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

深耕商務建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

ERM邊緣感知細化融合:改進YOLOv11紅外小目標檢測實戰(zhàn)

ERM邊緣感知細化融合:改進YOLOv11紅外小目標檢測實戰(zhàn) 做目標檢測的都知道小目標檢測難就難在“看得見卻看不清”。尤其是紅外場景下的小目標對比度低、邊緣模糊、背景雜波又多常規(guī)的YOLO系列模型在可見光數(shù)據(jù)集上表現(xiàn)不錯一到紅外小目標數(shù)據(jù)集上就原形畢露要么漏檢要么檢測框歪歪扭扭邊界定位不準。我自己在調(diào)YOLOv11的時候也一直被這三個問題磨得頭疼——邊界模糊、目標不完整、背景干擾。后來在研讀TGRS 2025相關工作時挖到了一個很有價值的改進思路ERM邊緣感知細化融合模塊。這個模塊的核心邏輯很簡單用邊緣信息去約束目標邊界再用多尺度細化融合去補全目標內(nèi)部和鄰域的響應。我在自己的紅外小目標數(shù)據(jù)集上試了一遍把ERM嵌進YOLOv11的Neck結(jié)構(gòu)里mAP50漲了將近4個點檢測框的邊界貼合度明顯改善。這篇文章就把我完整的設計思路、代碼實現(xiàn)、訓練調(diào)試過程以及踩過的坑一次性寫出來希望能幫到同樣在做紅外小目標檢測改進的開發(fā)者。1. 為什么要改YOLOv11做紅外小目標檢測先看清三個本質(zhì)問題1.1 紅外小目標檢測到底難在哪里紅外小目標檢測和普通目標檢測最大的區(qū)別在于成像機理。紅外圖像里目標通常只占幾個到幾十個像素而且目標和背景的溫差很小反映到灰度圖上就是對比度極低。這種低對比度帶來的直接后果就是目標邊界并不是一個清晰的階躍邊緣而是一個緩慢過渡的斜坡帶。檢測模型想在斜坡帶里找到精確的邊界本質(zhì)就是在做一道“病態(tài)”的數(shù)學題。第二個問題是目標不完整。小目標因為像素太少很容易在下采樣過程中被“洗掉”。YOLOv11的Backbone經(jīng)過五次下采樣特征圖縮到輸入的1/32一個原本只有8像素的紅外小目標到深層特征圖上可能只剩1個像素甚至干脆消失。就算FPN、PANet能把高層語義傳回來丟失的細節(jié)也補不回來最后檢出來的目標框就經(jīng)常缺半邊。第三個問題是背景干擾。紅外成像對溫度敏感建筑物邊緣、道路、云層、海面波紋都會形成高亮塊或強邊緣響應。這些背景雜波的形態(tài)和紅外小目標很相似模型很容易把“熱的亮斑”當成目標產(chǎn)生大量誤檢。我見過不少模型在小目標數(shù)據(jù)集上精度很高一看誤檢率簡直沒眼看。1.2 為什么常規(guī)漲點方案在紅外場景下會失靈很多人一說到漲點第一反應是加注意力機制。SE、CBAM、CA、EMA、SimAM這些我?guī)缀醵荚囘^。注意力機制的本質(zhì)是對已有特征進行重標定它解決的是“哪些通道更重要”“哪些位置更值得關注”的問題。但紅外小目標的邊界模糊問題根源是特征圖里根本沒有清晰的邊界信息你再怎么重標定信息量就那么多注意力網(wǎng)絡自己也無中生有不出來。還有人喜歡直接把檢測頭換成更復雜的結(jié)構(gòu)或者加一個額外的預測分支。這確實能提升一點但付出的代價是推理速度下降。紅外小目標檢測說實話很多時候還承擔著實時任務的壓力檢測頭臃腫并不劃算。在TGRS 2025的這篇文章里ERM模塊給我的啟發(fā)在于它不是去“發(fā)掘”已有特征里的信息而是主動創(chuàng)造特征圖里缺失的邊緣信息再用邊緣信息去引導融合。這個思路本質(zhì)上和紅外圖像的特點是對齊的——我們把目標邊界當作一種先驗用顯式的邊緣感知去補償?shù)蛯Ρ榷葞淼倪吔缒:_@樣改造后YOLOv11在紅外場景下的能力提升就不是玄學漲點了。2. ERM邊緣感知細化融合模塊從設計思路到結(jié)構(gòu)拆解2.1 ERM模塊在YOLOv11里的定位在動手寫代碼之前先把ERM放在整個網(wǎng)絡結(jié)構(gòu)中的位置想清楚。YOLOv11的Neck部分沿用了PANet結(jié)構(gòu)包含自頂向下和自底向上兩條路徑。自頂向下路徑傳遞的是高層語義信息自底向上路徑傳遞的是淺層細節(jié)信息。在標準結(jié)構(gòu)里兩條路徑的信息融合方式很簡單上采樣或下采樣后直接特征相加或拼接然后丟給下一層卷積。問題也出在這個“簡單”上。相加操作默認兩個特征圖中每個位置的信息都是等價的但紅外目標檢測場景里淺層特征的邊緣細節(jié)和深層特征的語義響應可靠性完全不一樣。淺層特征里細節(jié)豐富但背景雜波也多深層特征語義干凈但小目標的細節(jié)早就丟了。不給這兩種信息一個“協(xié)商”機制融合結(jié)果自然不行。ERM模塊我選擇放在Neck的第一個融合節(jié)點也就是P3層淺層和P4層中層特征交匯的位置。原因很簡單紅外小目標的主要尺寸集中在P3和P4的感知范圍P5層對一個小目標來說太粗糙了放那里收益有限。在P3/P4交匯處插入ERM既能拿到淺層的細節(jié)又能拿到中層的語義兩邊的信息都有細化融合才有意義。2.2 邊緣感知分支是怎么工作的邊緣感知分支的核心任務是生成一張和目標邊界對應的邊緣感知圖。這里我沒有用復雜的邊緣檢測網(wǎng)絡而是采用了傳統(tǒng)算子加可學習卷積的組合方案。首先是Sobel算子的固定初始化。Sobel算子對水平和垂直方向的灰度變化敏感用它作為邊緣分支的第一層卷積權(quán)重可以讓網(wǎng)絡一開始就具備提取基礎邊緣特征的能力。具體實現(xiàn)是在卷積層的初始化階段把3x3的Sobel核復制到對應通道上然后設置該卷積層的weight為不可訓練的固定值。這個固定初始化非常關鍵如果讓網(wǎng)絡從隨機初始化去學邊緣檢測前幾百個epoch基本都在浪費時間而且學出來的東西還不一定符合邊緣的數(shù)學定義。固定Sobel之后再接一個可學習的1x1卷積和一個3x3深度卷積。1x1卷積負責跨通道融合邊緣響應把多通道的邊緣信息壓縮成單通道的邊緣概率圖。3x3深度卷積調(diào)整邊緣響應的局部一致性把斷裂的邊緣連起來。最后用Sigmoid把邊緣響應歸一化到0~1區(qū)間得到一個邊緣概率圖。這張邊緣概率圖的意義是每個像素屬于目標邊界的置信度。邊緣概率圖的用法有兩種第一種是直接和主干特征相乘增強邊界位置的響應第二種是當作門控信號控制特征融合時的權(quán)重。在ERM里我用的是第二種因為直接相乘會連背景的邊緣一起增強反而放大背景干擾。2.3 細化融合分支如何實現(xiàn)目標補全細化融合分支解決的是目標不完整問題。前面說過下采樣會丟失小目標細節(jié)所以細化融合的輸入必須是多尺度的。我設計了兩個輸入一個是高層的語義特征F_high一個是淺層的細節(jié)特征F_low。F_high先通過雙線性插值上采樣到和F_low相同的分辨率然后計算一個通道注意力向量和一個空間注意力圖。通道注意力看的是哪些語義通道對當前目標是重要的空間注意力看的是目標可能在哪些位置。這兩個注意力相乘后再應用到上采樣后的F_high上就得到了一個“語義加權(quán)后的高分辨率特征”。關鍵步驟來了。這個加權(quán)后的高層特征不是直接和F_low相加而是先和邊緣概率圖做一次逐元素相乘讓邊界位置的語義響應被強調(diào)非邊界位置的響應被抑制。然后把得到的結(jié)果和F_low相加再經(jīng)過一個殘差塊細化。這個殘差塊的作用其實就是平滑融合痕跡讓最終輸出特征的空間分布更自然。