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(yíng)的一線(xiàn)實(shí)戰(zhàn)洞察。

高光譜圖像分類(lèi)實(shí)戰(zhàn):從數(shù)據(jù)預(yù)處理到深度學(xué)習(xí)模型構(gòu)建與調(diào)優(yōu)

高光譜圖像分類(lèi)實(shí)戰(zhàn):從數(shù)據(jù)預(yù)處理到深度學(xué)習(xí)模型構(gòu)建與調(diào)優(yōu) 1. 項(xiàng)目概述從“看見(jiàn)”到“看懂”的飛躍高光譜分類(lèi)聽(tīng)起來(lái)是個(gè)挺學(xué)術(shù)的詞但說(shuō)白了它就是讓機(jī)器像經(jīng)驗(yàn)豐富的專(zhuān)家一樣不僅能“看見(jiàn)”物體更能“看懂”物體到底是什么。我們?nèi)搜劭吹降氖澜缡腔诩t、綠、藍(lán)三原色混合而成的“真彩色”圖像。但自然界中每種物質(zhì)都有其獨(dú)特的光譜“指紋”——它們對(duì)不同波長(zhǎng)的光有著不同的吸收和反射特性。高光譜成像技術(shù)就是用一個(gè)能同時(shí)捕捉數(shù)百個(gè)連續(xù)、狹窄光譜波段的“超級(jí)相機(jī)”為每個(gè)像素點(diǎn)記錄下一條完整的光譜曲線(xiàn)。這個(gè)項(xiàng)目要做的“高光譜分類(lèi)”核心任務(wù)就是基于這些海量的光譜數(shù)據(jù)自動(dòng)、準(zhǔn)確地將圖像中的每個(gè)像素點(diǎn)劃分到預(yù)設(shè)的類(lèi)別中去比如區(qū)分農(nóng)田里的玉米、小麥和水稻識(shí)別城市地物中的建筑、道路和植被或者在遙感監(jiān)測(cè)中圈定污染區(qū)域、評(píng)估作物健康狀況。它解決的痛點(diǎn)非常明確傳統(tǒng)RGB圖像或?qū)挷ǘ芜b感信息量有限在“同物異譜”同一種東西在不同條件下光譜不同和“異物同譜”不同東西光譜看起來(lái)相似面前常常力不從心。而高光譜數(shù)據(jù)憑借其豐富的光譜維度為精準(zhǔn)識(shí)別提供了可能。無(wú)論你是遙感、農(nóng)業(yè)、環(huán)境監(jiān)測(cè)領(lǐng)域的研究者還是對(duì)計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)感興趣的開(kāi)發(fā)者這個(gè)項(xiàng)目都是一個(gè)絕佳的切入點(diǎn)。它融合了數(shù)據(jù)處理、特征工程和模型算法能讓你深刻理解如何從高維數(shù)據(jù)中挖掘價(jià)值。接下來(lái)我會(huì)結(jié)合我處理過(guò)的多個(gè)實(shí)際數(shù)據(jù)集的經(jīng)驗(yàn)拆解從數(shù)據(jù)準(zhǔn)備到模型上線(xiàn)的完整流程分享那些在論文和教科書(shū)里不會(huì)寫(xiě)的實(shí)操細(xì)節(jié)和避坑指南。2. 核心思路與方案選型為什么是“光譜特征深度學(xué)習(xí)”面對(duì)高光譜數(shù)據(jù)最直接的挑戰(zhàn)就是其“維度災(zāi)難”。一個(gè)典型的高光譜影像可能包含200-300個(gè)波段但空間分辨率下的像素?cái)?shù)量動(dòng)輒數(shù)十萬(wàn)。這意味著數(shù)據(jù)維度極高但標(biāo)記樣本已知道類(lèi)別的像素往往非常稀缺且獲取成本高。因此整個(gè)項(xiàng)目的設(shè)計(jì)思路必須圍繞“如何從有限樣本中高效提取最具判別性的特征”展開(kāi)。早期的傳統(tǒng)方法如支持向量機(jī)SVM和隨機(jī)森林RF直接對(duì)光譜向量進(jìn)行分類(lèi)雖然簡(jiǎn)單但難以捕捉光譜間的復(fù)雜非線(xiàn)性關(guān)系及空間上下文信息。而深度學(xué)習(xí)尤其是卷積神經(jīng)網(wǎng)絡(luò)CNN因其強(qiáng)大的特征學(xué)習(xí)能力已成為當(dāng)前的主流方案。但具體用哪種網(wǎng)絡(luò)結(jié)構(gòu)需要權(quán)衡。方案一基于純光譜的1D-CNN。這是最直接的思路把每個(gè)像素的光譜曲線(xiàn)視為一個(gè)一維信號(hào)用一維卷積核在光譜維度上進(jìn)行特征提取。它的優(yōu)點(diǎn)是模型相對(duì)輕量訓(xùn)練快特別適合樣本量極少的情況。但缺點(diǎn)是完全忽略了像素之間的空間關(guān)系分類(lèi)結(jié)果圖可能會(huì)顯得“椒鹽噪聲”很重即同一個(gè)均質(zhì)區(qū)域內(nèi)分類(lèi)結(jié)果跳變嚴(yán)重。方案二基于空間-光譜聯(lián)合的2D/3D-CNN。這是目前效果最好的主流方案。2D-CNN如簡(jiǎn)單的VGG或ResNet變體將高光譜數(shù)據(jù)的每個(gè)波段當(dāng)作一個(gè)通道輸入一個(gè)空間塊例如以目標(biāo)像素為中心的7x7或9x9窗口同時(shí)學(xué)習(xí)空間紋理和光譜特征。3D-CNN則更進(jìn)一步使用三維卷積核同時(shí)在空間和光譜維度上滑動(dòng)能更自然地耦合空譜信息但計(jì)算量和參數(shù)量會(huì)急劇增加。方案三混合模型與注意力機(jī)制。這是前沿探索方向。例如用2D-CNN提取空間特征同時(shí)用一個(gè)并行分支如1D-CNN或Transformer提取光譜特征最后融合。或者引入注意力機(jī)制讓模型自動(dòng)關(guān)注那些判別性強(qiáng)的波段和空間區(qū)域。這類(lèi)模型性能潛力大但對(duì)數(shù)據(jù)量、調(diào)參技巧和計(jì)算資源要求更高。我的選型心得對(duì)于大多數(shù)入門(mén)和實(shí)際應(yīng)用項(xiàng)目我強(qiáng)烈建議從“基于空間塊的2D-CNN”開(kāi)始。它是一個(gè)絕佳的平衡點(diǎn)效果顯著優(yōu)于純光譜方法實(shí)現(xiàn)和理解難度低于3D-CNN且有很多成熟的代碼框架可以借鑒。在數(shù)據(jù)預(yù)處理階段通過(guò)提取空間塊我們實(shí)際上已經(jīng)將空間信息引入了模型。后續(xù)的優(yōu)化可以在此基礎(chǔ)上進(jìn)行比如引入殘差連接、注意力模塊等。確定了主干網(wǎng)絡(luò)還需要配套一系列關(guān)鍵設(shè)計(jì)如何劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集如何解決樣本不平衡問(wèn)題如何設(shè)計(jì)數(shù)據(jù)增強(qiáng)策略來(lái)彌補(bǔ)樣本不足這些決策共同構(gòu)成了項(xiàng)目的技術(shù)骨架。3. 數(shù)據(jù)預(yù)處理比模型本身更重要的基石拿到高光譜數(shù)據(jù)通常是.mat或.tif格式直接丟給模型訓(xùn)練十有八九會(huì)失敗。預(yù)處理環(huán)節(jié)決定了數(shù)據(jù)質(zhì)量的上限也直接影響模型的性能下限。這個(gè)過(guò)程可以細(xì)化為幾個(gè)關(guān)鍵步驟。3.1 數(shù)據(jù)讀取與初步探查首先你需要了解你的數(shù)據(jù)。使用Python的scipy.io讀取.mat文件或用rasterio、GDAL讀取.tif文件。