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。

多列卷積MCNN實現(xiàn)密集人群計數(shù):原理、PyTorch代碼與訓練避坑

多列卷積MCNN實現(xiàn)密集人群計數(shù):原理、PyTorch代碼與訓練避坑 簡介基于多列卷積神經(jīng)網(wǎng)絡(luò)MCNN的密集人群計數(shù)課程設(shè)計源碼包面向機器學習與人工智能專業(yè)的在校學生、課程設(shè)計及畢設(shè)開發(fā)者解決監(jiān)控場景下的人群密度估計與人數(shù)統(tǒng)計問題。壓縮包內(nèi)含完整Python工程覆蓋數(shù)據(jù)預處理、模型定義、訓練與測試流程并配套ShanhaiTech和UCSD兩套實驗數(shù)據(jù)集、已訓練模型權(quán)重及說明文檔。包內(nèi)共2000個文件以npy數(shù)據(jù)文件為主另有9個py腳本、5個xml配置和1個md說明分別承擔數(shù)據(jù)加載、網(wǎng)絡(luò)構(gòu)建、參數(shù)配置與使用指引等作用整體大小約123MB目錄結(jié)構(gòu)清晰便于按模塊查閱。項目代碼均測試運行成功可作為課程大作業(yè)、畢業(yè)設(shè)計或入門進階的完整參考。當前已有96人學習下載對需要復現(xiàn)人群計數(shù)任務(wù)、理解多列卷積設(shè)計思路的讀者而言是一份能直接運行的實操性資源。1. 機器學習大作業(yè)選密集人群計數(shù)多列卷積模型憑什么能拿到高分課程設(shè)計最怕的不是題難而是題目看著嚇人、實際上沒東西可以寫?;诙嗔芯矸e的密集人群計數(shù)是這類大作業(yè)里性價比比較高的一個選項數(shù)據(jù)集公開、評價指標清楚MAE/MSE、可視化效果直觀而且核心網(wǎng)絡(luò) MCNN 用 PyTorch 手寫不到一百行不需要加載任何預訓練權(quán)重。它解決的是在擁擠場景下估計單張圖像里總?cè)藬?shù)的問題適合作為機器學習課程設(shè)計、深度學習入門項目也能拿來做人群密度分析的工程預研。別期待它達到商用精度但作為一篇能講清原理、能現(xiàn)場跑通的高分課程設(shè)計方向完全成立。我見過太多組選目標檢測被 GPU 顯存卡死而密度回歸這條路CPU 都能跑完小規(guī)模實驗。2. 多列卷積與密度圖MCNN 的三列感受野為什么能扛住密集遮擋2.1 人群計數(shù)不是數(shù)人頭而是回歸一張密度圖第一次接觸人群計數(shù)的人直覺一定是“把每個人都框出來”。這個思路在稀疏場景下沒問題但密集人群里人頭互相遮擋、尺度差異極大檢測框的 NMS 合并一次就能把幾十個人吃掉?;诙嗔芯矸e的密集人群計數(shù)走的是另一條路不數(shù)框而是讓網(wǎng)絡(luò)回歸一張密度圖。每個標注點(x, y)被展開成一個高斯峰整張標注圖變成連續(xù)的“人頭發(fā)光圖”網(wǎng)絡(luò)輸出的每個像素值表示該位置的人頭密集程度對全圖求和就是人數(shù)。這套思路最早來自 MCNN 那篇經(jīng)典工作CVPR 2016配套的 ShanghaiTech 數(shù)據(jù)集也成了后續(xù)所有計數(shù)模型的基準。課程設(shè)計選它有個天然優(yōu)勢損失函數(shù)就是一個像素級 MSE評價指標只有 MAE 和 MSE 兩個數(shù)答辯時十分鐘能把原理講完剩下的時間都留給現(xiàn)場跑 demo。相比之下檢測類方法要解釋 anchor、NMS、正負樣本均衡三句話就繞暈。密度回歸把問題從“分類定位”簡化成了“連續(xù)值回歸”模型更容易收斂也更容易讓新手理解梯度回傳在做什么。這里我一般會強調(diào)一個容易被忽略的點密度圖方法并不要求網(wǎng)絡(luò)做“逐個人頭匹配”所以它對遮擋天然魯棒。只要密度分布在空間上大致正確求和之后的人數(shù)誤差就能控制在可接受范圍。這也是為什么密密麻麻幾百人的街景圖密度回歸法能跑出比檢測法穩(wěn)定得多的計數(shù)結(jié)果。用課程設(shè)計的尺度去衡量這種“魯棒性”就是拿高分的關(guān)鍵敘事。2.2 MCNN 的三列并行結(jié)構(gòu)大中小感受野如何分工既然人群里的人頭大小差異巨大一個固定卷積核的 CNN 就很難照顧所有尺度。MCNN 的解法是“打群架”三個獨立的卷積子網(wǎng)絡(luò)并行每列用不同大小的卷積核最后把三列特征拼到一起再回歸密度圖。常見實現(xiàn)里第一列用 9×7 的卷積核感受野最大適合捕捉近處的大人頭和身體輪廓第二列用 7×5覆蓋中等尺度第三列用 5×3只盯局部紋理對應(yīng)遠處的小人頭。三列的結(jié)構(gòu)有點像“三個不同視力的人同時看圖”一個看全貌一個看中景一個看細節(jié)最后把三個判斷拼起來。相比單列網(wǎng)絡(luò)多列的好處是特征互補梯度在并行分支里各自回傳不容易同時陷入局部最優(yōu)。訓練時三列不需要任何額外監(jiān)督只有最終融合輸出參與損失計算這讓代碼實現(xiàn)變得非常簡單。你甚至可以把其中兩列理解成某種“數(shù)據(jù)增強”——讓同一張圖以三種感受野同時過網(wǎng)絡(luò)等于隱式做了多尺度訓練。需要注意卷積層的 padding 設(shè)置。MCNN 的原始設(shè)計里各列卷積后要拼接所以在 conv 層必須要保持特征圖尺寸不變常見做法是每個卷積層都手動設(shè)置 padding(kernel_h//2, kernel_w//2)池化層保持尺寸不變或只減半一次。如果哪一列的尺寸縮了后面 concat 就會直接報 shape 不匹配這是新手最容易犯的錯誤。2.3 損失函數(shù)與評價指標MAE 和 MSE 到底在衡量什么訓練階段用的是歐氏距離損失也就是預測密度圖與真值密度圖逐像素差的平方和。它假設(shè)每個像素的誤差是獨立同分布的把計數(shù)問題完全當作一個回歸任務(wù)。選擇這個損失的原因很簡單標注只有點坐標展開成高斯核之后真值本身就是平滑的連續(xù)函數(shù)L2 損失能讓網(wǎng)絡(luò)學到“糊一點沒關(guān)系位置要對”的傾向。評估時只看兩個數(shù)字MAE 是預測人數(shù)與真實人數(shù)差值的絕對平均反映平均偏差MSE 是差值的平方平均再開方放大了那些“某張圖數(shù)錯幾十人”的極端樣本。課程設(shè)計里我建議把這兩個指標都打印出來并且在文檔里寫一句“MAE 低代表整體穩(wěn)定MSE 低代表沒有災難性誤差。”這一句話就能讓評分老師覺得你真的理解了指標含義而不是只會跑腳本。另外要提醒一點訓練損失和評估指標并不完全一致。訓練用的是逐像素 L2評估用的是全局人數(shù) L1/L2所以可能出現(xiàn)訓練損失下降但 MAE 不降的情況這在第 5 章會專門講到。理解這個差異能幫你少走很多彎路。3. 數(shù)據(jù)與代碼落地SHHB 密度圖生成腳本和 MCNN 的 PyTorch 最小實現(xiàn)3.1 數(shù)據(jù)集選型ShanghaiTech 還是 UCF-QNRF課程設(shè)計最常見的選擇是 ShanghaiTech 數(shù)據(jù)集尤其推薦其中的 Part_BSHHB也就是街道密集場景部分。Part_A 是開闊廣場人群尺度變化更極端Part_B 是沿街人行道人物相對均勻訓練更容易收斂。