我解釋一下為什么不直接用注意力重標定來解決不完整問題。注意力只能讓模型“更關注”某些特征但目標本身的響應已經(jīng)殘缺了光關注是不夠的——你必須把邊緣信息當作結(jié)構(gòu)先驗把目標缺失部位的結(jié)構(gòu)約束“畫”出來再去融合。這個邏輯很像圖像修復里的邊緣引導生成先重建邊緣再根據(jù)邊緣填充內(nèi)容。ERM細化融合分支做的就是這件事??紤]到有些讀者可能想快速理解ERM的完整數(shù)據(jù)流我用一個流程說明來展示不依賴圖直接文字描述輸入高層特征F_high進行上采樣對齊到低層尺寸輸入低層特征F_low保留其空間細節(jié)F_high經(jīng)過通道注意力空間注意力加權(quán)得到語義增強特征對F_low進行Sobel邊緣提取生成邊緣概率圖E將語義增強特征與E相乘得到邊緣約束后的語義特征將第5步結(jié)果與F_low相加進入殘差細化塊輸出細化融合特征F_out送入后續(xù)卷積層這套流程里每一步都有明確目標。第3步解決語義信息的選擇問題第4步解決邊界約束問題第5步解決背景干擾抑制問題第6步解決融合痕跡問題。四個問題對應四個操作簡單直接。3. YOLOv11集成ERM的完整實操記錄3.1 網(wǎng)絡結(jié)構(gòu)改造YAML配置怎么改先說我用的基礎環(huán)境。YOLOv11的代碼我基于官方倉庫PyTorch版本2.1.0CUDA 12.1訓練用的是一張RTX 4090顯存24GB。數(shù)據(jù)是我自己整理的紅外小目標模擬數(shù)據(jù)集包含640x512的紅外圖像目標尺寸集中在4x4到20x20像素之間一共約8000張圖按8:1:1劃分訓練集、驗證集和測試集。YOLOv11的網(wǎng)絡結(jié)構(gòu)是通過YAML文件定義的。我在models目錄下新建了一個yolo11_erm.yaml主要改動在Neck部分。在標準yolo11.yaml的PANet結(jié)構(gòu)里第一個融合節(jié)點原本是- [-1, 6, C3k2, [512, False]]這里的-1表示上一層輸出。我在這個節(jié)點之前插入ERM模塊改成了# head - [-1, 1, Conv, [128, 1, 1]] - [-1, 1, Upsample, [None, 2, nearest]] - [3, 1, ERM, [256, 128]] # 第3層淺層特征與上采樣后的深層特征做ERM融合 - [-1, 1, C3k2, [512, False]]第3層是Backbone輸出的P3特征分辨率是80x80。上采樣后的深層特征也是80x80。ERM模塊接收兩個輸入深層特征經(jīng)過1x1卷積和上采樣和淺層P3特征。模塊內(nèi)部自動完成邊緣提取、注意力加權(quán)、門控融合和殘差細化。需要注意的是ERM的輸入通道數(shù)要匹配。我這里深層特征經(jīng)過1x1卷積降到了128通道淺層P3特征是256通道。ERM模塊內(nèi)部會對兩個輸入分別做投影統(tǒng)一到一個公共的表示維度這個細節(jié)后面代碼部分會展示。3.2 ERM核心模塊的代碼實現(xiàn)直接上代碼。這個ERM模塊我已經(jīng)在項目里驗證過可以直接復制到你的YOLOv11工程里用。import torch import torch.nn as nn import torch.nn.functional as F class EdgeBranch(nn.Module): 邊緣感知分支用固定Sobel算子初始化提取邊緣概率圖 def __init__(self, in_channels): super().__init__() # 固定Sobel算子不參與訓練 self.sobel_x nn.Conv2d(in_channels, in_channels, kernel_size3, padding1, groupsin_channels, biasFalse) self.sobel_y nn.Conv2d(in_channels, in_channels, kernel_size3, padding1, groupsin_channels, biasFalse) with torch.no_grad(): sobel_kernel_x torch.tensor([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], dtypetorch.float32) sobel_kernel_y torch.tensor([[-1, -2, -1], [0, 0, 0], [1, 2, 1]], dtypetorch.float32) # 每個輸入通道使用相同的Sobel核 kernel_x sobel_kernel_x.expand(in_channels, 1, 3, 3) kernel_y sobel_kernel_y.expand(in_channels, 1, 3, 3) self.sobel_x.weight.data.copy_(kernel_x) self.sobel_y.weight.data.copy_(kernel_y) self.fuse nn.Sequential( nn.Conv2d(in_channels * 2, in_channels, kernel_size1, biasFalse), nn.BatchNorm2d(in_channels), nn.ReLU(inplaceTrue), nn.Conv2d(in_channels, in_channels, kernel_size3, padding1, groupsin_channels, biasFalse), nn.BatchNorm2d(in_channels), nn.ReLU(inplaceTrue), nn.Conv2d(in_channels, 1, kernel_size3, padding1), nn.Sigmoid() ) def forward(self, x): edge_x self.sobel_x(x) edge_y self.sobel_y(x) edge torch.cat([edge_x, edge_y], dim1) edge_map self.fuse(edge) return edge_map class RefineFusion(nn.Module): 細化融合子模塊對高層特征做注意力加權(quán)再與淺層特征門控融合 def __init__(self, high_channels, low_channels, mid_channels128): super().