關(guān)鍵要弄清楚三個(gè)維度(height, width, bands)即圖像的高、寬和波段數(shù)。同時(shí)你需要對(duì)應(yīng)的標(biāo)簽圖(height, width)其中每個(gè)像素值代表類(lèi)別索引如0代表背景1代表類(lèi)別A等。import scipy.io as sio import numpy as np # 示例讀取Indian Pines數(shù)據(jù)集 data sio.loadmat(Indian_pines_corrected.mat) img data[indian_pines_corrected] # 形狀例如 (145, 145, 200) gt sio.loadmat(Indian_pines_gt.mat)[indian_pines_gt] # 形狀 (145, 145) print(f圖像形狀: {img.shape}, 標(biāo)簽形狀: {gt.shape}) print(f唯一標(biāo)簽值: {np.unique(gt)}) # 查看有哪些類(lèi)別緊接著繪制幾個(gè)典型波段或假彩色合成圖例如用第30、20、10波段作為R、G、B直觀(guān)感受數(shù)據(jù)并隨機(jī)選取幾個(gè)像素點(diǎn)繪制其光譜曲線(xiàn)觀(guān)察不同類(lèi)別的曲線(xiàn)差異。這一步能幫你建立對(duì)數(shù)據(jù)的直覺(jué)。3.2 光譜預(yù)處理與降維高光譜數(shù)據(jù)通常包含噪聲和冗余。相鄰波段間高度相關(guān)直接使用所有波段不僅計(jì)算負(fù)擔(dān)重還可能引入噪聲導(dǎo)致模型過(guò)擬合。壞波段剔除檢查并剔除信噪比極低或充滿(mǎn)噪聲的波段通常是邊緣波段。標(biāo)準(zhǔn)化/歸一化這是必須的一步。由于傳感器響應(yīng)和光照條件差異不同波段甚至不同像素的數(shù)值范圍可能差異巨大。我常用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化即對(duì)每個(gè)波段單獨(dú)處理減去均值除以標(biāo)準(zhǔn)差。這能加速模型收斂并提高性能。from sklearn.preprocessing import StandardScaler # 將3D數(shù)據(jù)重塑為2D (像素?cái)?shù), 波段數(shù)) 以便處理 h, w, b img.shape img_2d img.reshape(-1, b) scaler StandardScaler() img_2d_scaled scaler.fit_transform(img_2d) img_scaled img_2d_scaled.reshape(h, w, b)降維可選但推薦對(duì)于波段數(shù)非常多100的數(shù)據(jù)可以考慮使用主成分分析PCA將數(shù)據(jù)降到較低維度如30-50個(gè)主成分。這能大幅減少計(jì)算量且前幾個(gè)主成分往往包含了絕大部分信息。但要注意降維可能會(huì)損失一些細(xì)微的光譜特征對(duì)于依賴(lài)特定窄波段診斷的應(yīng)用需謹(jǐn)慎。3.3 樣本提取與空間塊構(gòu)建這是2D-CNN輸入準(zhǔn)備的核心。我們不是處理單個(gè)像素而是以每個(gè)有標(biāo)簽的像素為中心裁剪出一個(gè)固定大小的空間鄰域塊如7x7, 9x9, 11x11。這個(gè)塊的大小是關(guān)鍵超參數(shù)太小則空間信息不足太大則可能包含過(guò)多異質(zhì)信息且增加計(jì)算量。def extract_patches(img, gt, patch_size9, ignore_label0): 從圖像和標(biāo)簽圖中提取以有標(biāo)簽像素為中心的空間塊。 img: 預(yù)處理后的高光譜圖像 (H, W, C) gt: 地面真值標(biāo)簽圖 (H, W) patch_size: 空間塊大小奇數(shù) ignore_label: 需要忽略的標(biāo)簽如背景 half_size patch_size // 2 # 填充圖像邊緣使得邊緣像素也能提取完整塊 img_padded np.pad(img, ((half_size, half_size), (half_size, half_size), (0, 0)), modereflect) patches, labels [], [] # 獲取所有非忽略標(biāo)簽的像素坐標(biāo) valid_positions np.argwhere(gt ! ignore_label) for (y, x) in valid_positions: # 在填充后的圖像中計(jì)算中心位置 center_y, center_x y half_size, x half_size # 提取塊 patch img_padded[center_y-half_size:center_yhalf_size1, center_x-half_size:center_xhalf_size1, :] patches.append(patch) labels.append(gt[y, x]) return np.array(patches), np.array(labels) - 1 # 標(biāo)簽通常從0開(kāi)始編號(hào)關(guān)鍵注意事項(xiàng)填充方式我推薦使用reflect反射填充而非constant常數(shù)填充。反射填充能更好地保持圖像邊緣的連續(xù)性避免引入突兀的邊界值這對(duì)卷積操作更友好。提取出的patches形狀將是(N, patch_size, patch_size, bands)labels形狀是(N,)。這里的N是所有有效標(biāo)簽像素的數(shù)量。3.4 數(shù)據(jù)集劃分與樣本平衡這是最容易出問(wèn)題的一步。絕對(duì)不要用sklearn的train_test_split對(duì)像素索引進(jìn)行隨機(jī)劃分因?yàn)橄噜徬袼卦诳臻g上是高度相關(guān)的隨機(jī)劃分會(huì)導(dǎo)致訓(xùn)練集和測(cè)試集的數(shù)據(jù)分布高度相似即“數(shù)據(jù)泄露”你會(huì)得到一個(gè)虛高的、不可信的準(zhǔn)確率。正確的做法是按空間區(qū)域或按類(lèi)別比例分層采樣。一種穩(wěn)健的方法是將整個(gè)圖像劃分為若干不重疊的大網(wǎng)格如4x4。隨機(jī)選擇其中幾個(gè)網(wǎng)格的像素作為測(cè)試集其余網(wǎng)格的像素作為訓(xùn)練集和驗(yàn)證集。這樣可以確保測(cè)試集來(lái)自空間上獨(dú)立的區(qū)域評(píng)估結(jié)果更可靠。此外高光譜數(shù)據(jù)中各類(lèi)別的像素?cái)?shù)往往極不平衡。例如背景或某一主導(dǎo)地物可能占絕大多數(shù)。直接訓(xùn)練會(huì)導(dǎo)致模型偏向大類(lèi)別。解決方法包括過(guò)采樣復(fù)制少數(shù)類(lèi)別的樣本。欠采樣隨機(jī)丟棄多數(shù)類(lèi)別的部分樣本。類(lèi)別權(quán)重在損失函數(shù)中為少數(shù)類(lèi)別賦予更高的權(quán)重。這是我最常用的方法在PyTorch或TensorFlow中很容易實(shí)現(xiàn)。4. 