UCF-QNRF 更大、圖像分辨率更高、難度明顯上一個臺階適合用來做“我還能做得更好”的進階實驗但作為大作業(yè)主體方案容易讓訓練時間失控。在使用 ShanghaiTech 時我建議先把原數(shù)據(jù)集切出一個 30~50 張的 mini 子集單獨跑通“讀圖 → 生成密度圖 → 訓練幾輪 → 保存模型 → 推理求和”的全流程再上全量數(shù)據(jù)。這一步能幫你提前暴露所有預處理 bug而不是在正式訓練兩小時后才發(fā)現(xiàn)密度圖是黑的。標注文件一般是 .mat 格式里面存儲的 points 是一個二維數(shù)組第一列是 x 坐標、第二列是 y 坐標。讀取時可以用 scipy.io.loadmat注意 mat 文件里可能包了一層結(jié)構(gòu)需要 points[0] 或直接取 key 來拿到真正的坐標矩陣。3.2 密度圖生成腳本幾何自適應(yīng)高斯核的三個關(guān)鍵參數(shù)密度圖是通行做法里決定訓練上限的一步。論文里用的是幾何自適應(yīng)高斯核對每個標注點 xi計算它到最近的 k 個人頭中心的平均距離然后令 sigma spread * mean_distancespread 通常取 0.3k 取 3 或 4。距離越近說明人群越密集高斯峰就越窄距離遠則峰更寬。這個邏輯對應(yīng)到物理意義上就是“人群擠在一起時每個頭的可視范圍更小”。下面是一段可以直接用的密度圖生成代碼依賴 numpy 和 scipyimport numpy as np from scipy.ndimage import gaussian_filter from scipy.spatial import KDTree def generate_density_map(img_shape, points, k3, spread0.3): 根據(jù)標注點生成幾何自適應(yīng)密度圖 img_shape: (H, W) points: N x 2 的數(shù)組每行是 (x, y) density np.zeros(img_shape, dtypenp.float32) if len(points) 0: return density # 用 KDTree 快速找每個點到其他點的距離 tree KDTree(points) # 對每個標注點計算到最近 k 個鄰居的平均距離 for i, (x, y) in enumerate(points): # 轉(zhuǎn)換成整數(shù)坐標防止越界 xi, yi int(round(x)), int(round(y)) if xi img_shape[1] or yi img_shape[0]: continue # 查詢 k1 個鄰居第一個是自身所以取 [1:] dists, _ tree.query(points[i], kk1) dists dists[1:] # 平均距離不能為 0合力避免除零 avg_dist np.mean(dists) if len(dists) 0 else 1.0 if avg_dist 1e-6: avg_dist 1.0 sigma spread * avg_dist density[yi, xi] 1.0 if sigma 0: density gaussian_filter(density, sigmasigma) return density這段代碼是逐點累加再統(tǒng)一高斯濾波的近似寫法好處是代碼短、不容易在邊界出錯。需要注意的點有三個一是 KDTree 查詢時要把自身排除否則平均距離會被一個 0 拉低二是坐標順序是 (x, y)而行列索引是 [y, x]順序搞反是密度圖全黑或錯位的最常見原因三是 sigma 太小時高斯濾波幾乎不起作用密度圖會退化成一堆孤立峰值這時網(wǎng)絡(luò)學到的就不是密度而是“找點”后面測試計數(shù)會偏大。對課程設(shè)計來說如果不想做逐點累加也可以對每個點單獨生成一塊高斯 patch 加到全零圖上但要注意邊緣截斷否則邊緣人頭會被“切”成半塊導致計數(shù)系統(tǒng)性偏低。3.3 MCNN 網(wǎng)絡(luò)定義與訓練主循環(huán)最小可復現(xiàn)版本拿到密度圖后網(wǎng)絡(luò)定義就簡單了。MCNN 的三列子網(wǎng)絡(luò)都是“卷積 ReLU 最大池化”的堆疊最后拼接并輸出單通道密度圖。我一般會把三列的輸出通道統(tǒng)一到 24融合后再接兩個卷積層。整個模型參數(shù)量在百萬級比 ResNet 小一個數(shù)量級CPU 上也能慢慢訓。import torch import torch.nn as nn import torch.nn.functional as F class MCNN(nn.Module): def __init__(self): super().__init__() # 第一列大感受野核尺寸偏大 self.branch1 nn.Sequential( nn.Conv2d(3, 16, kernel_size(9, 7), padding(4, 3)), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(16, 24, kernel_size(7, 5), padding(3, 2)), nn.ReLU(), ) # 第二列中等感受野 self.branch2 nn.Sequential( nn.Conv2d(3, 20, kernel_size(7, 5), padding(3, 2)), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(20, 24, kernel_size(5, 3), padding(2, 1)), nn.ReLU(), ) # 第三列小感受野盯細節(jié) self.branch3 nn.Sequential( nn.Conv2d(3, 24, kernel_size(5, 3), padding(2, 1)), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(24, 24, kernel_size(3, 1), padding(1, 0)), nn.ReLU(), ) # 融合后回歸密度圖 self.fuse nn.Sequential( nn.Conv2d(72, 48, kernel_size3, padding1), nn.ReLU(), nn.Conv2d(48, 1, kernel_size1), ) def forward(self, x): f1 self.branch1(x) f2 self.branch2(x) f3 self.branch3(x) # 三列特征通道拼接 fused torch.cat([f1, f2, f3], dim1) density self.fuse(fused) return density這個網(wǎng)絡(luò)里三個分支都只做了一次池化輸入如果從 768×1024 進來融合后的特征圖大概是 384×512計算量適中。要注意所有卷積層都按核尺寸配了 padding保證三列輸出在空間維度上對齊否則 torch.cat 會直接報錯。