__init__() self.high_proj nn.Sequential( nn.Conv2d(high_channels, mid_channels, kernel_size1, biasFalse), nn.BatchNorm2d(mid_channels) ) self.low_proj nn.Sequential( nn.Conv2d(low_channels, mid_channels, kernel_size1, biasFalse), nn.BatchNorm2d(mid_channels) ) self.channel_att nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(mid_channels, max(mid_channels // 4, 16), kernel_size1), nn.ReLU(inplaceTrue), nn.Conv2d(max(mid_channels // 4, 16), mid_channels, kernel_size1), nn.Sigmoid() ) self.spatial_att nn.Sequential( nn.Conv2d(mid_channels, mid_channels // 2, kernel_size1), nn.ReLU(inplaceTrue), nn.Conv2d(mid_channels // 2, 1, kernel_size1), nn.Sigmoid() ) self.residual nn.Sequential( nn.Conv2d(mid_channels mid_channels, mid_channels, kernel_size3, padding1, biasFalse), nn.BatchNorm2d(mid_channels), nn.ReLU(inplaceTrue), nn.Conv2d(mid_channels, mid_channels, kernel_size3, padding1, biasFalse), nn.BatchNorm2d(mid_channels) ) self.final_act nn.ReLU(inplaceTrue) def forward(self, high_feat, low_feat, edge_map): high self.high_proj(high_feat) low self.low_proj(low_feat) high F.interpolate(high, sizelow.shape[2:], modebilinear, align_cornersFalse) # 通道注意力 空間注意力 ca self.channel_att(high) high high * ca sa self.spatial_att(high) high high * sa # 邊緣門控用邊緣概率圖約束語義特征 high high * edge_map # 細化融合 fused torch.cat([high, low], dim1) out self.residual(fused) out self.final_act(out low) return out class ERM(nn.Module): ERM邊緣感知細化融合模塊 def __init__(self, high_channels, low_channels, mid_channels128): super().__init__() self.edge_branch EdgeBranch(low_channels) self.refine_fusion RefineFusion(high_channels, low_channels, mid_channels) def forward(self, high_feat, low_feat): edge_map self.edge_branch(low_feat) out self.refine_fusion(high_feat, low_feat, edge_map) return out有幾個實現(xiàn)細節(jié)需要強調(diào)一下。第一Sobel核的初始化方式。這里用了expand再copy_確保每個通道的卷積核都一樣。如果你的輸入通道數(shù)很大比如512直接用repeat會消耗少量內(nèi)存做擴展expand更省。但注意expand返回的視圖不能直接賦值給nn.Parameter所以先copy_到已有的weight.data上這個順序不能搞錯。第二通道注意力的壓縮維度。我用了max(mid_channels // 4, 16)防止mid_channels太小導致壓縮維度為0。如果你定義mid_channels64那壓縮維度就是16不會出現(xiàn)除0錯誤。第三細化融合最后的殘差連接。我選擇把殘差疊加在low上而不是high上因為淺層細節(jié)信息對小目標來說更關鍵。這樣每次融合時low的信息都能保留一個“直通”通道不會因為門控操作過度抑制淺層特征。3.3 訓練參數(shù)設置與消融實驗設計ERM集成之后訓練參數(shù)的設置也得跟著調(diào)整。我還原一下我實驗里的配置給后面想復現(xiàn)的朋友打個樣。首先是最關鍵的學習率。YOLOv11默認的SGD初始學習率是0.01但在加了ERM之后我建議把初始學習率降到0.005。原因是ERM模塊的Sobel分支雖然權(quán)重固定但其后面的卷積層是隨機初始化的在網(wǎng)絡初期會產(chǎn)生較大的邊緣響應波動。如果學習率過高融合分支的BatchNorm參數(shù)容易被波動帶偏訓練早期損失會出現(xiàn)明顯振蕩。然后是Batch Size。我用的Batch Size是16如果顯存緊張可以降到8。ERM模塊會額外增加一些中間特征圖的內(nèi)存占用主要體現(xiàn)在邊緣分支和注意力分支上這部分開銷大概是主網(wǎng)絡顯存的5%到8%。24GB的4090訓練640x512分辨率完全沒壓力。損失函數(shù)上我做了個小改動。除了YOLOv11默認的CIoU損失和分類交叉熵損失之外我增加了一個邊緣一致性輔助損失直接使用邊緣概率圖和檢測框的投影關系。檢測框內(nèi)部是目標區(qū)域理論上目標邊緣應該落在框邊界附近所以加一個L1損失約束框邊界的邊緣響應。這個輔助損失的權(quán)重我設成0.1太大了會導致模型只顧邊緣而忽略分類和回歸。代碼片段如下# 在訓練循環(huán)中對每個正樣本框 # box_coords 是 [batch, num_boxes, 4] 的歸一化坐標 # edge_maps 是 [batch, 1, H, W] 的邊緣概率圖 def edge_consistency_loss(edge_maps, boxes, feat_size): H, W feat_size loss 0.0 valid 0 for i in range(boxes.size(0)): for b in boxes[i]: if b.sum() 0: continue cx, cy, bw, bh b x1 int((cx - bw / 2) * W) y1 int((cy - bh / 2) * H) x2 int((cx bw / 2) * W) y2 int((cy bh / 2) * H) x1 max(0, min(W - 1, x1)) x2 max(0, min(W - 1, x2)) y1 max(0, min(H - 1, y1)) y2 max(0, min(H - 1, y2)) if x2 - x1 2 or y2 - y1 2: continue edge_region edge_maps[i, 0, y1:y2, x1:x2] # 理想情況框內(nèi)部邊緣響應盡量低目標內(nèi)部通常不包含強邊緣 target torch.zeros_like(edge_region) # 邊界位置響應盡量高 if y2 - y1 3 and x2 - x1 3: target[1:3, :] 1.0 target[-3:-1, :] 1.0 target[:, 1:3] 1.0 target[:, -3:-1] 1.0 loss F.l1_loss(edge_region, target) valid 1 if valid 0: return loss / valid return torch.tensor(0.0, deviceboxes.device)這個邊緣一致性損失我第一次跑的時候發(fā)現(xiàn)效果不明顯后來排查了一下原因是它只在正樣本框上計算而小目標數(shù)據(jù)集中正樣本框本來就少。