模型構(gòu)建與訓(xùn)練實(shí)戰(zhàn)以HybridSN網(wǎng)絡(luò)為例理論說(shuō)再多不如一行代碼。這里我以一個(gè)效果和復(fù)雜度都比較均衡的混合光譜卷積網(wǎng)絡(luò)HybridSN的簡(jiǎn)化版為例展示如何用PyTorch搭建和訓(xùn)練一個(gè)高光譜分類(lèi)模型。這個(gè)網(wǎng)絡(luò)結(jié)合了3D卷積、2D卷積和全連接層能有效提取空譜特征。4.1 模型定義import torch import torch.nn as nn import torch.nn.functional as F class HybridSN(nn.Module): def __init__(self, num_bands, num_classes, patch_size9): super(HybridSN, self).__init__() # 第一層3D卷積在光譜維度上進(jìn)行壓縮 self.conv3d_1 nn.Conv3d(1, 8, kernel_size(7, 3, 3), padding(0, 1, 1)) # 計(jì)算經(jīng)過(guò)第一層3D卷積后的光譜維度 self.out_bands_3d num_bands - 7 1 # kernel_size[0]7, padding[0]0, stride默認(rèn)為1 self.conv3d_2 nn.Conv3d(8, 16, kernel_size(5, 3, 3), padding(0, 1, 1)) self.out_bands_3d self.out_bands_3d - 5 1 # 第二層3D卷積后將光譜維度壓扁轉(zhuǎn)為2D卷積 self.conv2d_1 nn.Conv2d(16 * self.out_bands_3d, 32, kernel_size3, padding1) # 計(jì)算經(jīng)過(guò)3D卷積后的空間尺寸 self.spatial_size_after_3d patch_size - 2*2 # 兩次3D卷積每次空間上padding1kernel3尺寸不變 self.conv2d_2 nn.Conv2d(32, 64, kernel_size3, padding1) self.conv2d_3 nn.Conv2d(64, 128, kernel_size3, padding1) # 全局平均池化層 self.gap nn.AdaptiveAvgPool2d(1) # 全連接層 self.fc1 nn.Linear(128, 256) self.dropout nn.Dropout(p0.4) # 加入Dropout防止過(guò)擬合 self.fc2 nn.Linear(256, num_classes) def forward(self, x): # 輸入x形狀: (batch_size, 1, bands, patch_size, patch_size) x F.relu(self.conv3d_1(x)) x F.relu(self.conv3d_2(x)) # 重塑: (batch, channels_3d * remaining_bands, height, width) batch, c, b, h, w x.shape x x.view(batch, c * b, h, w) x F.relu(self.conv2d_1(x)) x F.relu(self.conv2d_2(x)) x F.relu(self.conv2d_3(x)) x self.gap(x) # (batch, 128, 1, 1) x x.view(batch, -1) # (batch, 128) x F.relu(self.fc1(x)) x self.dropout(x) x self.fc2(x) return x4.2 訓(xùn)練流程與關(guān)鍵技巧定義了模型結(jié)構(gòu)接下來(lái)是訓(xùn)練循環(huán)。這里有幾個(gè)超參數(shù)和技巧需要特別注意。import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset from sklearn.model_selection import train_test_split # 假設(shè)我們已經(jīng)有了 patches 和 labels并已劃分為 X_train, X_val, y_train, y_val # 1. 轉(zhuǎn)換為T(mén)ensor并創(chuàng)建DataLoader train_dataset TensorDataset(torch.FloatTensor(X_train).unsqueeze(1), torch.LongTensor(y_train)) val_dataset TensorDataset(torch.FloatTensor(X_val).unsqueeze(1), torch.LongTensor(y_train)) # 注意輸入需要增加一個(gè)通道維因?yàn)镃onv3d期望輸入為 (N, C, D, H, W)我們C1 train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) val_loader DataLoader(val_dataset, batch_size128, shuffleFalse) # 2. 初始化模型、損失函數(shù)、優(yōu)化器 device torch.device(cuda if torch.cuda.is_available() else cpu) model HybridSN(num_bandsX_train.shape[-1], num_classeslen(np.unique(y_train)), patch_size9).to(device) # 使用帶權(quán)重的交叉熵?fù)p失解決類(lèi)別不平衡 class_counts np.bincount(y_train) class_weights 1. / class_counts class_weights torch.FloatTensor(class_weights).to(device) criterion nn.CrossEntropyLoss(weightclass_weights) # 優(yōu)化器選擇Adam并配合學(xué)習(xí)率衰減 optimizer optim.Adam(model.parameters(), lr0.001, weight_decay1e-4) scheduler optim.lr_scheduler.StepLR(optimizer, step_size20, gamma0.5) # 每20個(gè)epoch學(xué)習(xí)率減半 # 3. 