷| 婷婷色色亚洲| 天天做天天爱天天要| 日本波多野结衣视频| 91精品久| 欧美五月丁香| 婷婷伊人综合中文字幕| 婷婷亚洲天堂| 色五月婷婷 成人| 久久伊人五月天| 色情综合网| 色情成人五月天| 激情综合久久| 成人午夜视频精品一区| 丁香六月激情网C0W| 91干在线视频| 九月婷婷久久久| www.久久| 婷婷五月丁香图片人人操| 人人色AV| 婷婷丁香五月在线观看91| 丁香五月无码| 成人电影AV在线观看| 九九99九九99九九99视频网| 色,激情五月天| 色情综合| 丁香五月天啪啪激情综合网| 最新AV在线观看| 亚州操操| 日韩激情婷婷五月天| 欧美A级成人婬片免费看理论| 日日日天天干| 99人碰碰碰| 色优久久| 人妻内射视频| 天天射夜夜爽| 丁香婷婷五月激情四射网| 亚洲精品大片| 五月天无码| 五月婷婷在线网站| 激情五月天第四色| 久久久久人妻| 婷婷五月图片小说网| 国洲夜色亚热在线久久| 日本色道视频网站| 九热视频这里只有精品| 99玖玖免费视频| 色色综合网站| 婷婷狠狠操| 日本免费91| 日日操天天操| 色婷婷婷婷五月天| 丁香香五月激情免费视频| 九九无毛| 五月丁香六月婷综合成人综合| 天天色官网| 丁香五月最新地址| 婷婷丁香成人色综合| 色婷婷丁香五月| 天天插天天插天天日| 亚洲中文AV| 人妻aV在线| 人妻内射麻豆视频| www.五月天婷婷| 精品人妻午夜一区二区三区四区| 无码人妻激情| 99热久草| 26uuu.| 狠狠 久久| 丁香六月啪啪| 色色色综合| 99er免费在线观看| 97色啪| 久久精品国产一区二区三区四区| 91婷婷搞| 五月天激情亚洲| 99色热视频| 大香蕉在九| 五月丁香啪啪| 丁香五月激情视频| 婷婷五月天无码熟女| 91久久色| 婷婷五月天丁香综合网| 狠狠干,狠狠操| 大香蕉婷婷五月天| 91窝窝| 国产精品涩涩涩视频网站| 日日操夜夜撸| 色综合色色色色色| 综合色五月天| 激情q青青草在线婷婷| 狠狠草网| 国产高潮白浆一区二区| 婷婷香草网| 久久综合丁香激情五月| 先锋资源婷婷| 天天操夜夜爱| 久久99热 这里有精品| 色五月激情综合网| 一区二区免费看| 狠狠狠狠狠狠草| www.日日夜夜.com| 久操无码| 久久婷婷五月综合色奶水99啪| 人人爱人人添| 五月婷婷色吧!| 五月婷婷综合热| 久久婷婷五月综合激情国产| 五月天色色色色色| 人妻六月天| 91打屁股免费看| 五月天激情亚洲| 丁香五月先锋| 999久久久国产精品| 97婷婷五月天| 五月丁香六月婷婷综合网缴情| 六月婷婷日| 婷婷色女| 狠狠草天天草| 色五月xxx| 丁香五月婷婷啪啪| 99 r热| 激情六月丁香| 99热国产| 日本婷久久| 天堂综合久久| 综激情网| 丁香五月婷婷超碰在线| 99超级碰免费视频| 色色日韩| 色情婷婷| 综合五月草| 五月婷婷深深的爱| 色情五月天se| 狠狠插狠狠| 婷婷丁香91综合| 99免费在线视频| 99久久激情视频| 五月婷丁香| 97久久久| 91狠狠综合久久久| 四川BBB搡BBB爽爽视频| 超碰操日| 97婷婷丁香五月天激情图片| 丁香五月激情网| 色综合丁香婷婷| 色女人久久| 影音先锋一区| 深爱五月激情综合| 激情五月婷婷综合视频| 第四色首页| 九九视频在线观看| 色玖玖综合网| 99性视频| 婷婷最新地址| 丁香五月大香蕉AV| 狠狠色婷婷777| 性欧美日本| 丁香五月精品视频| 五月天激情Av| WWW.