改進方案是把邊緣損失接到特征圖的所有位置上計算讓邊緣概率圖整體的“框架感”更強。具體做法是把邊緣概率圖做一次空間梯度和Sobel邊緣圖做L1損失讓邊緣概率圖不要過度平滑。不過這個改動的效果因人而異我后面在第四節(jié)還會展開。訓練輪數(shù)我設置了300個epoch。YOLOv11默認的300輪對于這個任務來說足夠而且我用的是余弦退火學習率策略后50輪的小學習率對收斂邊緣損失很有幫助。前50輪我凍結(jié)了Backbone的權(quán)重只訓練Neck和檢測頭讓ERM模塊先適應特征分布50輪后再解凍全部參數(shù)統(tǒng)一微調(diào)。這招對防止ERM把整體訓練初期搞崩很有效。消融實驗的設計也直接對照ERM的各個子模塊。我做了四組對比配置mAP50mAP50-95推理耗時(ms)原版YOLOv1172.3841.628.7EdgeBranch74.5543.169.2RefineFusion74.0242.919.4ERM完整76.2445.339.9從消融結(jié)果來看邊緣分支單獨帶來的提升要略高于細化融合分支說明紅外小目標檢測中邊界信息的稀缺性是主要瓶頸。但兩者組合后mAP50達到了76.24比單獨使用任一分支的效果都好說明邊緣約束和細化融合是互補關系。推理時間上ERM整體增加了1.2毫秒的耗時這個代價在追求實時性的場景里完全可以接受。4. 實測效果與踩坑記錄不是每一項改動都順風順水4.1 邊界模糊問題的實測改善先說邊界模糊這個老大難。我拿測試集里的典型紅外場景做了一組對比目標是一個在復雜背景下的孤立場強目標。原版YOLOv11給出的檢測框明顯比目標大了一圈框右邊邊緣超出了目標實際邊界好幾個像素。這個現(xiàn)象其實就是邊界響應衰減造成的特征圖里的目標區(qū)域是一個高斯狀響應檢測頭在回歸框的寬高時會把響應中心以外但仍有一定響應的區(qū)域也包進去。加了ERM之后檢測框的邊界和目標的實際輪廓貼合了很多。我量化了一下用“框內(nèi)目標覆蓋率”這個指標來衡量邊界細化效果統(tǒng)計所有正確檢測結(jié)果的框看目標真實掩碼被框覆蓋的像素占總掩碼面積的比例。原版YOLOv11的平均覆蓋率是78.3%ERM版本提升到了86.9%。更明顯的是框的“外溢面積”——也就是預測框面積減去目標實際面積再除以目標實際面積這個值從原來的23.6%降到了14.1%。這個改善歸功于邊緣概率圖對框回歸特征的空間調(diào)制。ERM讓網(wǎng)絡在目標邊界上的響應形成一條“銳峰”檢測頭回歸的時候依據(jù)的分布不再是發(fā)散的自然框得更緊。4.2 目標不完整問題的實測改善目標不完整這個我原本是有點擔心的因為細化融合分支本質(zhì)上是在特征層面“補全”信息而不是在圖像層面效果能不能體現(xiàn)在檢測結(jié)果上實測下來是有改善的。特別是對于帶長尾狀特征的紅外目標——比如飛機機翼的翼尖原本只檢測到機身前半部分框在翼尖處截斷。集成ERM后這類目標基本上都能給出完整包絡框。我把數(shù)據(jù)集里目標寬高比大于2的細長形目標單獨拉出來統(tǒng)計原版YOLOv11的平均召回率是61.8%ERM版本來到了70.5%。分析原因我覺得是細化融合分支里的空間注意力起作用。空間注意力圖在高層語義指導下會對目標可能延伸的方向產(chǎn)生響應即使該區(qū)域在淺層特征里響應很弱高層語義和淺層細節(jié)結(jié)合后也會形成完整的區(qū)域激活。這個過程類似“語義指導的補全”不是無中生有而是從上下文推斷出缺失部分的合理位置。4.3 背景干擾問題的實測改善背景干擾的改善是最讓我驚喜的。最初設計ERM時我覺得門控思路應該能壓下一些背景噪聲但實際效果超出預期。測試集里有不少“假目標”比如地面熱反射形成的亮斑、海面波浪的反光。原版YOLOv11經(jīng)常把這些誤檢成目標尤其是在高置信度閾值下誤檢率仍然穩(wěn)定在13%左右。ERM版本在這個指標上降到了8.2%。原因也是邊緣門控真實目標通常有結(jié)構(gòu)化邊緣亮度過渡呈“由暗到亮再到暗”的模式而背景亮斑大多是均勻的高亮區(qū)邊緣響應集中在亮斑外圈內(nèi)部沒有結(jié)構(gòu)化邊緣。ERM的邊緣分支能識別出這種差異對均勻亮斑的內(nèi)部特征進行抑制從而減少誤檢。我還特意做了個壓力測試把測試圖像都加了一層高斯噪聲觀察mAP50掉點幅度。原版掉了6.1個百分點ERM版本只掉了3.4個百分點。這說明邊緣信息對噪聲的魯棒性更好因為Sobel算子本身就有一定的抗噪特性而隨機噪聲在邊緣圖上不會形成連貫響應。4.4 訓練過程中的五個常見坑踩坑記錄這塊我希望后來者看完能少走彎路。整理成問題速查表吧?,F(xiàn)象可能原因解決方案訓練前幾十個epoch損失震蕩劇烈EdgeBranch后面的卷積初始權(quán)重過大對EdgeBranch的fuse模塊采用Kaiming初始化或使用Xavier初始化邊緣概率圖全接近0.5沒有區(qū)分度Sigmoid輸出前卷積偏差過大在最后一個1x1卷積的bias初始化上設-2讓初始邊緣概率圖偏稀疏加了ERM后mAP反而下降插入位置不對ERM輸入特征分辨率不匹配確認兩個輸入特征分辨率一致或先在ERM內(nèi)部做上采樣對齊顯存不足多尺度特征融合產(chǎn)生大量中間變量用checkpoint技術(shù)包裹ERM模塊或者在低分辨率特征上調(diào)用ERM邊緣一致性損失不下降正樣本框太少損失平均時valid值過小改用全局邊緣梯度損失不依賴檢測框坐標第一個坑我實際踩得很深。最開始我在EdgeBranch的fuse模塊里直接用了nn.Conv2d(..., biasTrue)初始化權(quán)重時沒做任何處理結(jié)果訓練到第20個epoch損失時好時壞曲線像鋸齒一樣。檢查邊緣概率圖輸出發(fā)現(xiàn)初始值分布太散導致門控后的特征幅度劇烈波動。后來我把fuse模塊全部改成默認的Kaiming初始化并且給最后一個卷積層加了bias初始化-2問題才穩(wěn)定下來。這個-2的初始化其實借鑒了CenterNet熱圖輸出的思路——讓初始預測偏向于“沒有邊緣”網(wǎng)絡要主動去激活邊緣響應而不是靠起始狀態(tài)瞎猜。第二個和第五個坑其實是同一個根源。邊緣一致性損失如果沒有足夠多的正樣本計算出來的損失均值的方差非常大表現(xiàn)為損失偶爾暴跌偶爾暴漲。我把損失改成全局梯度匹配后不僅訓練穩(wěn)定了收斂速度還快了不少。全局梯度匹配的公式很簡單讓邊緣概率圖的梯度方向和Sobel算子得到的梯度方向盡量一致這就是多一個L1損失省去了目標框坐標的參與。還有一個隱藏較深的坑是ERM在推理階段的作用。我最初以為ERM只在訓練時有幫助推理時可以移除結(jié)果實測發(fā)現(xiàn)移除后mAP50掉回73.6。這說明ERM不僅僅是約束了訓練它提供的邊緣感知特征在推理時也在持續(xù)參與檢測頭的預測。所以在導出模型做部署時不要為了省那一點點算力把ERM模塊裁掉得不償失。5. 后續(xù)還能怎么擴展最后再分享一些我在這個方向上的后續(xù)嘗試雖然還沒完全跑通但思路已經(jīng)比較清晰了。一個方向是把ERM的邊緣感知能力和更精細的實例分割結(jié)合起來。紅外小目標檢測的邊界問題本質(zhì)上是實例分割的邊緣問題。如果能把ERM輸出的邊緣概率圖進一步thresholding直接當作目標掩碼的輔助預測可以和YOLOv11的SegHead聯(lián)動做成一個輕量的檢測加分割多任務框架。