訓(xùn)練循環(huán) num_epochs 100 best_val_acc 0.0 for epoch in range(num_epochs): model.train() running_loss 0.0 for inputs, targets in train_loader: inputs, targets inputs.to(device), targets.to(device) optimizer.zero_grad() outputs model(inputs) loss criterion(outputs, targets) loss.backward() optimizer.step() running_loss loss.item() * inputs.size(0) epoch_loss running_loss / len(train_loader.dataset) scheduler.step() # 驗(yàn)證階段 model.eval() correct, total 0, 0 with torch.no_grad(): for inputs, targets in val_loader: inputs, targets inputs.to(device), targets.to(device) outputs model(inputs) _, predicted torch.max(outputs.data, 1) total targets.size(0) correct (predicted targets).sum().item() val_acc 100 * correct / total print(fEpoch [{epoch1}/{num_epochs}], Loss: {epoch_loss:.4f}, Val Acc: {val_acc:.2f}%) # 保存最佳模型 if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), best_hybridsn_model.pth)訓(xùn)練心得學(xué)習(xí)率與衰減高光譜數(shù)據(jù)訓(xùn)練容易過(guò)擬合。初始學(xué)習(xí)率不宜過(guò)大如0.001并配合StepLR或ReduceLROnPlateau當(dāng)驗(yàn)證集指標(biāo)停滯時(shí)自動(dòng)降低學(xué)習(xí)率使用這是穩(wěn)定訓(xùn)練、找到更好局部最優(yōu)解的關(guān)鍵。權(quán)重衰減Adam優(yōu)化器中的weight_decay參數(shù)即L2正則化非常重要能有效抑制模型復(fù)雜度防止過(guò)擬合。通常設(shè)置在1e-4到1e-5之間。早停上述代碼只保存了最佳模型在實(shí)際中最好加入“早?!睓C(jī)制。如果連續(xù)多個(gè)epoch驗(yàn)證集準(zhǔn)確率不再提升則停止訓(xùn)練避免無(wú)效計(jì)算和過(guò)擬合。Batch Size在GPU內(nèi)存允許的情況下可以適當(dāng)增大batch_size如64128這有助于訓(xùn)練更穩(wěn)定。但對(duì)于小樣本數(shù)據(jù)集過(guò)大的batch size可能會(huì)降低模型泛化能力。5. 結(jié)果評(píng)估與可視化超越整體準(zhǔn)確率模型訓(xùn)練完成后在獨(dú)立的測(cè)試集上評(píng)估性能。千萬(wàn)不要只用“整體準(zhǔn)確率”這一個(gè)指標(biāo)因?yàn)槿绻麛?shù)據(jù)極度不平衡即使模型把所有樣本都預(yù)測(cè)為最大類(lèi)也能獲得很高的整體準(zhǔn)確率但這毫無(wú)意義。必須使用更細(xì)致的評(píng)估指標(biāo)混淆矩陣直觀(guān)展示每個(gè)類(lèi)別被分對(duì)和分錯(cuò)的情況。每類(lèi)準(zhǔn)確率每個(gè)類(lèi)別自身的分類(lèi)精度。平均準(zhǔn)確率所有類(lèi)別準(zhǔn)確率的平均值更關(guān)注小類(lèi)別。Kappa系數(shù)考慮了隨機(jī)分類(lèi)的準(zhǔn)確率比單純準(zhǔn)確率更可靠。from sklearn.metrics import confusion_matrix, classification_report, cohen_kappa_score import seaborn as sns import matplotlib.pyplot as plt # 在測(cè)試集上預(yù)測(cè) model.eval() all_preds, all_labels [], [] with torch.no_grad(): for inputs, targets in test_loader: # 需要事先創(chuàng)建test_loader inputs, targets inputs.to(device), targets.to(device) outputs model(inputs) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(targets.cpu().numpy()) all_preds np.array(all_preds) all_labels np.array(all_labels) # 1. 計(jì)算整體指標(biāo) overall_acc np.mean(all_preds all_labels) kappa cohen_kappa_score(all_labels, all_preds) print(f整體準(zhǔn)確率: {overall_acc:.4f}) print(fKappa系數(shù): {kappa:.4f}) # 2. 分類(lèi)報(bào)告包含每類(lèi)精度、召回率、F1-score print(classification_report(all_labels, all_preds, target_namesclass_names)) # 3. 繪制混淆矩陣 cm confusion_matrix(all_labels, all_preds) plt.figure(figsize(10,8)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabelsclass_names, yticklabelsclass_names) plt.xlabel(預(yù)測(cè)標(biāo)簽) plt.ylabel(真實(shí)標(biāo)簽) plt.title(混淆矩陣) plt.tight_layout() plt.show()可視化分類(lèi)圖是最終成果的直觀(guān)體現(xiàn)。你需要將整幅高光譜圖像的每個(gè)像素都用訓(xùn)練好的模型預(yù)測(cè)一遍生成一張彩色分類(lèi)圖并與真實(shí)地面真值圖進(jìn)行對(duì)比。def predict_entire_image(model, img_scaled, patch_size, device): 預(yù)測(cè)整幅圖像 half_size patch_size // 2 h, w, b img_scaled.shape img_padded np.pad(img_scaled, ((half_size, half_size), (half_size, half_size), (0, 0)), modereflect) # 為每個(gè)像素提取塊并預(yù)測(cè)效率較低可優(yōu)化為批量預(yù)測(cè) output_map np.zeros((h, w), dtypenp.uint8) model.eval() with torch.no_grad(): # 更高效的方式將整個(gè)滑動(dòng)窗口過(guò)程向量化或分塊批量預(yù)測(cè)這里為清晰起見(jiàn)用循環(huán) # 實(shí)際建議將圖像分割成網(wǎng)格對(duì)每個(gè)網(wǎng)格內(nèi)的所有像素塊一起預(yù)測(cè) for i in range(h): for j in range(w): patch img_padded[i:ipatch_size, j:jpatch_size, :] patch_tensor