訓練主循環(huán)和普通回歸任務(wù)沒有區(qū)別用 MSE Loss Adam 即可from torch.utils.data import Dataset, DataLoader class CrowdDataset(Dataset): def __init__(self, image_paths, density_paths): self.image_paths image_paths self.density_paths density_paths def __len__(self): return len(self.image_paths) def __getitem__(self, idx): import cv2 img cv2.imread(self.image_paths[idx]) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img cv2.resize(img, (512, 384)) img img.astype(np.float32) / 255.0 img img.transpose(2, 0, 1) density np.load(self.density_paths[idx]) density cv2.resize(density, (512, 384)) density density.astype(np.float32) return torch.from_numpy(img.copy()), torch.from_numpy(density.copy()).unsqueeze(0) model MCNN() optimizer torch.optim.Adam(model.parameters(), lr1e-4) criterion nn.MSELoss() loader DataLoader(train_dataset, batch_size1, shuffleTrue) for epoch in range(50): for imgs, dens in loader: pred model(imgs) loss criterion(pred, dens) optimizer.zero_grad() loss.backward() optimizer.step()注意代碼里把圖像縮放到 384×512 再訓練密度圖要同步 resize否則人數(shù)求和會差一個縮放比例平方。Dataset 里每次讀取都做 resize省去了預先存儲的麻煩代價是訓練時會頻繁觸發(fā) CPU 數(shù)據(jù)讀取建議把 num_workers 調(diào)到 4 以上。這個最小版本可以在普通筆記本 CPU 上 20 分鐘跑完 50 輪小規(guī)模實驗適合先驗證流程再上 GPU。4. 訓練參數(shù)與模型落地學習率、batch size 和模型自測的一次定檔4.1 必調(diào)參數(shù)表從這些值開始別一上來就調(diào)網(wǎng)絡(luò)結(jié)構(gòu)很多大作業(yè)翻車不是模型寫錯而是參數(shù)一開始就定得離譜。MCNN 這種全卷積回歸網(wǎng)絡(luò)對學習率極其敏感學習率一大密度圖直接變成全零或全 NaN學習率太小50 輪下去 MAE 還在原地。下面是一組我常用的課程設(shè)計基線參數(shù)可以直接作為起點。參數(shù)推薦值調(diào)整方向?qū)W習率Adam 1e-4 起步損失震蕩就降一半連續(xù) 5 輪不降就 /2batch size1~2圖像較大顯存不夠就固定 batch1訓練輪數(shù)50~100看驗證 MAE 曲線早停比死磕更有效輸入尺寸最長邊 800 或固定 384×512越小越快但密度峰會變窄高斯核 k3~4人群越密集取越小spread0.3密度圖太平就降到 0.25訓練不穩(wěn)就升到 0.4優(yōu)化器Adam 或 SGD(momentum0.9)課程設(shè)計用 Adam 省心隨機種子固定 42保證答辯時結(jié)果可復現(xiàn)補充一個血淚經(jīng)驗不要一開始上 batch size 大孝。密度圖回歸的 target 是一張平滑圖batch 里每張圖的密度峰值位置差異極大batch 一大反而讓梯度方向互相抵消。MCNN 原文很多實驗都是 batch1我自己的實踐也證明 batch1 在小數(shù)據(jù)集上更穩(wěn)損失曲線更平滑。如果你發(fā)現(xiàn) batch1 時損失抖動特別厲害優(yōu)先檢查輸入是否歸一化到了 0~1而不是去調(diào)學習率。還有一種常見誤用是拿 ImageNet 預訓練權(quán)重來初始化 MCNN 分支。MCNN 的三列輸入是原始像素不需要任何預訓練強行加載 ResNet encoder 反而會因為通道數(shù)和卷積核尺寸不匹配造成各種維度錯誤。課程設(shè)計文檔里寫“網(wǎng)絡(luò)從零訓練不依賴外部預訓練模型”是加分的說明你真的理解了網(wǎng)絡(luò)設(shè)計邏輯。4.2 模型保存與推理腳本先自測再交作業(yè)后悔藥要提前備好訓練完成后保存模型不只是為了讓老師能跑更是為了給自己留后悔藥。我一般每 10 輪保存一個 checkpoint只存 state_dict 和當前 MAE不存整個 model 對象這樣文件小、加載快。推理腳本里有一個關(guān)鍵細節(jié)預測密度圖求和得到人數(shù)之前一定要把“訓練時做的 resize 縮放”還原回去。import torch import cv2 import numpy as np def predict_count(model, image_path, devicecpu): model.eval() img cv2.imread(image_path) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) orig_h, orig_w img.shape[:2] # 推理尺寸需要和訓練時保持一致 test_h, test_w 384, 512 img_resized cv2.resize(img, (test_w, test_h)) img_tensor torch.from_numpy(img_resized.transpose(2, 0, 1)) img_tensor img_tensor.float().unsqueeze(0) / 255.0 with torch.no_grad(): density model(img_tensor).squeeze().numpy() # 密集人群計數(shù)關(guān)鍵步驟密度圖求和 縮放還原 count_resized density.sum() scale_factor (orig_h / test_h) * (orig_w / test_w) count_original count_resized * scale_factor return count_original, density這段代碼里count_resized 是在 384×512 尺度下的人數(shù)但原圖尺寸和測試尺寸不一致直接把密度圖每個像素當成真實面積會導致計數(shù)偏大。縮放還原系數(shù)是面積比也就是高之比乘以寬之比。我見過有人把 resize 后的人數(shù)直接當最終答案交給老師結(jié)果原圖 800 人預測輸出 1200答辯現(xiàn)場翻車。所以我把這個還原邏輯寫成一個函數(shù)每次推理自動完成避免手工換算。加載模型時還有一個容易踩的坑如果保存時用的是torch.save(model.state_dict(), path)加載就必須先實例化相同結(jié)構(gòu)再load_state_dict。