另一個方向是讓ERM的邊緣分支變得“可感知溫度分布”。紅外圖像說到底反映的是溫度分布目標邊界不一定是灰度突變也可能是溫度梯度異常。我嘗試過在邊緣分支里加入紅外圖像特有的溫度歸一化預處理但效果還不穩(wěn)定。后來想明白一個事情Sobel算子提取的是灰度梯度不是溫度梯度如果能把紅外圖像的灰度映射關系用一個可學習的曲線先修正一下再喂給邊緣分支效果可能會更好。還有就是在多尺度金字塔的每一層都插入ERM而不是只放在P3/P4融合節(jié)點。我在移植外國某開源項目時試過這種方案特征圖在5個尺度上全部走ERM理論上信息最全但實際訓練時長直接翻倍而且P5層的小目標響應本來就少邊緣分支在那里作用很有限。所以我的建議還是ERM不需要全尺度覆蓋選關鍵一兩個融合節(jié)點就夠。我個人在實際項目里的體會是注意力機制把已有特征重標定是“錦上添花”而ERM這種用邊緣信息主動補足結(jié)構(gòu)先驗的做法是“雪中送炭”。紅外小目標檢測的瓶頸往往不在模型的容量而在特征圖的信噪比。通過顯式引入邊緣感知和門控融合YOLOv11在低信噪比場景下的能力確實有質(zhì)的提升。如果你正在做紅外小目標檢測的改進也飽受邊界模糊和背景干擾的折磨不妨把ERM模塊拿去試一試。建議從消融實驗開始先熟悉邊緣分支和細化融合各自的貢獻再逐步調(diào)整門控強度這樣排查問題會容易很多。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
99热这里只有精品50| 蜜臀久久99精品久久久久久酒店| 天天爱天天做天天舔| 香蕉人妻AV久久久久天天| 五月婷深深爱激情网| 亚洲视频在线网| 影音先锋777xfplay色资源网站| 超碰人人色| 综合伊人久久| 色婷婷综合久色AV五色最新| 色级停停| 狠狠爱婷婷| 99热精品在线播放| 日本狠狠干| 激情五月com| 色丁香五月婷婷综合久久| 五月丁香婷婷爱| 成人精品在线| 日日夜夜九九| 99热亚洲精品| 午夜 外网 精品 在线| 亚洲精品**不卡在线播he| 色色色色色色色色网站| 爱性综合网| 99国产在线精品视频| 六月丁香六月婷婷欧美| 亚洲丁香五月综合| 操b视频在线观看一区二区| 激情五月丁香社区| 婷婷丁香五月,狠狠综合| 免费超碰在线| 色色色99| 亚洲狠狠狠| 中文字幕日韩成人| 艹B高清无码| 69色婷婷| 99亚洲大片精品永久在线观看| 五月六月伦理| 久久五月婷婷电影| 五月天丁香综合在线| 狠狠色丁香| 人人干AV| 五月大香蕉| 婷婷五月天淫荡| 久操激情| 婷婷五点亚洲| 全网最新网黄大秀直播高清,主播国产录屏在线 | 久操人妻| 免费色婷婷| 色婷五月| 日韩三级高清无码| 日在线V视频在线播放| 久久精品99久久久久久久久| 婷婷色婷婷| 婷婷六月激情| 99精品爱| 99热久久这里只有精品| 婷婷丁香成人五月天| 开心激情站| 婷婷激情社区| 日日射天天射| 久久综合这里只有精品1 | 色婷婷av在线| 久热婷婷在线视频| 婷婷五月天免费99| 天天橾日日橾夜夜橾17| 91丨九色丨国产打屁股| 婷婷五月天亚洲综合| 1024国产在线| 国产成人亚洲综合A∨婷婷| 五月天婷婷永久免费视频| 爱久综合| 99热高清在线| 超级碰碰碰久久网站| 婷婷综合五月天| 久色大| 热99这里只有精品视频| 97人人看| 五月婷婷|欧美| 色色欧美色色| 九九色色| 五月丁香综合| 久久丁香| 欧美久久婷婷| 五月婷婷,狠狠操| 久久开心五月婷婷| 天天干夜夜b| 丁香六月啪| 在线成人av播放| 极品人妻VIDEOSSS人妻| 丁香婷婷大香蕉| 五月丁香琪琪| 97香蕉久久超级碰碰高清版| 丁香五月天社区| 99WWW免费视频| 天堂久久久久天堂网| 激情综合网五月婷婷| 久久婷婷五月天| 五月天激情视频网站| 色情婷婷| 思思99热这里只有精品| 97碰免费视频在线| 97色久| 激情综合另类| 99在线看视频| 美女久久天堂| 婷婷不卡基地| 丁香五月天堂亚洲社区| 操碰99在线视频观看| 国产暴力强伦轩1区二区小说| 亚洲99热| 婷婷激情综合| 超碰国产在线| 五月亭亭直播| 色碰碰| 开心激情网五月天| 这里只有精品视频在线| 激情五月天视频| 婷婷综合爱| 五月丁香花开综合网| 五月在在观看| 亭亭色天香| 丁香五月天天| 亚洲综合网激情小说| 五月丁香六月在线欧美| 欧洲激情网站| 婷婷开心青青草| 激情6月| 精品成人无码A片观看香草视频| 97色在线| 91超碰人人操| 成人美女网| 日本99视频| 色色激情五月天| 五月天伊人| 婷婷深爱五月天| 激情五月婷婷网| 婷婷金品综合视频| 婷婷精品| 伊人久久婷婷五月综合97色| 九热视频在线伦| 国产精品A片在线| 久久激情四射| 亚洲4区国产欧美| 9一精品视频观看| 五月婷天堂视频| 激情婷| 月色色综合婷婷网| 亚洲AV日韩无码| 丁香五月中文字幕| WWW,激情五月天,COM| 欧美婷婷六月丁香综合色| www99热| 丁香色五月 97干| 色色综合网站| 国产精品噜噜在线视频| 五月久久丁香| 色屌丝中文字幕| 777色婷婷爱五月| 九九综合九九| 色狠狠综合网| 精品成人a v无码内射| 亚洲欧美国产高清vA在线播放| www.99热这里只有精品| 综合婷婷久久| 亚洲精品又粗又大又爽A片| 97久久人人人干| 99热xx| 日本久久9| 色九九丁香九月色九九色| 色99在线看| 丁香婷婷基地| 色情五月婷婷| 亚洲精品色| 中文字幕 中文字幕明步| 色综色网| 人人草碰| 、激情六月天| 精品无码99| 国产精品VA在线| 亚洲美女高潮久久久久久69| 风流少妇A片一区二区蜜桃| 熟女强人妻一区二区三区四区无| 99热碰碰| 性色人人爽| 深爱激情四射| 99爱在线免费视频| 人人操av| 人妻六月天| 日本色99| 丁香五月网| 思思热久久久久思思热| 五月丁香大相交| 久久久久9999| 色婷婷AⅤ| 天天综合网、天天综合色 | 欧美日朝成人| www,婷婷,com| 影音先锋一区二区三区| 狠狠狠五月婷婷六月丁香| 五月激情综| 9色视频在线| 国产毛片精品一区二区色欲黄A片 欧美交换配乱吟粗大25P | 碰碰碰97国产| 色噜噜综合网| 九九热免费| 色婷婷九月| 四川女人毛多水多A片| 亚洲激情六月| 日本天天综合| 亚洲最大五月天成人网| 婷婷综合五月| av最新在线| 第四色五月激情网| 亚洲久久激情| 亚洲国产精品二二三三区| 人人综合91网| 五月色婷婷综合丁香精品无遮挡| 可以看的AV| 婷婷丁香五月天激情| 7777久久亚洲中文字幕| 色婷婷狠狠干| 另类小说五月天| 天天做天天爱天天高潮| 丁香九月综合激情| 这里只有精品免费观看网占| 操操啪| 亚洲综合欧美色丁香婷婷888月图片| 婷婷五月天AV| 五月色综合| 国产成人精品一区二三区熟女在线| 久操人| 丁香婷婷免费| 大香蕉久| 丁香婷婷性久久| 色噜噜,噜噜色| 久草a片| 亚洲字幕AV一区二区三区四区| 夜夜躁婷婷AV| 丁香五月av在线| 五月激情网站| 狠狠 久久| 亚洲激情校园| 91色综合| 婷婷色色欧美| 国产色五月| 91五月天| 99碰| 99精品免费欧美小视频| 国产精品成人AV在线观看春天 | 五月丁香色色网| 五月六月伦理| 九九草草逼| 天堂AV三级| 欧美激情五月天| 色婷婷中文| 五月天激日本色情在线| 亚洲激情在线| 人人爽欧美婷婷久久久五月丁香| 就爱射中文字幕资源网| 国产成人精品一区二三区熟女在线| 久久婷婷网| 激情五月天色婷婷| 超碰婷婷色| 大香蕉520| 