torch.FloatTensor(patch).unsqueeze(0).unsqueeze(0).to(device) # (1,1,b,p,p) output model(patch_tensor) pred torch.argmax(output, dim1).item() output_map[i, j] pred return output_map # 生成并顯示分類(lèi)圖 prediction_map predict_entire_image(model, img_scaled, patch_size9, devicedevice) plt.figure(figsize(15,5)) plt.subplot(1,3,1) plt.imshow(img_scaled[:,:,[30,20,10]]) # 假彩色顯示 plt.title(原始圖像假彩色) plt.subplot(1,3,2) plt.imshow(gt, cmapjet) plt.title(真實(shí)地物標(biāo)簽) plt.subplot(1,3,3) plt.imshow(prediction_map, cmapjet) plt.title(模型預(yù)測(cè)結(jié)果) plt.show()6. 常見(jiàn)問(wèn)題排查與性能調(diào)優(yōu)實(shí)錄在實(shí)際操作中你幾乎一定會(huì)遇到下面這些問(wèn)題。我把我的排查經(jīng)驗(yàn)和解決方案記錄下來(lái)希望能幫你節(jié)省大量時(shí)間。6.1 模型過(guò)擬合嚴(yán)重訓(xùn)練集準(zhǔn)確率高驗(yàn)證集上不去這是高光譜小樣本分類(lèi)中最常見(jiàn)的問(wèn)題?,F(xiàn)象訓(xùn)練loss持續(xù)下降訓(xùn)練acc很快接近100%但驗(yàn)證集loss在下降后很快開(kāi)始上升驗(yàn)證acc停滯不前。原因模型復(fù)雜度過(guò)高記住了訓(xùn)練樣本的噪聲而非一般規(guī)律。解決方案增強(qiáng)正則化增大weight_decay在卷積層后增加Dropout層如nn.Dropout2d使用更激進(jìn)的Dropout率0.5甚至更高。數(shù)據(jù)增強(qiáng)這是對(duì)付過(guò)擬合的利器。對(duì)空間塊進(jìn)行隨機(jī)水平/垂直翻轉(zhuǎn)、旋轉(zhuǎn)、添加微小的高斯噪聲等。注意光譜維度一般不做增強(qiáng)以免破壞其物理意義。簡(jiǎn)化模型減少網(wǎng)絡(luò)層數(shù)或卷積核數(shù)量。對(duì)于很小的數(shù)據(jù)集如Indian Pines一個(gè)簡(jiǎn)單的3層2D-CNN可能比復(fù)雜的HybridSN更有效。早停嚴(yán)格監(jiān)控驗(yàn)證集損失一旦連續(xù)5-10個(gè)epoch不降反升立即停止訓(xùn)練。獲取更多數(shù)據(jù)如果可能這是根本解決方法?;蛘呃冒氡O(jiān)督、自監(jiān)督學(xué)習(xí)利用無(wú)標(biāo)簽數(shù)據(jù)。6.2 某些類(lèi)別識(shí)別精度始終極低現(xiàn)象從混淆矩陣看某幾個(gè)類(lèi)別的生產(chǎn)者精度漏分誤差高或用戶(hù)精度錯(cuò)分誤差高非常低。原因樣本量太少或該類(lèi)光譜特征與其他類(lèi)太相似。解決方案檢查樣本數(shù)量如果該類(lèi)別訓(xùn)練樣本少于100個(gè)考慮過(guò)采樣或使用更強(qiáng)大的數(shù)據(jù)增強(qiáng)專(zhuān)門(mén)針對(duì)該類(lèi)。分析光譜曲線(xiàn)繪制該類(lèi)與易混淆類(lèi)別的平均光譜曲線(xiàn)看是否在關(guān)鍵波段有重疊。如果光譜本身難以區(qū)分可能需要引入空間上下文特征增大patch_size或外部知識(shí)。調(diào)整損失函數(shù)權(quán)重進(jìn)一步增大該類(lèi)在CrossEntropyLoss中的權(quán)重。集成學(xué)習(xí)訓(xùn)練多個(gè)模型如不同初始化、不同patch_size對(duì)難以區(qū)分的類(lèi)別進(jìn)行投票可能提升魯棒性。6.3 訓(xùn)練過(guò)程不穩(wěn)定Loss出現(xiàn)NaN或劇烈震蕩現(xiàn)象訓(xùn)練幾個(gè)batch后loss變成NaN或者loss值上下跳動(dòng)很大。原因?qū)W習(xí)率過(guò)高數(shù)據(jù)未標(biāo)準(zhǔn)化梯度爆炸。解決方案檢查數(shù)據(jù)確認(rèn)數(shù)據(jù)標(biāo)準(zhǔn)化是否已做。輸入數(shù)據(jù)中是否存在異常值NaN或inf。降低學(xué)習(xí)率將初始學(xué)習(xí)率降低一個(gè)數(shù)量級(jí)如從0.001降到0.0001。梯度裁剪在optimizer.step()之前添加torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)防止梯度爆炸。使用更穩(wěn)定的優(yōu)化器可以嘗試從Adam換為SGD with momentum雖然收斂可能慢但有時(shí)更穩(wěn)定。6.4 預(yù)測(cè)整圖速度太慢現(xiàn)象使用predict_entire_image中的雙重循環(huán)預(yù)測(cè)一張圖需要數(shù)小時(shí)。原因每個(gè)像素單獨(dú)提取塊、單獨(dú)預(yù)測(cè)效率極低。優(yōu)化方案批量預(yù)測(cè)將整張圖劃分成若干個(gè)網(wǎng)格每個(gè)網(wǎng)格內(nèi)所有像素的塊組成一個(gè)大batch一次性送入模型預(yù)測(cè)。這需要仔細(xì)處理邊緣填充和索引映射。使用滑動(dòng)窗口的卷積實(shí)現(xiàn)這需要將模型改造為全卷積網(wǎng)絡(luò)FCN一次前向傳播即可得到整張圖的分類(lèi)結(jié)果。這是最高效的方式但需要對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改將最后的全連接層替換為1x1卷積。工程優(yōu)化使用torch.no_grad()和model.eval()確保數(shù)據(jù)在GPU上使用更大的batch_size進(jìn)行預(yù)測(cè)。6.5 不同數(shù)據(jù)集上泛化能力差現(xiàn)象在一個(gè)數(shù)據(jù)集上訓(xùn)練好的模型直接用到另一個(gè)數(shù)據(jù)集上效果暴跌。原因不同傳感器、不同時(shí)間、不同地點(diǎn)獲取的高光譜數(shù)據(jù)存在分布差異。解決方案域適應(yīng)這是前沿研究方向使用特定算法減小源域訓(xùn)練數(shù)據(jù)和目標(biāo)域新數(shù)據(jù)之間的分布差異。標(biāo)準(zhǔn)化確保對(duì)新數(shù)據(jù)采用與訓(xùn)練數(shù)據(jù)完全相同的預(yù)處理流程使用訓(xùn)練數(shù)據(jù)計(jì)算得到的均值和標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化。微調(diào)如果新數(shù)據(jù)有少量標(biāo)注可以在預(yù)訓(xùn)練模型的基礎(chǔ)上進(jìn)行微調(diào)。