婷婷| 九九九九这里只有精品| 成人做爰A片免费看网站找不到了| 中字幕视频在线永久在线观看免费| 国产又爽又猛又粗的视频A片| 大香蕉五月天婷婷| 狠狠插.com| 热久久婷婷| 丁乡久久| 激情综合女人网五月播播| 成人五月天综合网| 五月天色综合服务平台| 五月天色丁香| 性爱久久| 丁香五月亚洲综合丝袜| 中文字幕丰满人妻无码专区| 综合激情开心五月| 天天干com| 五月丁香啪啪综合| 天天草天天爱| 泰州成人视频| 色色色欧美| 色色五月天 亚洲| 久久亚洲无码| 色婷婷玖玖影院| 五月婷精品| 自拍视频在线观看9| 天天更新天天亚洲| 26uuu另类亚洲欧美日本一| 激情内射人妻1区2区3区| 色亭亭影园| 五月婷丁香| 亚洲AV网站在线观看| 天天做天天爽| jiuse91在线| 亚洲网站999| sS丁香五月婷婷| 深爱婷婷丁香五月激情| 色综合伊人网| 9久9久9久女女女九九九一九| 久久大香蕉同僚| 色综合天天网| 五月婷婷|欧美| 五月婷婷丁香| 狠狠狠狠青草| 99热在线免费观看精品| 黄色一级影片| 91九九九色在| 九九99在线观看视频| 六月丁香社区| 99性爱| 亚洲精品成人片在线播| 天天爽—爽| 五月天六月色| AV网在线| 337p大胆噜噜噜噜噜91Av| 久久色大香蕉| 日木狠狠干| 色激情五月| 开心激情站| 亚洲综合成人网站| 丁香五月婷婷乱| 色吧五月| 密视AV综合在线| 婷婷五月成人| 另类视在线| 少妇水多A片太爽了| 9有码中文| 丁香五月亚洲综合| 99精品热| 午夜天堂啪啪| 九九成人| 色爆五月| 婷色五月| 久久婷婷91| 亚洲视频在线网| 综合久久丁香婷婷,五月婷婷六月丁香,开心激情综合网,六月丁香在线观看,婷婷丁 | 开心激情色婷婷五月天| 91精品久久久久| 久久九九一區| 久久这里99| 丁香在线视频| 亚洲操人| 五月婷婷欧美| 先锋资源91| 999热在线视频| 香蕉久久国产AV一区二区| 久久综合中文| 婷婷五月激情欧美| 97欧美在线| va婷婷| 91无码一区人妻A片蜜| eeuss人妻| 成人片在线播放| 日韩aaa| 情色五月天 网站| 狠狠人妻久久久久久综合丁香| 青草五月天| 人妻激情在线| 婷婷五月丁香六月| 嫩草视频。| 久久婷婷一级片| 国产亚洲成AV人片在线观黄桃| 玖玖99精品视频| 综合五月丁香六月婷婷| 丁香五月 性爱| 99这里只有精品在线观看| 中文字幕人成乱码在线观看| 第四色色六月色综合| 新97人人上人人| 婷婷狠狠97| 色五月激情| 人人操碰| 色99视频| 亚洲情色一区| 色色吧综合| 色热久| 激情六月丁香| 色综合婷婷| 激情综合网五月激情| 亚洲人妻AV| 久操97| 久9精品| 婷婷五月天综合AV| 在线成人网站| 丁香六月婷婷综合| 色天天久婷婷| 日B日潘金莲BB| 五月色俺婷婷| 一级黄色操B| 五月天偷拍| 五月婷婷中文字幕| 26UUU精品一区二区| 天天做天天视天天谢| 国产 码在线成人网站| 丁香 婷婷 激情 综合 五月| 能看的AV| 久草婷婷网 | 可以免费看的AV网站| 婷婷色基地在线看| 婷婷五月AV| 中文字幕av在线播放| 中文无码婷婷| 五月天六月丁香| 97超碰婷婷五月天| 色五月婷婷五月天激情综合| 综合久久高清| 99精品久久| 操国产人妻| 久99久视频精品| 5月婷婷6月六月丁香| 五月天婷婷免费| 99无码| 99色1| 91久久九九| www久久99| 激情综合网五月天天| 日本综合九九| 97人人操| 色五月av伊人| 五月丁香A∨在线| 久热黄色| 色的色综合| 无码一区二区三区四区五区91c| 91久久精品无码一区二区三区| 欧美操人| 婷婷丁香五月社区亚洲| 另类图片色五月| 色婷婷综合中心| 九九色天堂| www.