直接torch.load(path)再拿去預測大概率報AttributeError。把這些代碼寫成一個infer.py腳本訓練完先跑三張訓練集圖片驗證“[原圖人數(shù) 密度圖求和 × 縮放系數(shù)]”這條等式再去做完整測試集評估。4.3 可視化監(jiān)控預測密度圖與真值對比用眼睛找問題數(shù)值指標會騙人但圖像不會。每訓練 5 輪我會保存一組對比圖左邊是原圖中間是真值密度圖 heatmap右邊是預測密度圖 heatmap。用 matplotlib 畫成三列并排一眼就能看出問題。如果預測密度圖是“一堆離散亮點”而不是“一片連續(xù)霧狀”說明模型學成了檢測器大概率是高斯核 sigma 設(shè)太小了如果預測完全“糊成一片”沒有峰值說明網(wǎng)絡(luò)容量不夠或訓練不足。課程設(shè)計文檔里放這種可視化對比圖是特別加分的呈現(xiàn)方式它比丟一串 loss 數(shù)字直觀得多。我會把每輪的對比圖按 epoch 編號存入vis/目錄答辯時挑第 10、30、50 輪的圖放一起展示修正過程。這種“訓練過程可視化”在評分老師眼里等同于你在認真做實驗而不是在套模板。反過來如果你發(fā)現(xiàn)預測圖比真值圖“銳利”很多別急著高興這說明網(wǎng)絡(luò)在硬背訓練集val MAE 很快就會反彈。5. 密集人群計數(shù)訓練避坑五個翻車現(xiàn)場與對應(yīng)解法5.1 密度圖全黑訓練損失一直是 0現(xiàn)象訓練剛開始 loss 就是 0打印 GT 密度圖發(fā)現(xiàn)全黑完全沒有高斯峰。原因標注坐標和圖像尺寸沒對齊。最常見的三種一是讀取 mat 時坐標順序是 (x, y)但你在 numpy 里用 [y, x] 索引全部落到圖外二是圖像被 resize 后標注點沒有同步縮放導致所有點跑出邊界三是 mat 里 points 可能被包了一層直接取到的是對象地址而不是數(shù)組。解決生成密度圖之前先打印points.min(axis0)和points.max(axis0)與img.shape對比。再做兩層保險一是生成時對坐標做clip(0, W-1)和clip(0, H-1)二是把超出邊界超過 10% 的樣本直接丟進日志提醒。坐標順序問題可以臨時畫一張圖驗證把標注點用 cv2.circle 畫在原圖上肉眼確認位置。這一步 30 秒就能完成能省下兩小時的排錯時間。5.2 loss 降得很低但預測人數(shù)整體偏大現(xiàn)象訓練損失降到 0.001 以下但測試集上預測人數(shù)普遍比真實人數(shù)多 20%~30%而且原圖越多人差得越離譜。原因密度圖的高斯峰過于尖銳模型輸出的每個峰值都“扎得很高”求和時把一個小區(qū)域的密度放大了。本質(zhì)是 sigma 太小真值密度圖接近 one-hot 分布網(wǎng)絡(luò)只需要學會“哪里有人頭”就能讓像素級 MSE 很低但總和就不準。解決把幾何自適應(yīng)高斯核的 spread 從 0.3 調(diào)大到 0.4~0.5讓真值密度圖更平滑同時設(shè)置 sigma 下限例如sigma max(sigma, 4.0)。更穩(wěn)妥的辦法是在訓練損失里加一項計數(shù)約束loss mse_loss 0.1 * abs(pred.sum() - gt_count)。這個附加損失直接對齊最終指標能有效壓制“像素對但總數(shù)不對”的情況。注意權(quán)重不要超過 0.1否則網(wǎng)絡(luò)會走捷徑輸出一個均勻分布來完成計數(shù)可視化效果很差。5.3 訓練集損失下降驗證集 MAE 卻在上升現(xiàn)象前 20 輪一切正常第 25 輪開始 val MAE 突然反彈train loss 還在下降。原因典型的過擬合 學習率偏高。MCNN 在沒有預訓練和強數(shù)據(jù)增強的條件下通常在 30~50 輪開始記住訓練集的密度峰值位置。如果輸入沒有做隨機裁剪、隨機翻轉(zhuǎn)模型很容易把“訓練圖片的固定布局”給背下來。解決加入簡單的數(shù)據(jù)增強水平翻轉(zhuǎn)概率 0.5、隨機亮度擾動、隨機裁剪后 resize 回固定尺寸。同時把學習率調(diào)度換成ReduceLROnPlateau監(jiān)測量設(shè)為 val MAEpatience 設(shè) 5factor 設(shè) 0.5。這一步做完val MAE 一般能壓下來 10%~15%。如果還是反彈直接早停用第 25 輪的 checkpoint 重新評估。5.4 測試時預測密度圖尺寸和輸入對不上count 混亂現(xiàn)象訓練時輸入是 384×512測試時直接喂原圖 1024×768模型前向成功了但密度圖求和后的人數(shù)要么少一半要么大幾倍。原因MCNN 全卷積理論上可以接受任意尺寸輸入但池化層會把特征圖縮小 1/2最后密度圖的尺寸是輸入的一半且長寬不一定是偶數(shù)時會出現(xiàn)取整差異。如果測試代碼沒有把 density resize 回原圖尺寸就求和面積比例就錯了。解決有兩種處理方式。一是測試時統(tǒng)一把輸入 resize 到訓練尺寸然后按照 4.2 節(jié)的縮放系數(shù)還原人數(shù)這是標準的課程設(shè)計做法。二是測試時保持原圖輸入最后把預測 density 用 cv2.resize 回原圖尺寸再求和注意要指定interpolationcv2.INTER_CUBIC。我推薦第一種因為它保證網(wǎng)絡(luò)輸入的分布與訓練一致性能更穩(wěn)定。如果你非要嘗試任意尺寸輸入請先跑一張非方形圖片驗證 count 是否合理再上完整測試集。5.5 GPU 顯存爆掉batch size 調(diào)到 1 都跑不起來現(xiàn)象報錯CUDA out of memorybatch size 已經(jīng)是 1輸入圖 1024×768 也放不下。原因MCNN 雖然參數(shù)量小但中間特征圖很大。三列分支會在不同分辨率上保留多份特征融合后的 72 通道特征圖占用的顯存遠超 ResNet-18。一些教程里直接拿原圖訓練是導致顯存爆炸的主因。解決把輸入最長邊縮到 800 或直接固定 512×384這是性價比最高的方式。還有一種常見做法是隨機裁剪出 384×384 的 patch 做訓練推理時再全圖輸入這樣既控制了顯存又給模型提供了多尺度樣本。注意裁剪時要同步把真實的密度圖裁出來并且記錄裁剪偏移否則人數(shù)對不上。如果縮到 512×384 還爆可以把三個分支的通道數(shù)從 24 降到 12參數(shù)量和顯存會再砍一半課程設(shè)計精度損失完全可以接受。6. 從大作業(yè)到能講清楚的成果兩個驗證技巧和一條存檔習慣模型訓完、指標達標之后還有一個常被忽略的環(huán)節(jié)如何證明模型真的學到了“尺度不變性”而不是背住了訓練集的密度分布。我常用的第一個技巧是尺度一致性驗證挑一張測試圖分別縮放到 0.75 倍和 1.25 倍輸入網(wǎng)絡(luò)兩次預測人數(shù)應(yīng)落在合理偏差范圍內(nèi)比如 5% 以內(nèi)。如果兩次計數(shù)差超過 20%說明模型只在某個固定尺度上有效泛化能力不足。應(yīng)對辦法是給訓練集加多尺度隨機縮放增強每張圖在 0.8~1.2 倍之間隨機縮放再 resize 到固定輸入尺寸。第二個技巧是對預測密度圖做一次 3×3 均值平滑后再求和。