使用更具泛化性的特征在設(shè)計(jì)模型時(shí)考慮使用光譜導(dǎo)數(shù)、光譜指數(shù)等物理意義更明確的特征而非完全依賴(lài)數(shù)據(jù)驅(qū)動(dòng)的深度特征。高光譜分類(lèi)是一個(gè)從數(shù)據(jù)理解、預(yù)處理、模型設(shè)計(jì)到調(diào)優(yōu)的完整閉環(huán)。每個(gè)環(huán)節(jié)都需要耐心和細(xì)致的調(diào)試。我個(gè)人的體會(huì)是成功的關(guān)鍵往往不在于使用最炫酷的模型而在于對(duì)數(shù)據(jù)的深刻理解和扎實(shí)的工程實(shí)現(xiàn)。先從經(jīng)典的2D-CNN加精心預(yù)處理的基礎(chǔ)流程跑通確保評(píng)估方式正確再逐步嘗試更復(fù)雜的模型和技巧這樣建立的認(rèn)知才是最牢固的。最后別忘了保存好你的預(yù)處理參數(shù)、模型配置和訓(xùn)練日志這些都是寶貴的實(shí)驗(yàn)資產(chǎn)。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
99热无码精品| 婷婷 激情 五月| 五月婷在线观看| 91人人看| 久久天天| 丁香五月天堂| 538在线精品| 亚洲国产婷婷色五月| 七七九色| 国产乱码久久| 草草色情综合网| 思思re视频在线| 不卡的AV网站| 九九热这里| Www.狠狠| 99热激情| 欧美日本一区二区三区| www.99热在线| 99精品视频免费观看| 五月天婷婷日日爱| 婷婷五月综合基地| 思思热久久艹| 最新激情五月天| AA片在线观看视频在线播放| 五月天啪啪| 九九人人看| 丁香婷婷九月| 色天天综合色| 丁香五月天.com| 丁香婷婷六月天| 综合色久| www.亚洲激情.com| 99自拍网| 亚洲十月婷婷综合| 99综合在线| 亚洲亚洲人成综合网络| 五月天激情四射网站| 99久久综合网| 五月婷婷综合天天操| 色五月婷婷五月天| 一本道综合网| 天堂色婷婷| 六月丁香五月婷婷| 久久爱婷婷| 99视频自拍| 欧美性生交XXXXX无码小说| 婷婷五月天成人综合网| 久久婷婷色| 色色99| 激情5月婷婷狠狠干| 日本久久九| 久草狼人| 婷婷六月色情| 开心婷婷中文字慕| 亚洲蜜乳AV| 五月天婷婷激情小说电影| 成人五月天在线视频在线观看| 玖玖@三月天天丁香婷婷| 亚洲六月色婷婷| 三区激情四射av| 综久久久| 国产乱人偷精品人妻A片| 欧美日韩aaa| 色五月天.con| 91porn一起草| 99视频热99| 99热综合色图| 中文在线视频久1| Av九九| 国产又色又爽又黄又免费| 五月婷婷,六月丁香| 九色视频91| 激情五月婷婷综合网| 97婷婷丁香| 亚洲AV激情五月综合网| 丁香五月欧美成人| 操逼棍操逼| 2018国产大陆天天弄| 青草热视频这里只有精品| 色婷婷19| 97黑人精品区| 亚洲综合无码| 九九视频这里只有精品在线播放| 色哟哟精品| 亚洲AV网站在线观看| 日韩啪啪视频| 久久久五月天婷婷成人网| 久久久思思热| 伊人久久大香天蕉亚洲特级| 碰碰女| 色五月婷婷影视| 九九综合| 国产成人网| 91精品久久久久久久久| 丁香五月婷婷六月丁香| 天天爽天天摸人妻综合网| 开心五月丁香综合久久| 天天综合插插| 亚洲婷婷婷| 色五月婷婷网| 色色A| 少妇AB又爽又紧无码网站| 色色色宗合网| 五月激情四射婷婷丁香| 天天做天天爱| 激情五月婷婷| 婷婷日日夜夜| 五月天色色婷婷| 亚洲传媒在线观看| 在线中文字幕免费视频| 99热人人操人人操| 久久久免费图片视频| 好吊兆人妻| 亚洲妇女熟BBW| 天天日天天插| 精品国产AV色一区二区深夜久久| 97在线观看| 99色在线| 成人αV视频免费观看| 亚洲精品99| 深爱激情六月天| 97色色色色色色色色色色色色色| 俺去也综合| 五月丁香影院| 日本久久天堂| 色九亚洲| 大香蕉欧美在线| 干婷婷五月天| 婷婷久久五月| 久久久久久欧美精品se一二三四| 五月天激情网图片| 激情丁香五月| 天天干天天射色综合| 91九色首页| 亚洲正能量欧美| 激情色情五月天| 亚洲第一色色色| 婷婷六月丁香1| 免费精品66| www.精品99| 六月伊人婷婷| 五月丁香六月欧美综合网站| 九九99精品| 99性视频| av中文网| 色五月婷婷影院| 五月丁香精品| 精品成人在线| 九九久久免费视频44| 看全色黄大色大片| 日日噜狠狠色综| 五月综合婷婷网| 俺去也在线官网| 2025色婷婷| 噜噜狠狠色| 婷婷午夜精品久久久| 国产亚洲99久久精品| 香蕉婷婷| 激情婷婷五月天日本系列| 人妻熟妇国产精品| 欧美亚洲操逼| 六月综合在线| 九九香蕉网| 色色色com| 丁香五月天激情四射网| 操操操av| 狠狠人人婷婷| 色五月亚洲| 五月久久丁香| 美日韩成人| 99er免费在线观看| 婷婷激情图片| 国产又爽又猛又粗的视频A片| 国产精品A片在线| 91丨九色丨熟女|新版| 五月婷婷中字在线| 99热这里只有精品免费| 国产小精品| 久久久久久99日本| 天天天操天天天日| 天天激情| 久久久99久久| 久久丁香婷婷色情综合| 9九热视频| 婷婷色狠狠| 天天色图| 亚洲一区二区 成人网站戴套| 99色中文| 毛片毛片毛片毛片| 小视频aaa久久久| 99re热免费观看视频精品| www激情com| 亚洲乱码日产精品BD| 久久婷五月| 免费观看全黄做爰的视频| 免费观看的AV| 婷婷丁香五月亚洲欧美| 婷婷五月天性爱视频| 色五月丁香五月婷婷五月成人网| 丁香五月情| 99爱视频免费| 亚洲人成网站999综合| 精品人人操| 99视频这里只有久久精品| 99视频久久| 开心五月婷婷伊人| 丁香五月欧美色综合| 一级内射毛片| 成人片黄网站色大片免费毛片 | 99热国产这里只有精品| 婷婷十月激情综合网| 婷婷成人综合| 色色色色色色五月婷婷| 人碰人人人玩91| 日本在线视频www色| 激情五月综亚网| 99人人操人人操人人精| 亚洲av电影在线| 狠狠草狠狠草| 狠狠五月天婷婷| 五月天婷久精视频| 婷婷五月丁香性爱| 26UUU精品一区二区Com| 风流少妇A片一区二区蜜桃| 久久亚洲色导航| 色婷婷精| 色在线免费观看| 99色视频| 五月天婷婷在线观看| 五月六月婷婷| 天天爽天天摸| 思思re视频在线| 九九成人精品免费视频| 日本熟妇精品99| 99综合成人视频在线观看| 激情五月天综合网| 99热在线播放| 天天干天天做| 疯狂做受XXXX高潮A片动画| 色综合天天| 国产伦亲子伦亲子视频观看| 中文无码精品一区二区三区| 99热在线观看| 天天插夜夜爽| 思思热精品免费视频| 大伊香蕉玖玖爱| 91制片厂久久久国产电影| 免费AV播放| 综合网五月| 97碰在线视频| 久色激情| 亚洲欧洲中文日韩久久AV乱码| 99国产在线| 五月天婷婷网站888| 久久久久er热| 色婷婷日本| 开心激情站| 色五月婷婷基地| 日本激情综合| 大婷婷色呦呦噜噜色呦呦噜噜| 五月丁香在线婷婷美女| 色色色色色网站| 五月情婷婷| 日日做夜夜爱| 色五月 五月婷婷| 天天摸天天透天天舔| 天天爽夜爽| 99热免费在线| 狠狠色婷婷7777久| 一本道在线电影| 成人.在线日韩| 亚洲亚洲人成综合网络| 日韩婷久| 五月丁香激情啪啪| www.minyis.com【JT】国内CDN落地页保证转化QQ2101460746 | 96精品国产综合久久久久久| 四射综合网| 色色影院黄大片| 狠狠99| 色综合大香蕉| 五月丁香激情啪啪| 丁香激情网| 国产69久久久欧美黑人A片| 婷婷色五月大香蕉在线| 一区二区三区四区牛| a在线免费v| 99热碰碰热| 国产成人网| 九九综合精品| 超碰在线观看99| 色综合久久五月天| 亚洲欧洲国产精品| 99爱在线视频| 婷婷色片| av在线观看免费| www婷婷| 亚洲AV激情五月综合网| 大香蕉啪啪啪| 欧洲毛片基地c区| 99久久9| www.