五月天婷婷| 99亚洲色| 久操大香蕉| 色婷婷8| 超碰国产AV| 久久黄色免费视频| 五月天基地| 丁香六月激情综合| 日本丁香五月| 欧美一区二区三区不卡影视| 激情熟女网| 丁香伊人激情| 综合色吧| 天天色视频| 丁香五月另类小说| 丁香丁香激情网| 九九热这里只有精品9| 色色五月天丁香| 淫荡工a| 久久久8| 日本色99网站| 五月婷激情| 丁香五月六月欧美| 天天玩夜夜操天天爽| 激情丁香五月综合| 国产FREESEXVIDEOS性中国| 婷婷五月天国产| 婷婷开心青青草| 中美日韩成人在线| 日韩啪图| 欧美日本韩国亚洲| 亚洲男女激情| 97热在线精品| 婷婷色成人| 思思热这里只有精品视频666| 色综合av超碰| 色婷婷很很十八禁| 99久久综合| 久久五月天视频| 2025年最新亚洲在线欧美| 九九九九国产| 二级黄色毛片| 人人操碰| 少妇人妻丰满做爰XXX| 伊人久久大香线蕉av一区| 色综合天天天天做夜夜| 激情五月深爱五月| 六月婷婷久久| 91精品久| 色综合激情图区| 丁香九月激情| 99热最新网址| 五月天婷婷伊人| se99视频| 天天干天天爽天天操| 色婷婷激情小说网| 狠狠色丁香综合| 91视频综合网| 婷婷五月丁香综合桃花色网| 亚洲第一第二网站| 亚洲瑟瑟精品在线| 亚洲夜五月| 第四色激情网| www.91在线观看| 综合玖玖偷拍| 综合超碰熟| 琪琪布丁香社区激情五月天| 亚洲日韩一页精品发布| 亚洲操操操| 九九热99热| 五月天婷婷AV| 99色精品| 婷婷色网站| 九九九九九九九热| 老司机午夜福利视频金瓶梅| 婷丁香久综合| 亚洲五月天第一综合干| 五月婷婷激情综合在线| 色综合婷婷| 亚洲综合五月天婷婷丁香| 91九色 婷婷| 99免费青青蜜臀| 狠狠综合久久综合| 丁香五月天天| 狼友超碰| 操B五月天| 欧美在线看| 无码人妻激情| 天天色综和网| 99热 免费| 久久九九视频网站| a69在线视频| 久久这里面只有精品视频| 97五月天婷婷午夜| 色婷婷五月六月丁香综合视频| 亚洲午夜精品久久久久久人妖| jiqingtaose五月天| a网站免费观看| 婷婷月五天在线在线看| 成人视频九九| 天天爽天天透天天爱| 丁香综合网| 人人爱天天摸摸天天爱| 欧美综合在线五月天色婷婷| www.日日夜夜| 丁香五月天在线| 欧美成人精品A片免费一区99| 久久总和99| 三级三久久线久久99久目本WW| 熟女激情五月天| 91啪啪| 色色网站毛片| 九九九九中文字幕| 99久久99视频| 九九色人| 99er这里只有精品视频| 婷婷激情区| 玖玖资源站中文| 一起草无码| 久久国产色| 9久热精品在线视频| 99视频日韩| 香蕉婷婷色五月| 少妇丁香婷婷 | 精品久9| 九月婷婷综合在线| 另类视频综合| 九九视频热| 天天色天天日| 可以免费观看的AV| 99久久婷婷国产综合精品电影| 黄色一极大片| 免费的日逼视频| 天天爽天天做| 大香蕉久久久久| 乱精品一区字幕二区| 婷婷五月综合免费在线| AV电影在线播放| 婷婷丁香五月天小说| 婷婷五月成人| 九九热最新| 激情婷婷99| 91黄操| 五月天激情国产综合AV| 亚洲网站999| 色婷婷成人做爰A片免费看网站 | 色逼综合网| 成人五月天丁香| 桔色成人官方网站| 天天操人人干| 激情综合五月| 丁香九月激情久久| 千人斩操逼| 亚洲人妻Av| 99热网精品| 第四色网婷婷| 91婷婷五月天综合视频| 丁香五月网址| 伊人久久丁香狠狠婷婷综合香蕉| 色婷| 91大屁股| 五月天成人小说| 色色热日| 欧美激情五月天在线观看| 六月激情网| 日日鲁鲁鲁夜夜爽爽狠狠视频97| 免费人人操| 天天射射夜| 91性高潮久久久久久久久| 久久9情免费| 久久机热这里只有精品免费视频| 开心婷婷丁香五月| 丰满少妇乱A片无码| 情一色一乱一伦一91A| 爱草视频在线观看| 天天色99| 色爱爱综合网| 开心 五月 综合| 五月丁香六月色| 婷婷9月天| 狠色狠色狠狠色综合网| 影音先锋一区| 婷婷伊人视婷婷婷| 天天免费成年人视频| 人人操AV| 伊人大香蕉毛片| 六月丁香啪| 99综合久久| 碰超在线九色| 婷婷五月天首页| 色区久久| 丁香婷婷六月天| 色五月丁香五月| 久久ri精品| 99热 在线观看| 综合色播| www.