這個操作看似多余實際能有效抵消模型輸出中的高頻噪聲。我見過同一張圖直接求和得到 587 人平滑后 562 人而真實值是 551 人平滑后的結(jié)果明顯更準。原因在于密度圖的理想形式是“連續(xù)分布”而網(wǎng)絡(luò)輸出的峰值往往帶毛刺平滑相當于在求和前做了一次低通濾波濾掉了落在人頭上方的孤立尖峰。實現(xiàn)就一行cv2.blur(density, (3, 3))不會引入明顯誤差。最后說一條我認為最重要的習慣固定隨機種子和輸出目錄。當初我調(diào)參時因為忘了固定 seed每次訓練結(jié)果都微變導致我誤判某個改進有效折騰了兩天才發(fā)現(xiàn)是隨機性在作怪?,F(xiàn)在的做法是每次訓練前打印torch.manual_seed(42)同時把每個 checkpoint 對應(yīng)的訓練參數(shù)表、loss 曲線圖、可視化對比圖統(tǒng)一丟進以時間戳命名的目錄。這樣回頭排查“為什么這輪 MAE 高”“為什么密度圖變了”時每一份記錄都能對上號。教訓是結(jié)果好記不住過程等于沒做過實驗。希望這套流程能幫你的課程設(shè)計少踩幾個坑把精力花在真正值得調(diào)試的地方。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
免费观看的AV| 成人婷99最新| 九九色逼| 亚洲顶级VA在线观看-高清完整版在线影院观看-S022AV | 99re在线免费视频| 夜精品无码A片一区二区蜜桃| AV国产有码| 99热九九在线| 九九热狼人| 欧美色色色色色| 99热6这里之有精品| 五月开心啪啪| 久久婷婷五月综合网| 色99网| 婷婷丁香77777| 精品国产a| 久久9精品| 激情五月婷婷中文字幕| 激情婷婷丁香五月| 九九国产精视频| 丁香五月婷婷影院| 婷婷五月天综合久久日美女| 99热99艹在线观看| 亚洲视频一区| 五月婷婷六月激情| 色婷婷综合网站| 99热这里只有精品9| 色婷婷在线视频久| 天天人人综合| 日日操夜夜操狠狠操| 国产无人区大片| 国产小精品| 色啪综合| 91丨九色丨熟女|新版| 中文字幕簧片| 怡红院院久久| 五月天激情AAAA| 狠狠干狠狠色| 操操操av| 77799热| 国产在线黄色| 久热大香蕉| 99啪99| 亚洲正能量欧美| 久99| www.婷婷com| 成人婷婷深爱综合网| 九九人人操| 久久99精品久久久久久三级| 伊人婷婷大香蕉| 97日本在线| 大香蕉视频婷婷| 日本欧美成人片AAAA| 天天精品视频免费观看| 99色天堂| 欧美日韩婷婷五月天| 日韩少妇内射免费播放| 精品五月花| 久久六月婷婷| 四月婷婷五月丁香| 久久九九99| 色碰碰| 超碰在线99热| 五月婷婷色播| AA丁香综合激情| 五月婷婷综合激情| 九九视频在线观看视频在线播放69| 成人av在线网| 在线观看亚洲视频影院| 色婷婷色五月另类综合| 五月色丁香激情| 丁香婷婷伊人| 综合久久97| 97超碰人人操| 九八Av| AV大片在线播放| 亚洲午夜在线视频| 婷婷免费无马| 加勒比色色| 99成人精品| 99爱视频在线免费观看| 久99久热| 免费视频WWW在线观看网站| 激情都市另类| 丁香五月日韩| 色婷婷丁香五月综合| 婷婷色五月丁香六月欧美啪| 久热只有精品| av在线不卡播放| 色99在线观看| 久热网站| 五月丁香婷婷福利| 战争与艾拉电影免费观看| 丁香六月亚洲综合| 日本五月婷| 欧美成人精品三区综合A片| 亲子乱AV-区二区三区| 丁香五月天婷婷91| 色婷綜合网| 91人人爽久久涩噜噜噜| 五月丁香香蕉| 九九精品99久久久| 五月天欧美激情| 日狠狠| 91九色国产| 五月色综合| 4399精品一区二区| 久久精彩视频99| www.日本91| 狠狠五月天| 在线五月婷| www.色综合| 亚洲瑟瑟精品在线| 久久九色| 色噜噜狠狠色综合无码久久欧美| www.五月天婷婷| 免费精品99| 一起操最新网址| 丁香五月天在线观看视频| 婷婷五月色综合| 久久视频婷婷| 五月婷婷狠狠干| 九九热99免费视频| 国产九九一区二区三区| 激情五月,婷婷五月,丁香五月| 九九亚洲| 九九日本视频| 超碰久热| 99精品久久| 综合XX网| av第一二区| 人人射av| 久久久久9久无码视频| 天天色播| 天天插天天插天天插天天插| 五月丁香色情| 五月叮香啪| www.97干视频| 草一草avb| www.婷婷.com| 五月婷婷久久大香蕉| 啪啪日本欧美| 久久婷婷六月综合| 亚洲AV无码成人精品电影| 九九热视频网站| 色色免费网站| 99小视频| 色综合五月天| 色欲五月婷婷| 66精品成人免费网站在线观看| www九九热| 久久婷婷五月综合成人d啪| 日本 @ va 免费| 国色天香成人网| 91碰碰| 亚洲啪啪视频| 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 | 热的国产99热| 免费视频无码| 久热这里只有精品66| 国产精品久久久久久久久久| 婷婷五月天激情影片| 无码激情AAAAA片-区区| 日日做夜夜爱| 九九99热久久精品66中文字幕| 久久婷婷综合五月趴| 丁香五月激情图片婷婷| 亚洲激情婷婷| 色五月激情综合网| 激情网五月天| 五月婷婷色激情| 欧美日韩成人h| 婷婷五月综合视频| 狠狠99| 婷久久| 久久人人超| 色狠狠999综合| 九九干视频| 天天综合91入口| 国产精品视频| 天天拍夜夜爽日日| g00d人体西西| 激情小说五月天| 米奇激情婷婷| av激情在线| 五月丁香综合啪啪| 婷婷亚洲色| 性爱网六月丁香| 亚洲永久四色| 天天婷婷色六月| 在线成人视频免费| 国产人妻777人伦精品HD| 色久综合天天做视频| 亚洲AV电影美洲AV电影| 中文av网| 婷婷深爱五月丁香| 玖玖在线资源视频| 激情久久久久久久久| 人人摸人人操人人爽| 五月丁香久久综合| 天天综合久久| 日曰躁夜夜躁2026| 色婷婷影院| 亚洲五月婷天天操| 色婷婷久久综合| 国产精品a无线| 国产婷婷色综合AV蜜臀AV| 五月天婷婷综合网| 亚州激情在线视频| 久久九九玖玖| jiujiuxiangjiaowang| 射久久丁香五月| 99热精品网| 国产操肏网站| 色八戒操婷婷| 国产FREESEXVIDEOS性中国| 久久精彩免费视频| anquye五月| 99操逼视频| 五月丁香六月片| 欧美在线视频免费播放| AA丁香综合激情| 一起操最新网址| 色婷婷色99国产综合精品| 狠狠色噜噜| 丁香六月婷婷综情欧美| 在线你懂的亚洲欧| 亚州色综合| 狠狠干狠狠色| 九九这里有精品| 五月天五月天成人网亭亭成人色网站| 国产永久一二一起草| 九九99男女视频在线观看| 精品少妇人妻AV无码专区偷人 | 91九色国产在线| 久久深爱激情网| 五月丁香爱婷婷深深| 五月婷婷之综合激情在线| 六月婷婷综合| 99人人干| 五月亭亭开心网| 91se在线观看| 亚洲婷婷欧美婷婷| 综合图片色色| 九九热精品99| 男女99免费视频| 精品A√| 久久网站观看免费欧洲国产| 国产色丁香| 婷婷午夜激情| 亚洲视频五区| 桃色Av色哟哟| 激情精品久久| 开心激情久久久久久久| 99热这里只有精品无码| 99热这里只要精品免费| www.99热这里精品| 婷婷五月在线视频| 天堂色婷婷| 丁香五月av| 色色亚洲五月天| 常久最新免费的色吊丝| 色五月婷婷小说亚洲中文字幕组| 99国产精品久久久久久久久久久 | 