久久99| 丁香色色网| 婷婷五月天久久久| 五月丁香在线视频观看| 激情五月婷婷伊人| 99热免费在线| 亚洲黄色影视| 热91久| 成人五月丁香花| 五月天丁香网| 六月天六月婷| 丁香婷婷六月天| 婷婷色在线| 丁香婷在线| 久草五月婷婷| 26uuu色噜噜精品一区| 91精品久久久久久77777| 国产亚洲色婷婷久久99精品91| 亚洲性受XXXX五月丁香| 激情五月婷婷中文字幕| 久久久噜噜噜久久人妻| 九九色综合九九色| www五月婷婷88导航| 九九久久9 9在线观看| 五月丁香六月停停停| 国产黄色av| 另类激情五月| 五月久久亚洲| 在线中文字幕av| 亚洲五月天激情| 少妇性按摩无码中文A片 | 99re思思久久| 五月婷婷丁香在线| 国产精品成av人在线视午夜片| 日韩性爱无码| 中文精品久久久久人妻不| 丁香五月婷婷丫| 婷婷丁香五月亚洲综合网在线视频观看| www.婷婷五月| 五月丁香| 九九精品热播| 丁香六月成人网| 99这里有精品| 成熟妇人A片免费看网站| 色欲色香综合网站| 久久久久婷婷五月热综合| 一区二区三区四区无码| 婷婷五月天色色| 操人妻AV| 啊V视频在线观看| 五月婷婷开心色伊人| 久久视频在线| 国产乱妇无乱码大黄AA片| 久久久潮喷-久久久九九-成人AV| 伍月婷丁香婷| 91久久九久久九久久九久久九久久| 五月色网| AA久久| 五月婷婷激情69| 色色色com| 久久人妻精品| 国产精品操| 天天做天天干天天综合网| 婷色五月天| 五月日韩中文字幕| 精品久久婷婷五月天| 婷婷色正月| 丁香五月天堂| 久久久999精品| 五月久久丁香| 精品久久久91久久影视网| 超碰在线观看9| 狠狠干思思热| 欧美丰满熟妇BBB久久久| 99男人的天堂| 激情丁香五月天图片| 欧美色五月| 欧美性猛交99久久久99| 五月亚洲| 九九色黄色| 99爱在线| 婷婷丁香熟妇综合网| 天堂五月婷婷| 五月色天情| BBWCUCKOLD精品熟妇| 成人电影在线免费试看| 丁香婷婷五月天在线视频| 另类少妇人与禽zOZZ0性伦| 一本色道久久88加勒比—| 五月天基地| 欧美精品99久久久| 99 热| 丁香久久综合| 激情九月天天天天婷婷| 色狠狠婷婷| 9视频在线成人网站| 久久五月天合网| 99在线播放视频| 东京热免费视频网站| 九九热精品6| 日韩成人精品中文字幕电影| 天天爽曰日爽| 亚洲视频在线网站| 日日做天天操夜夜爽| 午夜天堂一区人妻| 国产精品色一哟哟| 大香蕉伊人丁香五月| 五月丁香啪啪拍| 日本va欧美va欧美精品88| 久久草婷婷丁香网站| 五月婷婷久久爱| 九六五月天婷婷| 丁香五月激情综合网激情五月| 黄色99网| 国产精品热搜丁香五月婷婷| 激情五月天小说|五月天开心激情网|亚洲精品国产自在现线|黄色五月天 | 熟女激情网| 成人 在线 日韩| 另类在线| 图片区 小说区 区 亚洲五月| 国产精品A成V人在线播放| 专区无日本视频高清8| 青草视频在线播放| 成人视频免费观看高清完整版在线观看| 久久99免费视频网站| 色色综合院| 91九色视频在线观看| 99久在线精品| 无码G高清天| 色噜综| 六月合五月婷| 五月天综合网| 大香蕉院线| 国产毛片精品一区二区色欲黄A片| yazhou seshipin| 欧美内射AAAAAAXXXXX| 另类激情五月| 超碰在线网站| 五月婷六月| 国产日韩欧美性生活| 亚洲日韩一页精品发布| 色欲天天综合| 99操视频| 996黄色片| 中文字幕人妻在线| 五月天成人在线| 99热精品在线观看| 欧美搡BBBBB摔BBBBB| 996黄色片| 99精品热视频| 狠狠色精品综合| 九月av| 99热这里只有精品9| 婷婷五月色综合香五月| 猫咪伊人久久| 天天天天做夜夜夜夜做| 国产99久久久| 91五月花丁香| 丁香五月1页| 婷婷色情小说| 婷婷六月久久综合导航| 亚洲成人av在线观看| 天天操B| 丁香五月久久综合| 99色综合网| 黄桃AV无码免费一区二区三区| 98永久精品| 情欲综合网| 99色综合| 五月天开心色色网| 91久久婷婷| 人人操人人爱丁香五月| 婷婷爱五月天| 丁乡久久| 五月婷婷丁香色播网| 欧美日综合| www91色网站| 五月丁香色婷婷婷基地| 婷丁香五月天| 精品综合网在线| 、激情六月天| 亚洲人成色A777777在线观看| 北京熟妇搡BBBB搡BBBB| 婷婷五月天激情综合| 天天精品视频在线观看视频| 99热最新| 丁香九九九九| 色婷婷五月天久久| 久久看九九90| 五月六月丁香婷婷在线观看| 日韩无码专区| 色婷婷文字幕| 99热只有精| 91色色色| 色色五月婷婷| AV操逼网| 9九色首页| 婷婷五月天性| 97干在线视频| 久久婷婷亚洲| 亚洲婷婷丁香| www.综合久久| 久久久精品色色色| 琪琪色综合网站| 性爱网久久| 久久久性爱视频| 婷婷六久久| 欧美天天综合网站上去吧| 91超碰在线观看| 99精品偷拍视频| 六月丁香激情婷婷| 日韩黄在免| 激情美女五月天| 91狠狠综合久久| 激情视频综合| 色婷婷久久| 男人的天堂在线婷婷| 丁香亚洲婷婷五月| 成人美女网| 韩国情人在线电视剧免费观看高清版全集 | 久久久久久久久久8888| 99精品激情| 久久99婷婷| 久99热在线观看| 四月丁香五月婷婷久久| 久久久久久久久久婷婷| 久久性爱视频网站| 色一情一乱一乱一区9| 五月宗合激情网| 九色综合网| 婷婷五月丁香婷婷| 久操欧美在线观看97| 婷婷丁香五月视频| 最新高清无码专区| 久久久婷丁香五月| 草草色情综合网| 九月婷婷丁香| 丁香婷婷久久五月天| 婷婷五月天激情五月天| 丁香色色五月| 五月天狠狠网| 色久影院| 丁香婷婷久久 | 激情综合色五月丁香六月亚洲| 婷婷在线五月综合| 五月天激情亚洲| 99热一本| 97香蕉久久超级碰碰高清版| 99综合网| 婷婷五月花| 天天操九九插| 婷婷日本在线| 夜夜久久综合网| AV在线大香蕉| 丁香五月影院| 亚洲一区二区无码蜜乳av| 婷婷字幕在线| 丁香激情五月| 九九这里只有精品在线视频| 国产精品扒开腿做爽爽爽A片唱戏| www·五月天| 怎么样可以看免费的一级av| 丁香五月天中文字幕| 大香蕉 伊人夜| 色婷婷九月| 熟女色专区| 四川BBB搡BBB爽爽视频| 99这里只有精品|v| 色五月婷婷中文字幕| 亚洲九区| 99re这里只有精品视频了| 国产亚洲色婷婷久久99精品91 www.riverspirits.org www.hnnun.com www.changh | 五月婷婷在线丁香| 91se视频| 手机旧版看人妻1025| 丁香婷婷激情综合五月激情 | 97色片| 亚洲激情四射| 一级性爱视频| 狠狠色色| 日日夜夜九九| 91热久久| 色婷婷在线视频综合| 亚洲色图日韩网址| 99热精品在线| 五月婷婷在线免费观看 | 丁香婷婷五月综合| 丁香五月另类小说在线阅读| 婷婷香蕉视频| 五月天社区| 久久99免费视频| 噜噜干日本| 变态 另类 在线| 9九色首页| 《战争与艾拉》完整版| 婷婷人妻激情| 99ER热精品视频| 九九99久久| a色色色色色| 996黄色片| 久久免片| 强伦轩人妻一区二区电影| 成人噜噜网| wuyuedingxiang| 国产成人亚洲综合A∨婷婷| 99r这里| 超碰国产在线| 丁香六月婷婷社区| 国产精品第一国产精品| 99狠狠色| 亚洲成人va| 天天操夜夜爽天天操| a毛片二逼wwwwwwwwww| 婷婷激情图片| 激情五月婷婷| 一本综合丁香日日狠狠色| 成人在线网| 久久五月天丁香| www五月| 婷婷 伊人 久久| 五月丁香好婷婷A片网| 91黄操| 黄色短视频在线观看| 色综合99| 国产综合色婷婷精品久久| 综合五月天婷婷色| 国产在线6| 婷婷月综合| 婷婷五月综合色小姐小说| 色色色热| 婷婷综合亚洲| 久久草婷婷丁香网站| 日本久久婷婷| 激情五月婷婷她| 久热久| 成人欧美日韩| 色综合激情| 午夜 外网 精品 在线| 成片免费播放| 亚洲AV无码一区二| 在线观看欧美3区| 国产SUV精品一区二区6| 五月天激情视频| 五月丁香成年黄色| 日日舔夜夜操| WWW.