婷婷在线激情| 大香蕉婷婷婷| 五月丁香婷婷啪啪综合网| 1024日韩| 人妻人人操| 激情五月婷婷六月丁香| 丁香五月玖玖| 9999色色色色| 中文字幕一色哟哟哟哟| 五月天婷五月天综合网在线观| 婷婷色在线播放| 久久丁香网| 99秘 在线| 五月天精品| 丁香五月激情啪| 99国产小视频| 丁香色婷婷色手机免费在线| 韩国婷婷丁香五月| 中文字幕日产A片在线看| 五月天婷婷xxx| 久艹大香蕉| 色噜噜五月丁香婷婷| 色婷婷丁香特级性爱视频| 日日夜夜天天| 丁香婷婷久久激情| 少妇出轨做爰高潮A片| 五月伊人综合| 丁香五月综合| 综合狠狠干| 丁香五月久久| 97深爱伊人综合| 99在线精品观看99| 色99视| www夜夜操| 色婷婷狠狠18禁| 国产精品成人AV在线| 久久亚洲天堂| 99ri国产| 色五月网址| 91九色国产| 99碰网站| 婷婷亚洲天堂| 色色网站免费在线视频| 五月丁香色婷婷| 九九热视频首页/这里只有精品| 日韩999| eeuus五月婷| 五月激情小说| 日日干夜夜撸夜夜骑| 亚洲国产精品二二三三区| 丁香久色| 久综合4| 可以免费看AV网站| 国产综合丁香五月天| 五月亭亭性| 欧美、日韩、中文、制服、人妻| 99玖玖免费视频| 97操碰碰无码视频| 色综合伊人网| 精品福利911| 人人爽网| 久色婷婷200| 婷婷五月天丁香激情| 98永久精品| 台湾无码A片一区二区| 五月丁香综合啪啪| 婷婷丁香午夜综合影视| 丁香五月婷中字在线| 五月激情五月婷婷五月天在线| 4399在线观看免费高清毛片| 五月婷婷偷拍| 综合亚洲五月天| 91妻人人爽人人看片| 色综合色综合色综合| 国产美女主播vip| 噜噜色五月| 亚洲免费看片| 图片区 小说区 区 亚洲五月| 久久久久人无码人妻| 色婷婷亚洲综合天堂| 五月天婷婷视频小说| 26UUU欧美激情一区二区| 伊人激情影院| 99热99热| 五月婷婷天堂| 国产精产国品一二三在观看| 久久ab| 色九月欧美| 婷婷五月天亚洲| 五月婷婷亚洲综合网| 性爱111111| 精品色色| 99久久99热| 亚韩精品视频1区| 综合婷婷都市激情| 欧美va亚洲va| 人妻有码乱操| 九九五月天| 99er免费在线观看| 狠狠情色| www.天天干| 深爱激情69热| 色综合九九| 免费无码毛片一区二区A片| 丁香五月天天高清在线| 久热黄色| 秋霞av吧| 久久婷五月婷| 九九久久视频| 九九久久99| 在线视频区| 五月天激情网图片| 天天色天天干天天插| 六月色婷婷综合影视| 激情伊人五月天| WWW.色婷婷.COM| 久久九九玖玖| 婷婷5月久久综合网站| 婷婷五月天奸女| 六月米奇色综合| 色五月中文字幕| 综合色色网| 99爱在线精品视频免费观看| 激情深爱婷婷网| 婷婷成人在线| 少妇AB又爽又紧无码网站| 天天透天天爱| 日本婷婷丁香五月| 日韩在线视频网站| 色婷婷六月| 久久五月视频| 99这里只有| 视频综合网| 五月天久草| 婷婷五月在线视频| 日本爆乳片手机在线播放| 色五月丁香婷婷综合| 色婷婷AV在线| 91碰人人| av中文在线| 五月天婷婷免费视频| 国产日日夜夜操| 久久久www| 一本到不卡高清DVD| 狠狠草狠狠草| 九九亚洲| 可以免费看AV网站| 南京搡BBBB搡BBBB| WWW色色色COm| 国产操逼视频网站| 无码少妇高潮喷水A片免费| 日韩超碰在线| 色五月婷婷很很操| 人妻操操色| 亚洲综合网区| 国产成人在线精品| 丁香综合久久| 夜色热久| 久久视频在线视频| 超碰在线观看99| 久久这里都是精品| 日日做夜夜爱| 激情婷婷丁香五月| 玖玖资源站国产| 99热碰碰| 人人干人人操外国| yjzz亚洲国产| 强辱丰满人妻HD中文字幕| 五月天婷婷久久| 日韩AAAAAAAAAAA片| 婷婷综合伊人丁香| 婷婷丁香五月天在线视频| 久月婷婷| 婷婷内射视频在线| 91精品啪| 丁香色色五月| 超碰天堂网| 人妻AV中文系列| 无码任你操| 亚洲色夜| 婷婷久久五月天| 丁香五月停停av| 无码毛片992367| 深爱婷婷基地| 啪啪一区| 五月丁香六月色婷| 丁香色色网| 激情综合国产| 蜜臀av粉嫩av懂色av| 丁香五月天婷婷大香蕉| 激情五月天色色色| 丁香激情综合| 久久久宗合视频88| 婷婷情色开心五月天99| 99在线精品免费视频| 天天日天天色| 色五月 五月婷婷| 婷婷天堂综合| 中文无码婷婷| 久久久久久综合88| 一本久道综合色婷婷五月| 九九热视频在线观看| 熟女激情五月天 | 欧美日韩成人在线| 综合五月天| 婷婷天堂站| 婷婷五月色播放| 亚洲AV免费在线| 深爱激情六月天| 婷婷久月| 婷婷五月天亚洲| 婷婷狠狠干| 激情丁香五月天| 五月婷婷丁香六月| 欧美性爱五月天| www.久久99| 激情小说五月天| www.久久爱| 精品无码久久久久久久久| 日本欧美成人片AAAA| 专区无日本视频高清8| 亚洲色五月| 白人荫道BBWBBB大荫道| 成人 在线观看国产| 丁香五月婷婷国产av| 亚洲狠9| 九九艹女| 五月婷婷黄色毛片| 久久婷婷内射| 99热情这里只有精品在线播放| 激情五月综合色| 欧美激情五月综合| 五月丁香六月欧美综合| 五月色俺婷婷| 亚洲婷婷欧美婷婷| 人妻av在线| 天天做天天爱| 国产99久久久国产精品免费看| 天天色情站| 伊人五月婷| 色婷婷亚洲综合av| 91凹凸在线| 婷婷天堂综合| 性小说五月天| 在线1青婷| 激情小说五月天| 色色色色色色色色五月先| 色色激情五月天| 久久香蕉网| 97成人操| 久久婷婷五月综合成人d啪| 91综合国免费久入| 五月天婷婷在线观看精品男人| 五月婷婷六月激情网| 五月丁香色| 亚洲在线操| www.久久久久| 伊人99久久| 在线看黄色| 久久婷婷五月天懂色| 五月情四婷婷| 婷婷五月天成人小说| 丁香 久久| 亚洲免费婷婷| 在线观看视频1区| 国产精品汇聚精彩第二页 - 高清完整版在线 - 青蛙AV | 大香蕉人人网| 深爱五月月天| 婷婷色狠狠| 操逼视频一区| 伊人综合网站| 99色.com| 激情涩涩网| 婷婷五月天高清无码| 亚洲精品影视| 江苏少妇性BBB搡BBB爽爽爽| 色9月| 婷婷欧美色| 深爱激清网| 99久在线精品99re8热| 激情内射人妻1区2区3区| 99热99思午夜精品| 五月婷视频| 五月丁香自拍| 激情五月亚洲综合网| 日韩aaaaa| 亚洲色色色| 日本高清不卡免费一区二区三区| 97久久人人操| 欧美激情-区二区三区| 欧美精产国品一二三区| www.色五月| 丁香婷婷五月综合影院| 天天拍夜夜爽| 婷久久| 成人片黄网站色大片免费毛片| 九月久久婷婷| 激情综合网亚洲色图| 久久九精品| 国产毛片欧美毛片久久久| 一区二区三区四区牛| 亚洲丁香五月综合| 婷婷五月天成人| 涩涩五月天| 百度4399有码精品V在线观看| www.xtbsty.cn.com蜜乳AV| AAAA网站| 亚洲成av人影院| 密乳Va| 天天摸夜夜爽天天做| enecarbon-materials.comWu染请涟系Bao护@wip1688 | 六月激情婷婷综合| 五月丁香成人| 国产在线网址1| 色情五月丁香| 99热无码首页| 欧美大片免费播放器| 玖玖午夜视频| 丁香五月激情视频| 成AV人片一区二区三区久久| 欧洲S级在线观看| 五月婷婷深爱六月| 国产性爱亚洲是图| 爆乳熟女一区二区三区爆乳| 99精品久久久久久久婷婷久久| 色综合色色| www.