亚洲综合五月天婷婷丁香| 丁香综合网| 五月丁香91| 婷婷综合97| 9久热免费视频99| 欧美 日韩 成人 在线| 深爱激情五月天| 99热精品在这里| 精品人妻久久久久久| 九九在线精点品| 婷婷五月天狠狠色| 四色99久久| 这里只有精品视频在线| 色五月婷婷成人| 五月久久丁香| 色婷婷a| 五月丁香婷婷综合网| 欧美日韩999| 噜综合| 天天拍天天做视频| 激情五月天综合网| 成人va在线播放| 国产做爰视频免费播放| 激情五月瑟瑟| 国产一级片| 婷婷丁香六月影视| 天天艹夜夜艹| 国产午夜精品AV一区二区麻豆| 人妻久久久久久| 色欲AVV| 在线不卡中文字幕| 综合久久婷婷五月丁香| 日操夜撸| 99色色网| 四射综合网| 99热99色| Www,五月天| 91人人网| 久热伊人91| 五月天婷婷狠狠| 婷婷大香蕉| 久久婷婷婷婷伊人| 玖玖综合网| 亚洲字幕AV一区二区三区四区| yirenjiqingshiping| 久久色天堂| 狠狠肏综合网| 在线成人网站| 激情五月天婷婷色色色色色色色色色色色 | 久热A| 91狠狠综合久久久| 国产三级在线播放| 狠狠干在线视频| www.夜夜操| 色婷婷小说| 久久宗合影| 丁香六月av| 婷婷六月丁香欧美视频在线| 成人免费120分钟啪啪| 五月亭亭欧美女人| 天天射综合网夜夜操| 天天噜日日噜综合无码| 亚洲国产网站| 99亚洲色| 99人妻碰碰久久久禁片| 婷婷五月色花丁香社区| 五月丁香激情综合| 久久免费操| 十月丁香九月婷婷综合| 色色色色色色色色色影院| 色七七九九| 六月丁香五月亭亭| 五月天精品| 亚洲成人av在线| 天天干天天爽天天爽| 99A片| 亚洲综合欧美色丁香婷婷888月图片| 欧洲激情网站| 九九热免费| 综合激情sV| 99色热综合| 99热精品在线在线| 99er这里只有精品视频| 日本片日本片祼观看网站在线看中文版网页在线看 | 日本三级片片| 亚州色色色| 色吧婷婷五月亚洲| 开心激情久久久久久久| 国产精产国品一二三在观看| 深爱五月激情网| 丁香五月区| 天堂网色婷婷| 久久婷婷五月天蜜桃| 成人中文网| www.夜夜操.con| 激情小说五月天| 影音先锋91| 九九视频在线| 日韩精品超碰在线观看| 中文字幕av在线| 天天肏天天肏天天肏| 色欲色香综合网| 精品国婬伦V无码久久久| 这里只有九九精品| 96色婷婷| 欧美大香蕉视频| WWW.久久久久久久| 色色色无码| 婷婷色婷婷亚洲成人| 啪啪啪综合网| 婷婷丁香高潮了| 91碰碰碰| 狠狠五月激情婷婷直播片| 少妇搡BBBB搡BBB搡毛茸茸| 26UUU成人网| 欧美精品XXXXBBBB| 夜夜骑福利资源| 97超级碰碰碰久久久| www.狠狠艹| 久久全色| 久久伊人大香蕉| 成人五月天综合网| 久久婷婷青青草| 激情婷婷综合五月少妇| 久久9999| 五月天婷婷激情| 亚洲色欲AAAAAA| 九月婷婷人人操人人舔人人爱| 五月亭亭六月天| 亚洲午夜一区二区| av中文在线| 久8色色| 91日综合欧美| 激情五月天综合| 国产日批视频| 婷婷亚洲久久| 久久婷婷五月综合| 狠狠草狠狠草| 国产日韩欧美性生活| 5月丁香美女影院| 五月婷在线观看| 超碰成人免费| 97luluse| 九九视频在线| 五月天婷婷在线播放| 99精品人人| 婷婷五月天丁香| 色婷婷色人人射| 激情四射婷婷| 免费色婷婷| 色99网| 伊人午夜综合色啪| 婷婷丁香六月五月天| 天天综合天综合久久网| 亚洲天堂久久| 99热这里只有精品中文字幕| 最新精品视频99| 一起肏在线视频| 99热免费观看| 超碰日日操| 五月天影院婷婷在线观看| 九伊人网| 9|人妻人人操| 99热在线播放| 久久久网站| 日本欧美国产| tingting五月天亚洲| 狠狠色丁香婷婷| 丁香五月色情| 五月激情婷婷在线| 色色色地址| 欧美婷| 97天堂| www.久久色.com| 五月丁香综合| 激情五月天网站| 婷婷久久免费| 狠狠操狠狠| 天天色,天天操,天天射| 色色99色色| 五月天婷婷免费| 色yeye色综合| 日本97在线观看| 日本狠狠干| 夜夜操天天干| 人妻操逼视频| 国产亚洲色婷婷久久99精品91| 亚洲狠狠干| 五月色婷婷激情| 婷婷激情五月天网站| 色老久久| 久久九九国产| 九热视频在线精品15| 亚洲成人av在线观看| 思思re最新视频| 婷婷综合激情| 嫩草AV久久伊人妇女超级A| 色色色色五月| 九九精品免费| 婷婷中文字幕| www色色com| 五月天激情小说网| 丁香五月色| 久综合网| 96精品成人无码A片观看金桔 | 天天草天天爽| 六月婷久久| 男人天堂99| 色久影院| 综合网五月| 丁香五月天综合| 六月丁丁香| 五月天另类激情在线| 五月丁香婷婷综合网| 小视频久久久aaa| 激情五月综合婷婷| 夜夜嗨一区二区三区直播内容 | 国产一级婬片毛片| 婷婷六月丁香五月| 久久久激情视频| www.91九色| 久热九九| 三年高清大片免费观看国语| 九九久久玖玖爱| 久久综合五月| 伊人激情| 战争与艾拉电影免费观看| 无码网站视频| 国产精品爽爽久久久久久| 久久五月天视频| 亚洲九区| 九月激情婷婷丁香| www.9797国产| 97五月天婷婷午夜| 五月天婷婷丁香社区| 激情五月天综合婷婷网| 午夜丁香婷婷| 精品99*| 综合婷| 91chinese在线| 欧美激情xxxXX| 婷婷中文字暮| 97操操| 欧洲色区| 欧美乱码国产一级A片| 色婷婷电影网| 激情五婷网| 黄色三级日本| 日本女色人人| 无码激情| 99热精品在线免费观看| 九九热免费视频| 日韩三级高清无码| 久这里只有精品99| 亚洲成人五月天| 狠狠干综合| 激情五月黄色| 日韩另类| 99爱视频在线观看| 俺去也五月| 狠狠情色| 都市激情五月婷婷综合| 婷婷丁香人妻天天爽| 天天天干夜夜夜操| 久久日曰| 亚洲网视屏| 9999综合99综合人| 五月天激情日色在线| 在线综合亚洲欧美65| 思思re最新视频| 五月综合激情婷婷六月色窝| 国外亚洲成AV人片在线观看| 亚洲亚洲人成综合网络| 粉嫩AV久久一区二区三区| 色婷婷亚洲婷婷| 79精品视频在线观看,| 色婷五月天| 91干| 五月亭亭开心网| 色综合天天| 五月综合视频| 成人做爰黄A片免费看直播室男男| 丰满少妇猛烈A片免费看观看| 丁香婷婷啪啪| 成人中文网| 99ri精品| 六月丁香久久| 夜夜嗨一区二区三区直播内容| 久久久天堂国产精品女人| www.狠狠| 九九九九操逼| 1024人妻无码中文字幕| 1024在线观看免费视频| 伊人玖玖网| 亚洲成人另类| 成人色五月天婷婷| 五月婷伊人| 99热99免费| 天天舔天天摸天天透| 欧美色五月天| 久久精品人妻| www.