久久爱.com| 真实亲子乱子伦高清在线观看| 国产精产国品一二三在观看| 天天开心婷婷丁香五月| 婷婷午夜| 九色91视频| 丁香六月婷婷| 久久丁香九| 精品无码99| 五月色情| 婷婷五月天亚洲色| www99热| 国产韩日亚洲美州欧亚综合在线| 国产免费一区二区三区三州老师F1F1.CC | 国产日韩欧美性生活| 婷婷金品综合视频| 九九碰九九爱97超| 亚洲操逼片| 丁香婷婷色色| www.五月天婷婷| 热99久| 久久精品亚洲一级牲爱综合| 超碰日韩人妻在线| 五月天四色房丁香| av在线播放网站| 日韩六十路91性交电影| 国产真实乱了老女人视频| 99视频久久免费视频| 激情五月天色网站| 97久久久久| 亚洲超碰在线| 狠狠舔| 国产精品视频免费看| 五月婷婷综合影院| 99色| 伊人婷婷大香蕉| 92久久| 色婷婷亚洲婷婷| 色色色地址| 9l视频自拍9l九色9l成人| 婷婷五月综合网| 伊人9在线| 俺也去在线视频| 91人人妻人人操人人爽| 影音先锋人妻出差| 九九久久色| 色五月婷婷很很操| 色综合久久无码| 激情综合激情综合| 狠狠爱激情网| 色综合色色| 五月激情婷婷六月丁香| 五月婷婷 婷婷五月 一区二区 久久久| 色五月天网| 婷婷五月激情综合啪啪| 亚洲天堂啪啪| 俺也去在线久久精品23欧美综合视频网站,丰满人妻一区二区三区在线视频53,丰满 | 婷婷五月AV| 色色网站| 五月丁香激情综合网官网| 久久婷婷九月国产精品| 婷婷五月美女直播| 日韩欧美一道四区中文字幕| 9久精品视频| 五月伊人综合| 97在线观视频免费观看| 激情五月婷婷老师| 丁香久月婷| AA久久| 五月在线婷色| 99热网精品| 五月天激情小说欧美激情| 98色花堂98t.R| 深爱婷婷网| site:hcxsz888.com| 香蕉久久av一区二区三区| 色色 9| 成人丁香色| 九久9精品| 丁香五月婷婷亚洲综合精品在线| 啪啪视频99| 婷婷九九| 亚洲乱码成人| 色爱99| 亚洲激情网| 久久66成人网站| 六月婷久久| 无码人妻精品一区二区蜜桃色欲| 五月天婷婷爱| 色五月综合网| 8090在线影视少妇| 99热综合网| 丁香五月六月久久综合| 免费日本aⅴ中文字幕| 成人婷99最新| 森林影视大全,最好看的2019年视频 | 99在线看片| 97五月天婷婷综合激情网| 99热这里只有精品8| 色婷婷狠狠干芒果TV| 97干网站| 丁香五月婷婷国产av| 99精品视频偷拍| 色婷婷综合中心| www.9797国产| 婷婷色色亚洲| 国产精品久久久久久白浆色欲| 五月天中文字幕在线婷婷| 丁香五月婷婷av| 日韩一区二区A片免费观看 | 欧美日韩日韩成人| 99亚洲天堂| 久久丁香五月天| 99亚洲综合| 99视频91| 一本色道久久88加勒比| 精品久久99| 婷婷五月天精品| 第2色五月婷| 国产日韩av片| 久久久精品婷婷五月天| AA丁香综合激情| 天天影院色| 操逼福利视频| 色五月激情综合网| 玖玖婷婷视频| 艹B高清无码| 五月婷婷激情久久| 五月丁香综合影院| 九九热这里只有精品31| 久久机热这里只有精品免费视频| 婷婷网影院| 在线不卡AC| 99这里有精品视频| 91爱操| 激情内射p| 丁香六月婷婷高清| 久久综合丁香五月| 