婷婷五月天,com| 日日干日日s| 97精品自拍| 9久热在线视频| 久久久er热| 五月天激情久久| 丁香六月亚洲| 操嫩逼电影| 五月天综合在线| 九色视频入口91| 婷婷美女精品视频| 99精在线| 婷婷月综合| 九九精品视频在线观看| 亚洲乱码日产精品BD| 亚洲综合网区| 无码啪啪| 久久99精品日本| 就爱射中文字幕资源网| 九九热青草| 婷婷第六色| 99在线资源| 激情国产五月| 婷婷播播五月天| 色噜噜狠狠色综合日日| 超碰久热| 玖玖爱资源站| 9久久久| av操一操| 九色99视频| 婷婷五月天日本国产| 色九区| 欧美日韩国产一区| 少妇性按摩无码中文A片| 无语停婷丁香网| www.操逼comm| 国自产拍偷拍精品啪啪一区二区 | 日本在线99| 99精品视频网站| 五月婷婷色| 丁香影院五月综合| 九九无码视屏| 99re资源在线视频导航| www.av骚货| 激情婷婷丁香| 先锋av性爱成人电影| 久久性爱视频| 色综合色综合色综合高潮| 99热这里只有精| 色婷婷久久| 97香蕉碰碰人妻国产欧美| www.五月婷婷.com| 色婷婷大香蕉| 91婷婷丁香| 丁香五月婷婷超碰在线| 97人人干人人操| 丁香五月影视| 色综合久久44| 99啪啪视频| 99热亚洲| www.99在线| 色婷网| 欧美成人性爱网| 亚洲人妻AV| 色色99色色| 亚洲人妻AV| 婷婷丁香五月天在线视频| 天天操天天插| 婷婷五月丁香成人| 99se丁香| 五月婷婷之综合激情| 91九九九色在| 五月丁香操亭亭网| 久久jiuwww| 99操无码视频观看| 九九精品网站| 激情久久久| 五月丁香综合伦理片| 欧美成人猛片AAAAAAA| 色5月婷婷| 丁香六月欧美| 五月天丁香成人社| 草综合网| 97精品人人A片免费看| 五月永久激情| 丁香婷婷六月| 六月激情综合| 亚洲在线操| 4399在线观看免费高清黄色视频| 五月婷婷六月丁香在线| 久久性刺激| 亚洲 视频 导航 一区| 久99久视频| www.99热| 日本精品久久久久中文字幕| 婷婷久久综合久| 日本的α片xxxwww| 农村熟妇高潮精品A片| 亚洲九九九九| 7777久久亚洲中文字幕| 综合99久久天天综合| 五月婷婷啪啪啪| 天天干 夜夜爽| 婷婷丁香五月天综合网| 色综合中文综合网| 97超碰在线免费观看| 热99精品视频五月| 五月丁香成人| 色五月开心五月激情五月| 99热在线观看成人| 婷婷刺激综合| 97色色色视屏| 麻豆忘忧草午夜| 九九大香蕉黄色影院| 亭亭五月丁香综合欧美| 亚洲激情四射色| 无码少妇高潮喷水A片免费| 免费的日逼视频| WWW.五月com| 99热这里都是精品| 人人舔人人色人人高潮| 超爽内射| 亚欧州精品视频| 天天日日天天| 久操人| 久色资源| 噜噜色婷婷| 丁香五月婷婷狠狠色| 九九热123| 少妇人妻人伦A片| 婷婷丁香六月影视| 婷婷久久影院| 欧美交换配乱吟粗大25P| 日本成人噜噜噜| 五月婷婷在线视频免费观看| 美女被肏网站在线看| 激情视频网址| 精品人妻一区二区三区四区不卡在| 五月丁香综合啪啪| 色五月丁香激情视频| 日韩精品电影| 麻豆WWWCOM内射软件| 九九热精品在线| 激情文学天天| 97色色综合| 亚洲妇女熟BBW| 五月精品99综合| 激情网五月| 夜夜天天天天天干天天爽| 丁香五月手机在线| 97人人妻人人艹| 色婷婷基地 | 韩国激情五月天综合网| 色五月丁香五月五月婷婷| 91综合在线观看| 思思99热| 激情五月婷| 天天干天天操天天爱| 欧美三级欧美一级| 婷婷五月精品| 女人天堂AV| 日韩色色视频| 激情五月丁香在线观看直播| 91九色|疯狂|高潮|对白|| 天天干人人奸97| 九九aV| 色婷婷成人五月| 激情婷婷内射| 日本人人干| 日操夜操天天操不卡| 天天做夜夜爽| 色99在线| 五月天激情国产综合AV| 婷婷色在线观看| 婷婷五月丁香激情图片| 国产亚洲精品久久久久久豆腐| 亚洲AV网址| 国产精品日韩十五区| 久久狠狠高潮亚洲精品 天天摸夜夜摸夜夜狠狠摸| 婷婷六月色开| 综合九九久久| 九97免费视频| 1995年关宝慧版蜘蛛女| 大香蕉五月天婷婷| 色五月中文字幕| 91大屁股| 日本天天综合| 婷婷丁香五月激情综合站_久久五月丁香激情综合_开心五月综合激情综合五月_婷 | 狠狠五月天婷婷激情网。| 久热这里有精品视频| 久久婷婷五月| 天天插天天插天天操| 韩国19 主播内部福利vip免费播放| 婷婷香蕉| 五月婷色色| 色综合五月| 久久久五月四色| 五月天开心婷婷久久| 九月婷婷综合| 超碰猛烈的性猛交| 丁香五月天日韩无码| 狠狠色丁香| 色婷婷a三区麻| 激情五月天小说视频| 精品人妻伦| 五月婷色丁香| 日本成人小说婷婷六月| 99视频| 99热这里有精品| 精品成人在线观看| 夜夜撸日日操| 婷婷丁香18| 成人网站av免费网站推荐| 99五丁香月| 天天干人人奸97| www,婷婷,com| 无码激情AAAAA片-区区| 人人爱操| 天天日日夜夜| 九色婷婷| 综合久久99| 色色色成人网| 久久亚洲婷婷| 久久九九爽| 亚洲啪啪视频| 日韩人妻在线观看| 人妻久热| 综合99视频| 99热激情| 婷婷狠狠操| 日日夜夜天天爽| 色五月婷婷啪啪五月| 开心日韩丁香婷婷五月| 五月丁香六月婷婷不卡免费无码| www.五月天性.com| 国产丁香五月天婷婷| 狠狠狠人妻| 丁香婷五月| 很很干五月天| 五月婷婷深爱六月| 欧美激情综合色综合色| 夜夜操天天爽| 亚洲aV写真天天综合网久久| 亚洲婷婷乱乱丁香| www.色五月.com| 91精品综合久久久久久五月丁香 | 色综合中文| 精品国产人人爱人人| 狠色色狠网| 在线网黄| a网站免费观看| 人妻久久久| 五月婷婷色色| 国产AV一区二区三区最新精品 | 少妇人妻人伦A片| 少妇性BBB搡BBB爽爽爽电影| 婷婷丁香五月综合| 中文字幕丰满孑伦无码专区| 久久精品一区二区三区四区| AⅤ网站在线看| 色碰97| 日本在线视频看se99| 欧美啪啪五月天| 大香蕉婷婷五月| 亚洲色综合| 五月天激情小说婷婷| 丁六月激情| 婷婷丁香激情| 欧美色爱五月天| 夜色综合网| 91一起操| 久久草大香蕉| 色九九综合色| 九九精品系列| 六月丁香停| 伊人99热| 色婷婷成人影片| 婷婷深爱五月丁香网| 久色婷婷200| 激情五月天啪啪| 超碰免费在线| 中文字幕日产A片在线看| 99精品在线观看视频| 婷婷成人五月天| 色婷婷色99国产综合精品| 色色色色综合网| 桃色成人网| 婷婷伊人綜合| 99操逼视频| 五月天快乐开心激情网| 色播丁香婷婷五月激情| 欧美激情综合五月色丁香| 中文字幕成人影视| 老司机日日夜夜青草| 色伦专区97中文字幕| 99热免费18| 色播婷婷大香蕉| 色综久久久| 色婷婷五月天小说网| 日本色色网站| 五月丁香网站| A片天天| 天天干,天天操,天天射| 色色综合色视频| 深爱开心五月天| 九九在线精品| 婷婷五月天福利| 五月色视频| 在线中文亚洲| 97香蕉人人在线观看| 操你av| 另类五月激情| 99高级会所久久| 色色亚卅| 久99久精品| 欧美性生交XXXXX无码小说| 久777| 中文字幕AV网址| 综合xx网| 直接看的AV| 久久思思热| 碰久久精品w| 丁香5月激情网| 色婷婷亚洲婷婷| 77777亚洲午夜久久| 思思热99热| 在线综合91| 婷婷噜噜| 9 1在线视频| 色五婷婷在线视频| 亚洲四色五月| 五月天狠狠| 最新婷婷五月丁香| 五月丁香六月婷婷综合网缴情| 九日日夜夜69| 求可以看的AV网址| 精品一区二区三区免费毛片爱| 亚洲性爱干干| 丰满少妇猛烈A片免费看观看| 成人婷婷五月天| 