色五月| 性做久久久久久久免费看 | 爱的综合网| 五月婷婷久久综合| 淫荡综合网| 99亚洲无码| 伊人五月综合网| 99热久草| 五月丁香成人网| 五月Huangsewang| 亚洲中文字幕翔田千里| 色玖玖导航| 婷婷久久五月天| 亚洲激情无码久久| 欧美日韩AAA| 99网99热| 天天狠狠夜夜狠狠2023| 97碰碰叉| 丁香婷婷九月| 五月人妻婷婷| 开心深爱激情网| 五月婷婷大香蕉| 免费视频WWW在线观看网站| 三级片AAA久久久AAA久久久AAA | 三日本无码| 婷婷五月天网址| 新久久五月天激情| 婷婷五月骚厕所| 激情亚洲网| 成人五月丁香社区| 三男玩一女三A片| 中文字幕婷婷在线| Xx色综合| 五月色影院| 日本色色色| 91在线看片| 亚洲综合激情五月久久| 六月久久狠狠| 超碰av在线| 免费在线观看av网站| 五月天色综合| 操一操插一插| 色播五月| 午夜色丁香| 丁香六月亚洲| 97色啪| 久9热| 亚洲区在线| 秋霞性爱AV| 五月天婷婷在线播放免费| 日本久久网| 日本偷拍九九九| 亚洲激情免费久久| 婷婷成人五月天| 亚洲精品久久久久久久久久吃药| 婷丁香五月天| 色情免费视频播放| 亚洲欧洲另类| 神马欧美精| 激情纯色婷婷五月天在线不卡视频| 色婷婷69| 99色综合久久| 啪啪五月天啪啪| 久久婷婷综合五月天| 国产毛片精品一区二区色欲黄A片| 五月天基地| 99精品爱| av国产精品| 超碰国产在线观看| 噜噜噜噜噜色| 疯狂做受XXXX高潮A片| 免费婷婷| 五月开心激情| 97午夜一区二区| 久热这里只有精品性色AV| 色色色热热热| 久久精品天| 日韩AV色色色| 成人免费120分钟啪啪| 婷婷六月丁香激情| 成人AV免费观看| 超碰爱爱爱| 五月丁香淫淫婷婷婷| 91九九| 天天综合情| 日韩在线9| 五月婷婷综合社区| 色婷婷综合视频| 91久女| 五月天婷婷激情春色小说| 九九热视频网站| 大香蕉伊人久久| 99热精品观看| 丁香六月激情| 五月天激情久久| 亚洲第一综合| 热99免费在线| 97影院一级片| 五月丁香六月婷| 色丁香五月天| 91视频精品99| 我爱大香蕉| 99久久99九九99九九九| www.五月丁香| 九九视频这里只有精品在线播放 | 玖玖福利视频资源| 九九婷婷五月天| 六月婷婷国产| 久久久日韩特色特黄AAAA| 久8色色| www.玖玖婷婷在线| 99精品综合视频| 国产婷婷综合| 97综合在线| 中文字幕AV网址| 91视频五月丁香| 五月丁香啪综合| 三级黄网站| 国产精品久久久99视频| 年轻的妺妺伦理HD中文 | 九九精品re免费视频| 六月丁香VA| 97久操视频| 9久久精品| 亚洲色9| 国产欧美日韩综合精品一区二区| 99只有这里是精品| 国精产品一区二区三区| 五月天色色婷婷| 色色色国产| 五月丁香久久| 九九热这里只有精品9| 欧亚中文A V| 综合99久久天天综合| 久久久8| 激情四射五月天| 人妻熟妇六区| 日本久草福利| 99久久极情精品一区| 色婷婷国色天香综合| 182.t午在线观看| 五月婷婷五月| 美女天天艹人人爽| 亚洲AV成人在线观看| 91九色无码日韩| 99爱这里只有精品| 91精品啪| 五月丁香影院| 丁香五月天成人网站| 超碰碰碰碰| 五月天丁香婷婷网| 中美日韩成人在线| 五月婷婷六月爱| 久久99看免费| 亚洲精品一区中文字幕乱码| 九九热这里| 看婷婷五月天网| 天堂伊人干| 五月婷婷偷拍| 五月丁香六月婷婷玖玖| 五月丁香久久久久| 五月天大香蕉av| 亚洲综合成人网| 激情黄色小说五月天| 91丨九色丨白浆| 内射在线CHINESE| 强伦轩人妻一区二区电影| 亚洲精品五十一区| 亚洲天堂无码| 久草热8精品视频在线观看| 欧美成人日韩| www.热99热| 大香蕉五月天婷婷| av人人操| 激情五月激情综合网| 毛片毛片毛片毛片| 亚洲日本激情| 五月婷婷|欧美| 九久久九精品视频| 天天爽天天操| 99人妻碰碰碰久久久久禁片| 激情VA视频| 狠狠狠狠免费| 色女人久久| 色吊丝99| 国产av一区二区三区| 99精品免费| 色情五月天丁香社区| 激情五月开心五月在线视频| 91人碰| 五月婷A V在线| 激情丁香五月婷婷| 国产在线中文字幕| 91碰碰视频| 亚洲aV写真天天综合网久久| 婷婷深爱五月亚洲综合| 超碰人人操人人干| 成人五月天丁香婷| 婷婷色情五月| 五月天激情亚洲| 日本少妇裸体做爰高潮片| www.日日夜夜.com| 97se视频在线| 亚洲最大视频| 99热这里只有精品在线播放| 日本噜噜色网| 另类色视频| 97精品欧美91久久久久久久| 色婷婷在线影院| 超碰成人影视| 婷婷香草网| 国产肥白大熟妇BBBB视频| 日韩啪啪视频| 大香网伊人久久综合| 五月天婷婷色色| 亚洲天堂久久| 99啪啪视频| 色综合大香蕉| 大香蕉婷婷五月| 开心网五月色婷婷| 五月丁香色| 激情六月色| 婷婷五月天激情文学| 国产在这里只有精品| 婷婷丁香社区| 综合网啪| 4399在线观看免费高清黄色视频| 一区二区三区XXXXXX| 狠狠 久久| 丁香花大香蕉婷婷综合| 97超碰,人人舔,人人操,人人摸 | 99国产精品久久久久久久久久久 | 九九在线91| 久久久久久久,99精品视频| 五月四色激情| 五月丁香综合久久夜夜| 五月久久| 六月婷基地| 99超级碰碰| 91超碰在线观看| 色色色色综合网| 天天做天天爱天天搞| 免费播放片大片| 超碰人人草| 一起草无码视频| 99精品在| 婷婷丁香五月精品| 99日这里只有精品| 婷婷婷婷婷开心无码播放| 五月丁香免费看| 91丁香五月| 丁香六月综合激情| 色五月婷婷五月天| 五月丁香色停停啪啪啪| 色婷婷另类| 色九九九九| 久操人妻| 天天做天天要天天爽| 国语精品探花| 久色大| 91久久婷婷| www色色com| 天天综合网亚洲综合网| 婷婷丁香十月| 性视频久久| 日本综合久久| 久婷婷视平| 狠狠爱深色婷婷综合| 欧美男女婷婷| 91超碰九色| 六月婷婷狠狠色在线观看| 欧美一级操逼视频| 色情五月综合婷婷| AV在线不卡播放| 超碰在线观看成人视| 婷婷激情伍月网| 丁香五月综合亚洲| 久久9精品| 成人无码精品1区2区3区免费看| 九月av在线| 99热在线播放| 丁香狠狠色婷婷久久无码视频| 亚洲综合五月| 丁香六月情| 熟妇无码乱子成人精品| 97成人在线视频| 激情五月婷黄版| 婷婷中文字幕版| 欧美啪啪9| 天天操天天干天天日| 国产精品男人AV不卡| 青青草tp| 激情小说婷婷五月| 五月天激情丁香| 丁香五月成人丝袜| 这里只有精品日韩精品| 久久婷婷丁香| 婷婷五月天桃花网| 99日本精品视频热| 五月激情基地| 婷婷色导航| 九久久婷婷| 99久久99久久综合| 精品福利911| 97干视频| 色护士综合| 免费精品66| 久久久久婷婷| 色97啪啪| 99这里只有精品在线| 日韩色色视频| 五月婷婷色欲| 五月婷婷综合激情| 99热这里只有精品66| 丁香久久| 婷婷午夜精品久久久| 日日爱699| 天天插天天干| 激情婷婷在线中文字幕| www色五月天| 五月丁香色色网| 色婷| 色婷婷电影网| 99草在线免费观看视频| 色的色综合| 99色色网| 欧美丁香五月97色| 日韩三级高清无码| 思思热久久爱| 开心五月深爱五月| 亚洲综合婷婷五月| 婷婷久久色| 在线观看中文字幕| 久热AA| 新精品99| 婷婷五月丁香青青草在线| 人妻系列久久久久久久久久久| 青青草轻轻操| 大香蕉七区| 玖玖资源站蜜臀| 色天堂婷婷| 五月丁香五月丁香| 99久热这里只有精品| 啪啪黄页网| 狠狠干夜夜干| 久久综合最新网址| 热久久66| 成人国产欧美大片一区| www.国产亚洲69ty.