在线天堂9| 男人視頻站| 色吧婷婷五月亚洲| 99热最新| 97在线视频观看| 九色啦蜜臀| www,五月天激情| 亚洲婷婷丁香五月亚洲| 五月丁香六月色婷婷综合五月天| 香蕉网久久| 婷婷色色丁香| www超碰com| 国产欧美精品AAAAAA片| 91精品久久久久久综合五月天| xxxx久| 亚洲色亚洲精品| 精品99爱免费视频在线观看| 日韩 欧美 国产 一区 二区| 五月天社区| 婷婷九月综合| 伊人久久综合| 亚洲激情五月| 激情婷婷五月综合| 99久99久| 亚洲天堂色| 天天日天天肏天天奸| 日韩成人无码| 久久人妻视频| 来吧亚洲综合网| 久久99网| 九九99在线免费在线观看视频| 五月天伊人久久久久| 久久99热免费最新版| 国产26uuu| 丁香五月天无码| 视频这里只有精品16| 成人婷婷桔色| 婷婷五月永远18免费久久久| 久久只有这里精品免费| 97色碰| 熟惀91九色在线| 色情综合| 亚洲午夜av| 色五月婷婷五月天| 人妻少妇色综合| 国产乱妇无乱码大黄AA片| 99视频只有精品| 丁香五月偷拍| 桃色成人网| 嫩草AV久久伊人妇女超级A| 色婷婷丁香五月| 欧美成人AAA片一区国产精品| 国产美女无遮挡裸体毛片A片| 丁香激情网| 五月丁香啪啪网| 亚洲精品99| 尤物一区二区| 天天综合网~91| 日本道久久91| 六月丁香婷婷色狠狠久久| 97碰人人操| 91久久99久久91熟女精品| 亚州精品色情无码A片| 噜噜噜噜噜在线| 天天日日天天| 婷婷娱乐丁香综合网| 五月婷婷福利| 九色啦蜜臀| 99日在线视频| 91chinese在线| 丰满少妇乱A片无码| 刘玥精品一区| 国产精品丝| 99精品国产热久久91色欲| 日日操夜夜操狠狠操| www.狠狠干| 中文字幕色色色| 天天草天天爽| 99色婷婷视频| 精品影院| 亚洲AV久久久久久久久久久久久久久久 | 波多婷婷久久| 成人无码中文| 超碰大香蕉网| 77799热| 久久久久久综合五月婷婷| 亚洲五月天另类小说图片| 九九AV在线| 天天色情站| 丁香五月天影院| 夜色综合网| 成人永久免费视频在线观看| 97亚洲色 torrent magnet| 五月婷丁香在线视频在线| 51avj视频大全| 婷婷五月综合社区| 超碰AV在线| 丁香五月天婷婷大香蕉| 亚韩在线视频| 5月婷婷性视频| 五月婷婷官网色| 最新av在线观看| 一本色道久久88综合日韩精品| 亚洲人成网站999综合| 婷婷五月天黄色| 天天在线久久综合| 久久A区B区| 99热国产这里只有精品| 婷婷丁香综合网| 久久精品4| 草婷婷在线| 久激情网| 日韩丁香涩| 26.uuu丁香五月婷婷| 丁香开心深爱| 97色色网| 性欧美大战久久久久久久83| 大香蕉欧美在线| 五月丁香色色网| 色欲久久久久| 婷婷香五月天| jiuse91在线| 国产伦理精品高清在线观看网站一区二区| 欧美狠狠地| 五月婷婷AV| 超碰人人插| 8区视频在线| 逼逼AV| AV电影在线播放| 久777| 91精品久久久久久久| 激情五月天免费视频| 狼友视频在线观看18| 91麻豆国产三级精品福利在线观看 | www.