午夜一区| 99热啪啪| 777精品久无码人妻蜜桃| 99r久久这里只有精品| 婷婷五月天av| 色五月婷婷丁香国产在线| 欧美久热| 最新五月天婷婷影| 精品热九九| 久久人妻久久| 国产69久久久欧美黑人A片| 日韩一本操| 婷婷四色五月| 日韩人妻在线播放| 五月六月婷| 亚洲四色五月| 激情六月丁香| 国产片天天爽夜夜爽| 久久小说网| 五月天丁香久久| 日撸夜撸日操| 狠狠狠狠狠狠| 九月久久婷婷| 艾小青av| 日本天天色| 五月天色色婷婷| 婷婷网五月| 狠狠干综合| 婷婷久久免费| 人人草人人爱手机视频看看| 九九热中文| 涩婷婷视频快播人妻| 日日日,com| 能看的av| 五月天小说激情| 黄色99网| 天天激情站| 超级碰碰碰碰视频| 天天干天天射色综合| 激情99| 久久久人妻不卡| 五月天婷婷小说| 99在线资源视频| 五月婷婷亚洲综合网| 91偷拍视频| 色九月综合网| 99热这里只有精品最新| 99色在线观看视频| 五月天婷婷综合| 99久久免费精品| 日韩久久色| 五月婷A V在线| 99这里都是精品| 欧美婷婷五月激情| 久久婷婷五月激情综合| 激情婷婷丁香五月天小说| 五月丁香啪啪激情| 大香蕉丁香| 这里只有精彩视| 国产片色| 免费看欧美成人A片无码| 久思思久视频| 色色婷婷丁香| 亚洲综合另类| 五月天.com| 丁香八月综合激情| 五月丁香六月激情综合在线| 丁香五月偷拍| 都市激情亚洲| 婷婷丁香十月| 人人摸人人摸| 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 | 全部老头和老太XXXXX| 婷婷成人五月天| 久久婷婷婷婷伊人| 日本久久天堂| 色婷婷色和| 亚洲亚洲人成综合网络| AV色婷婷| 日日夜夜天天综合| 丁香六月 人妻| www.久久久久久久| 丁香五月激情欧美| 婷婷六月丁香在线| 久久久久激情网| 亚州在线中文字幕| 99爱视频| 亚洲第一色区| 欧美综合激情五月丁香| 久草五月婷婷| 色综合av超碰| 超碰操日| 国产亚洲精品久久久久久牛牛| 婷婷五月色综合| 另类视频丁香五月| 色爱综合视频| 五月天色导航婷婷资源婷婷| 97色欧美| 五月天社区婷婷丁香社区| 9视频在线成人网站| 九九性视频| 亚洲啪啪啪啪| 日亚二欧美| 色情综合网| www.十八禁不禁AV.com| 99re热| 亚洲人妻av| www.久久爱.com| 大香蕉在线99热| 久久综合五月天| www99在线观看视频| 婷婷精品在线| 亚洲综合99| 超碰av在线| 插插插色综合网| 日本色啪| 国产色色色色| 亚洲热久| 91色逼| 色综合色综合网| 狠狠色成人影片| ,99视频久久| 激情人妻蜜夜系列区| AV79| 久久九⑨| 五月婷婷亚洲| 一区二区成人电影| 五月天婷婷影院| 激情综合网,五月| 狠狠一日| 婷婷网五月天| 亚洲精品亚洲人成人网| 久久五月丁香| 人妻精品久久久久久| 色99免费视频中文| www久久艹| 另类综合激情| 五月丁香影院| 欧美色小说婷婷| 狠狠狠狠青草| 九九亚洲综合| 99热免费精品热久久66| 亚洲综合九九| 久久亚洲婷婷| 99热这里是精品| 国产欧美精品AAAAAA片| 野战J办公桌椅H| 婷婷色五月91啪啪| 99久久婷婷精品视频| 99资源人人| 激情四射婷婷色色色| 91啪啪视频| 狠狠穞A片一區二區三區| 国产精品噜噜在线视频| 婷婷五月丁香激情图片 | 五月婷婷综合激情网| 亚洲色色色| 综合网视频| 日本久久天堂| 嫩草AV久久伊人妇女超级A| 四月婷婷丁香| 991国产精选视频在线播放下载| 夜夜谢天天干| www.激情五月天com| AA片在线观看视频在线播放| sisi热国产| 26uuu欧美亚洲日韩| 久久久99精品| 婷婷五月丁香六月综合网| 免费黄色AV| 色噜噜综合网| 六月激情综合| 黄网在线免费观| 888久久久| 99热销国产这里有精品| 亚洲操精品| 五月丁香啪| 99色综合| 亚洲 小说 欧美 激情 另类| 五月天综合视频| 九九無妻| 色涩视频久久| 97精品欧美91久久久久久久| 日本va欧美va精品发布视频| 欧美成人五月天| 高清视频一区| 日本美女97在线视频| 六月婷婷九月丁香| 色玖玖综合| 丁香五色月婷婷网| 26uuu亚洲欧美| 99re热在线视频| 97在线观视频免费观看| 成人在线综合| 五月婷丁香在线视频在线| 久久香蕉丁香| 亚洲视频一区| 碰人人操| 天天色天天爱天天舔| 开心五月天激情网| www.色婷婷.com| 婷香狠狠爱五月| 免费成人va| 五月婷婷视频| WWW.桔色成人.COM| 六月色激情| 五月天色官网| 开心五月婷婷| 超pen个人视频97| 91九色丨国产丨爆乳| 伊人久久大香网| 亚洲欧美一区二区三区四区爱爱动图| 婷婷激情五月| 婷婷五月精品| 精品视频这里只有精品| 五月天激情网站| 9久久狠狠的| 99热一本久道| 色婷婷六月激情| 国产综合婷婷| 天天人人综合| 久久99jiu9| 人与禽A片啪啪| 欧日韩成人| 天天综合天综合| 久久精彩综合视频| 伊人9在线| 成人.在线日韩| 99久视频| 97影院一级片| 亚洲色激情| 色综合爱综合| 九九色图| 伊人色综合久久久| 伊人婷婷福利网| 久久人妻精品| 色99在线视频| 天天日 天天草| 一级A片天天操夜夜操| 成人五月天色天堂| 丁香五月区| 在线看黄色| 五月婷婷丁香日韩在线| 国产精品涩涩涩视频网站| 爱久综合| 国产在这里只有精品| 这里只精品热在线18| 激情五月天啪啪视频| 久久总和99| 久久久人人操A V| 午夜69成人做爰视频| 久热无码| AV成人在线播放| 5月丁香婷婷激情网| 99热这里有精品2| 开心五月激情站| 26uuu视频欧美| 91一起操| 日本一毛片| 99精品97| 九九综合88| 九热av| 国产高清av黄色看片| 99操逼| 久久五月激情网| 中文字幕在线观看视频www| 97超碰人人操| 色人久夂| 婷婷综合97| 天堂爱啪啪| 久久与婷婷| 激情文学第四色婷婷丁香五月| 久久久无码精品成人A片小说| 亚洲色色图片| 色网五月婷婷| www.婷婷五月| WWW.99热| 色五月琪琪| 91seav| 另类婷婷五月天啪帕帕| 久久99成人性爱高清视频| 丁香五月婷婷老师网站| www.五月瑟| 色播激情| 久久色情综合免费网站| 日韩黄色电影| 丁香六月婷婷综合欧美| 久青草大香蕉| 日本色图综合| 色婷婷97| 噜噜噜狠狠色综合| 狠狠擼综合| 99精日本久久| 亚洲天天综合| 婷婷丁香五月天影院 | 东京热人妻一区二区三区在线| 96五月丁香熟女| 丁香久久激情俄| 六月激情综合| 丁香综合网| av色色国产| 五月天六月天| 天天肏天天舔AV| 天天日天天草| 婷婷综合在线| 国产人妻777人伦精品HD| 五月丁香花激情综合网| 1024成人在线观看| 黄色三级日本| 五月天婷婷色五月天| AA片在线观看视频在线播放| 天天色色天天| 4399在线观看免费高清黄色视频| 婷婷九月激情| 丁香五月1页| 久久久亚洲精品一区二区三区浴池| 人人爽欧美婷婷久久久五月丁香| 97超级碰碰碰| 99精品网| 综合五月天天天天天五月| 丁香九月激情久久| 午夜成人AV在线| 婷婷五月天激情综合婷婷五月天激情综合| 色五月丁香91| 亚洲成人中心| 人人摸人人操人人爽| 亚洲色婷婷| 少妇激情五月天| 久久99三级在线视频| 能看的AV| 天天操天天草天天草天天| 丁香五月综合激情性爱| 国产偷人爽久久久久久老妇APP| 丁香五月天在线观看| 67194国产|