久久久久久久久久久久| 激情伊人| 五月丁香啪啪啪啪| 综合色五月天| 久久久WWW| 91视频精品99| 色婷| 综合久久久| 97碰人人操| 97色97干| 婷婷综合97| 91九色精品女同系列| 五月天婷婷社区久久综合| 久艹大香蕉| 五月丁香六月婷婷成人| 99九九玖玖| 超碰在线99热| www.jiujiujiu| 日韩在线观看亚洲| 婷婷色色丁香五月天| 欧美、日韩、中文、制服、人妻| 少妇性按摩无码中文A片| 五月丁香六月婷婷的女人| 26uuu另类亚洲欧美日本一| 伊人九九九久| 亚洲99热| 综合玖玖偷拍| 色噜噜狠狠色综无码久久合欧美| 99九九99九九九视频精彩| 99久久婷婷五月综合| 五月婷久久| 91日本在线观看| 手机AVAV天堂看网| 久久性都花花世界成人免费视频| www.minyis.com【JT】实力收量可预付QQ2101460746 | 九九热99熟女| 亚洲操B| site:picc-up.com| www五月婷婷| 婷婷色5月激情网| sewuyuetingtingiii| 91色逼| 香蕉综合在线| 久久这里只精品66| 香蕉97碰碰碰欧美| 色婷视频| 美欧日韩国产成人在战| 天天色视频| 亚洲精| 午夜婷婷久久| 五月丁香六月激情综合| 婷婷五月天色综合| 中文字幕激情综合| 大香蕉人妻| 五月天婷婷黄色| 色五月婷婷激情基地| 日本人妻A片成人免费看片| 激情激情激情网| 在线你懂的亚洲欧| 99热| 五月丁香婷婷成人综合网| www.91久久| 久久精品99国产精品日本| 丁香五月天啪啪| 啪啪91| 日本eVa一区=区视频| 五月婷婷真爱激情网| 99热99色| 亚洲日本韩国| 色五月大| 五月丁香六月婷婷在线小说视频| 墨西哥毛片内射精| 色射影院| 五月婷婷免费视频| 另类专区在线| 五月天婷久久| 99久久99九九99九九九| 5月丁香六月情| 五月婷六月| 亚洲传媒在线观看| www99热| 深爱五月激情| 香蕉婷婷色五月| 99热在线网站| 欧类av怡春院| 96精品久久久久久久久| 开心五月婷婷99| 99久久99九九99九九九| 久久九九99.www| 成人精品在线| 亚洲综合色网| 五月丁香成人版| 99热免费精品| AV亚洲在线| 五月天婷婷综合网| 99成人在线观看| 婷婷丁香五月天小说| www.五月婷婷久久.com| 五六月婷婷久久| 大香蕉伊人久久| 久久久无码精品成人A片小说| 五月丁香五月激情综合色综合| 欧美精品99| 五月色亭丁香| 国产伦亲子伦亲子视频观看| 欧日韩成人| www.五月天社区| 五月综亚洲| 99碰超| 97黑人精品区| 久草五月婷| 亚洲精品国产A久久久久久| 五月天婷婷色综合| 国产美女视频久| 丁香五月天激情综合网| www.精品99| 99色干| 久久久久久久97| 激情色情五月天| 美妞av| 天天爽爽日日做做| 日韩在线视频中文字幕| 久热伊人在91| 国产一二区爆乳_1国产日韩一区二区三-成人AV| 欧美大道不卡| 激情五月综合网最新| 思思w99| 婷婷爱综合| 丁香五月天导航| 91五月天| 色狠狠色综合久久久绯色AⅤ影视| 99热精品超碰| 999精品久久久久久久| 综合欧美五月婷婷| 懂色av粉嫩av蜜臀av| 97人人草| 欧美肉大捧一进一出免费视频| 色色婷婷丁香| 亚洲中文乱字字幕在线永久| 啪啪啪大香蕉| 丁香色六月婷婷| 激情綜合網址| 操九色| 成人免费高清在线播放| 激情五月天 婷婷| 五月丁香六月婷婷亚洲| 色婷丨日丨天丨综合久久| 色插综合网| 综合激情五月丁香| 四色 爱 婷婷 精品 亚洲 五月天| 开心五月丁香综合久久| 色五月婷婷丁香国产在线| 操操操av| 99这里只有免费的精品| 色综合xx| 第六色在线| 99视频精品全部免费 在线| 色综合久久88色综合中文字幕| 亚洲日韩26uuu| 婷婷五月六月丁香综合| 深爱五月激情网| 琪琪理论片| 另类小说五月天综合网| 99综合色色色| 国产丁香五月天婷婷| 日日日影院| 深情五月天| 另类视在线| 人人摸人人搞| 亚洲欧洲另类| 99人人爽| 9一精品视频观看| 超碰在线观看成人视| 超碰成人在线观看| 永久无码色| 色噜噜伊人| 日本操逼九九九九58日本操逼| 日本va欧美va欧美精品88| 综合五月丁香六月婷婷| 五月婷在线观看| 国产毛片欧美毛片久久久| 琪琪色综合网站| 久久综合五月婷婷| 9色视频在线| 久久五月天合网| 一个色的综合| 免费五月婷婷网| 国产精品国产| AV九九| 另类在线免费视频| 99热www| 色综合区| 狠狠干激情五月| 五月婷婷天| 激情伊人| 亚洲av| 天堂五月婷婷| 久久五月天综合视频网站| 激情六月婷| w婷婷五月婷婷w| 被男人添B超爽视频| 夫妻超碰在线| 丁香五月久久| 狠狠婷婷日韩| 九九热黄色| 五月婷婷熟女| 国产精品视频免费看| 免费看欧美成人A片无码| 操b视频在线观看一区二区| 99久视频| 丁香五月开心婷婷| 亚洲婷婷91丁香| 人人人操 超碰| 91.com男女操| 日日夜夜狠狠婷婷色| 亚洲va在线∨a天堂va欧美va| 日本色色色| 99re久热| 综合天天综合| 日日夜夜爽| 婷婷五月天小说| 91日婷婷在线| 在线五月婷婷小电影| 六月色播| 五月天婷婷小说| 欧美日本97| 五月天无码视屏播放| 丁香五月婷婷香| 99在线免费视频| 成人版视频在线观看| 久久成人综合五月天| 久久婷婷丁香| 亚洲人操亚洲人| 包操45分钟网站| 色激情五月天| 久月久在线视频| 日韩欧美一区二区三区四区| 99免费在线| 天天日中文| 9191avse| 人人摸人人干人人做| 能看的av| 91在线资源| 26uuu青青| 婷婷久久五月天丁香| 日韩不卡123| 蜜乳.comcom| 91精品无码| 伊人激情综合| 九九操综合网| 丁香五月在线| 99精品一二三四视频| 久久婷婷激情视频| 亚洲精品久久久久AV无码| 大香蕉AV在线| 亚洲VA口| 99ri视频在线观看| 激情综合婷婷| 网站免费一站二站| 丁香九月婷婷综合| 国产精品色婷婷AV综合色色| 天天干一干| 人人干人人干骚美女| 五月丁香性| 色综合99无码 | 国产毛片精品一区二区色欲黄A片| www.99热这里精品| 日本色色色| 婷婷五月丁香成人网| 丁香五月性| 亚洲av网站| 五月丁香激情四射综合| 极品人妻VideOssS人妻| 超碰cap| 五六月丁香激情视频| 99热66| 如何安全看伊人婷婷| 五月丁香啪啪| www.久久爱.com| 色婷久| 九九久久精品國產| A A色色| 99热 日韩| 99热这里只有精品13| 蜜桃五月天| 99这里只有精品8| 国产精品色| 丁香六月婷婷五月天| 久久久久er热| 五月丁香日本片| 91色逼| 婷婷久久五月天丁香| 婷婷五月丁香六月| 激情五月天情色| 激情五月,婷婷五月,丁香五月| 婷婷五月在线| 亚洲av午夜精品一区二区| 丁香网五月网| 狠狠婷婷色| 色丁香影院| 丁香五月婷婷久久久| 天天激情| 色综合视频| 69色婷婷| 五月天婷婷久久| 99热精品无码| 狠狠色婷婷7| 五月激情综合网| 五月丁香婷中文字幕| 葵花AV在线| 国产裸舞福利资源在线视频| 最近中文字幕2019视频1| 99热99日…..| 青青草婷婷五月天| www.五月.com| 天堂五月婷婷| 99在线观看精品| 久久66er久久| AV中文网| 婷婷开心久久| 亚洲Av成人在线观看| 99热这里都是精品| 九九色色| 久草热8精品视频在线观看| 综合综合网| 99超碰人人| 久久停停超碰| 五月天色婷伊人| 男男野外做爰全过程69| 综合图区激情| 操日视频| 国产va视频| 99小视频| 亚洲无AV在线中文字幕| 久久婷婷六月综合| 五月天堂色色| 九九热99视频| 亚洲第一色色色| 五月丁香色停停啪啪啪| 九九久久网| 天天久久狠狠色综合| 五月天综合网| 人人天堂操| 在线综合91| 色色网站在线| 亚洲小视频| 五月婷啪啪| 日本狠狠干| 成人丁香| av中文在线| 91碰免费视频| 99热新网址| 色色亚卅|