天天干| 婷婷内射视频在线| 亚洲人妻一区二区 | 天天撸夜夜爽| 色色亚洲| 亚洲欧美成人在线观看| 五月丁香| 天天肏天天肏天天肏| 懂色av粉嫩av蜜臀av| 热99国产精品| 久久九九热视频| 99只有精品| 99日精品视频| 韩国久久少妇视屏| 97自拍视频在线| 久久伊人9| 色色色色色网站| 亚洲乱码日产精品BD| 人妻激情视频| 五月婷丁香亚洲| 99精品视频网| 五月天丁香综合| 欧美色爱五月天| 99精品视频在线观看| 色五月首页| 人妻aV在线| 五月停停99| 六月婷婷天天操夜夜爽视频| 人人操人人干AV| 97超级啪啪在线观看| 狠狠久久婷五月综合色| 五月婷婷丁香综合| 9 99免费视频| 欧美成人五月天| 91干婷婷| 天天摸,天天爽| 五月婷婷久久综合| 另类激情五| 天天做好综合色| 色五月美女| 婷婷五月丁香五月天| 欧美交换配乱吟粗大25P| 激情九月婷婷| 色综合久久天天综合网| 婷婷久久影院| 综合成人小说婷婷| 九色综合五月天婷五月| 99热这里只有精品26| 成人短视频在线| 99热天堂| 夜色综合网| 玖玖激情网| 色亚洲激情| 久婷婷久草| 婷婷五月天综合色| 亚洲乱码日产精品BD| 激情五月丁香色婷婷| 婷婷五月天基地| 另类综合激情| 欧洲亚洲午夜| 91婷婷在线观看| 91久久电影| 天天干,天天操,天天射| 五月天激情网图片| 久99精品视频| 五月丁香色综合| 色综合狠狠色| 九色七七| 99色五月| 欧美三级欧美一级| 色五婷婷| 五月丁香婷婷色色| 激情久久肏屄视频| 色婷婷影院| 7月婷婷六月丁香| 婷婷亚洲综合| 蜜乳.comcom| 亚洲国产精品VA在线看黑人| 五月婷伊人| 国产美女无遮挡裸体毛片A片| 丁香婷婷综合五月天| 伊人五月天| 一本久久亚洲五月婷婷 | 五月丁香六月情亚洲| 婷婷久综合| 久久久久久人妻久久久久久久久久人妻久久久 | 丁香婷婷基地| 婷婷伊人75| AV在线资源| 99热碰碰热| 色五月婷婷老师| 中文久久久人妻| 成人五月天综合网| 色丁香六月| 日本久草福利| 91人人操人人| 天天射夜夜爽| 久久99国产综合精品免费 | 色婷婷丁香五月丁香| 99亚洲精品综合在线 | 五月天婷婷爱| 久久婷婷影院| 欧美亚洲999| 日本精品人妻无码77777| 婷婷综合色播网| 激情婷婷九月| 国产激情综合五月久久| 日本va欧美va精品发布视频| 亚洲va久久久噜噜噜久久天堂| 六月综合在线| 激情九月综合| 五月天丁香| www,五月天激情| 性爱七区| 亚洲色另类| 丁香五月天av| 亚洲人妻电影| 天天干天天操天天拍| 狠狠操.COM| 99啪在线| 色五月激情综合网| 狠狠狠狠操| 开心五月婷婷婷美女| 色婷婷久久| 日日狠狠久久偷偷四色综合免费| 色五月婷婷AV| 色玖玖| 婷婷丁香人妻天天| 丁香六月婷婷综合| 97超碰婷婷五月天| 日本九九网| 天天插综合在线| 99在线综合视频| 超碰人人超碰| 亚洲小说欧美激情| 丁香六月av| 五月婷婷丁香六月| 色婷婷久久综合丁香五月| 99re视频在线播放| 婷婷五月天精品| 色婷婷五月天激情久久| 日韩性爱无码| 人人爽天天爽| 亚洲第一视频 久久| 91丨九色丨白浆秘| 色播五月丁香| 第四色五月天| 精品九九在线观看| 免费成人中文字幕| 综合久久婷婷| 五月婷婷中文字幕| 婷婷五六月丁香| 99九九免费精品| 99热网站| 天天干com| 思思视频久久| 五月丁香综合影院| 天天综合精品| 日日干日日| xx综合网| 狠狠色五月| 九九色网专区| 久九色| 婷婷色激情五月天| 婷婷丁香五月亚洲欧美| 99热99| 少妇搡BBBB搡BBB搡毛茸茸| 秋霞AV淫| 99热99re6国产在线播放| 9久久精品| 91丨九色丨国产在线| 禁欲电影完整版在线播放| 另类激情五月| 婷婷五月天男人影院色色网| 五月开心婷婷中文字幕| 五月丁香中文婷婷中文| 国产精品久久久久9999小说 | 99精品在线观看视频| 人人干Av| 久久色五月天| 99视频在线观看网址| 色五月综合激情网| 色欲天天综合网| 日本色色视频| 婷婷天天综合| 色噜噜狠狠色综合无码久久欧美| 婷婷九九视频| 激情6月| http:色情日本com| 久久综合丁香激情五月| 丁香六月婷|