开心五月天.COM| 91啪啪| 五月婷婷偷拍| 青青艹b| 国产精品成av人在线视午夜片| 天天干天天干天天| 色久九| 欧美在线视频免费播放| 丁香五月综合AV在线| 婷婷综合激情五月综合| 婷婷激情五月天7| 91丨九色丨东北熟女| 99热第一页| 激情五月天开心总和网| 六月婷婷久久大全| 精品皮股午夜AV| 午夜精品777| 激情com| 人人澡天天色天天做| 97在线精品视频| 操逼巨乳91| 丁香久久九九99| 97碰 在线视频观看| 天天干人人奸97| 大伊香蕉精品视频在线| 久久小说网| 欧美激情综合| 人人操av| 极品人妻VIDEOSSS人妻 | 天天干天天爽| 九九人人操| 99精品在线| 色偷偷五月天| 伊人久久婷婷| 亚洲日韩一页精品发布| 精品夜夜澡人妻无码AV| 99在线精品免费视频| 99超级碰免费视频| 九九精品在线网| 手机AVAV天堂看网| 俺去也在线www色官网| 极品人妻videosss人妻| 视色综合| 岛国AV网| 午夜丁香综合婷婷| 婷婷六月激情| 婷婷综合五月| 久久人人九九| 97人人干人人操| 色屌丝中文字幕| 天天日综合| 国产又黄又爽又色的免费| 亚洲爆乳无码精品AAA片蜜桃 | 99re在线这里只有精品视频首页| 久色欧美| 高清无码网址| 久操操| 久草婷婷| 五月婷狠狠| 色吊丝av中文字幕| 国产精品视频免费看| 国产激情综合五月久久| 欧美激情 日韩无码 婷婷 五月天| 天天婷婷操| 久热a| 精品久久人妻| 日本99久久| www.色五月| 五月天操逼激情| 99 福利 导航| 中文无码婷婷| 99小精品| 五月亚洲| 婷婷激情综合| 久久在线视频免费观看| 五月丁香婷久久| 婷婷五月综合社区| 五月天婷婷一起草| 四月婷婷丁香| 久久久.COM| 五月天开心网| se婷97| 五月激情婷婷偷拍| 日本一毛片| 夜夜爽天天| 六月婷婷久久大全| 天天综合网91| 丰满少妇猛烈A片免费看观看| 婷婷中文综合网| 五月天成人综合| 狠狠88综合久久久久噜噜噜| 99热99热在线| 九九热最新地址| 狠狠色丁香乆乆| 激情五月天色婷婷综合| 噜综合| 色婷婷色五月天| 综合婷婷| 大鸡巴伊人网| 日本三级大片| 丁香六月色婷婷| 99热超碰在线| Www.se.久久| 六月色色| 五月天婷久精视频| 五月婷婷六月丁香在线视频免费在线观看| 日韩色色色色| www色婷婷久久综合久色| 日本在线噜噜| 天天影院色| 五月丁香婷久久| 99re熱| 开心五月色婷| 操日本人妻视频| 丁香五月91| 欧美成人猛片AAAAAAA| 操日视频| 久久这里99| 超碰免费在线| 91窝窝| 2020久久婷婷五月| 综合激情五月婷婷| 婷婷在线五月综合| 亚洲婷婷在线播放十月| 五月婷婷激情五月| 99精品国产乱码久久久人妻| 99爱99操| 五月天激情社区| 91九色精品熟女内射| 色婷婷四色| 人妻操在线看| 女人天堂AV| 五月开心久久| 99er6热在线观看精品6| www.夜夜| 丁香久久综合| 99免费视频网| 国产在线aaa片一区二区99| 中美日韩成人在线| 第四色五月天| yazhoujiqingav| 久久er这里只有精品| 激情第四色| 午夜微拍福利| 亚洲激情丁香五月基地| 色色网站| 欧美色色色色色色| 思思热高清在线观看| 国外亚洲成AV人片在线观看| 日韩中文欧美| 午夜成人网站在线观看| 热996精品在线观看| 丁香婷婷五月六月天| 婷婷丁香五月综合| 九九色综合网| 五月丁香激情综合啪啪| 依人大香蕉在钱1| 丁香五月aV| 激情综合五月| 性爱网久久| 色婷婷久久久| 伊人激情啪啪| 91碰超| 婷婷玖玖五月天| 色婷婷五月天视频在线| 色爱爱综合网| 五月丁香激情婷婷综合| 高清资源站日A美A欧亚…| 亚洲综合激| 欧美性爱五月天| 日夜操B| 综合99综合久久久久久久| 色原狠狠综合| 日韩三级高清无码| 丁香花五月天婷婷成人社区| 久久网思思| 一级黄在线| 去干网最新版本亚洲版| 欧美电影在线播放| 成人色情五月天婷婷丁香| 精品人妻久久久久久| site:hcxsz888.com| 五月丁香六月花| 九九综合九九| 丁香五月伊人| 天天爽夜爽| 丁香色情五月综合激情| 狠狠干五月天婷婷网| 操笔无码| 色婷大香蕉| 9久精品| 一本综合丁香日日狠狠色| 99色人| 久久视频在线视频| 九九99久久| 久大香蕉| 日操夜操天天操不卡| 色五月开心开心五月激情五月| 狠狠色丁香久久综合婷婷亚洲成人福利| 人妻久久久| 丁香婷婷六月激情综合| 日本三级日本黄色| 天天日天天摸| 插插插丁香五月婷婷| 丁香五月综合高清在线| 丁香五月天社区| 1024国产在线| 成人视频一区| www·五月天| 日韩AV一区二区三区| 久热黄色| 99视频久久| 国产综合丁香五月天| 中文资源在线a| 五月丁香少妇网| 欧美日韩123| 久久久久9999| 婷婷五月色播放| WWW.婷婷| 另类伊人婷婷| 丰满少妇猛烈A片免费看观看 | 亚州日本欧州韩美高青高潮一| 玖玖九九9999在线观看视频精品| 五月丁香啪啪啪| 大香蕉久| www.sd-xiangsu.cpm| 色色色五月天婷婷| 99热伊人| 97碰超级人人看| 热九九精品| 色色色色色五月| 伊人丁香五月婷婷潮吹| 91在线视频综合| 色欲色香综合网| 五月丁香花婷婷玉莉AV| 久久99精品久久久久子伦| 九九热视频精品999| 人人播| 激情五月色综合| 好好干av| 五月天婷婷在线观看| 久久在线大香蕉| www99热| 噜噜噜精品欧美成人在线观看| 五月婷婷丁香瑟瑟视频| 伊人深爱综合| 午夜爱爱网站| 综合五月天| 久热精品视频| 超碰免费大香蕉| 激情内射人妻1区2区3区| 五月婷婷综合视频| 亚洲另类婷婷五月丁香在线播放| 日本色啪| 婷婷丁香激情综合色情| 婷婷丁香激情五月| 国产资源在线视频| 中文字幕无码人妻少妇免费视频| www.婷婷五月| 五月 丁香 欧美| 激情五月婷黄版| 无码人妻AV久久久一区二区三区| pacopacomama 070722_670 素人奥様初撮りドキュメント 103 大久保純子 | 人妻久久久久久久 | 丁香色婷婷| 天天做夜夜爽| 五月色亭丁香| 97欧美在线| 香蕉影院色| 久久色婷婷| 天天操天天操天天操天天操天天操天天操| 国产 亚洲 在线| 色婷婷久久9.com| 这里只有精品视频在线| 五月丁香激情综合网| 色婷婷五月天激情久久| 亚洲熟女色| 黄色av网站在线免费播放| 五月天婷婷综合网| 国产性爱一级| 日本成人噜噜| 在线五月色播| 综激情网| 青青草Avb在线| 538在线精品| 日本五月婷| 91午夜激情| 九九热在线观看视频网站| 婷婷五月天成人在线视频| 亚洲四色五月| yw国产AV| 国产全是老熟女太爽了| 色婷婷狠狠| 色色色色色网| 五月丁香六月婷婷综合网缴情| 五月天丁香啪啪综合| 日韩色五月| 七月丁香五月婷婷在线| 91九色精品熟女内射| 超碰人人干| 久久六月综合| 婷婷开心六月| 激情的五月| 久久这里只有国产| 成人一级片| 第四色五月婷婷| 亚洲一区二区色图-亚洲精品国产精品乱码-成人AV | 99热这里只有精品1025| 国产亚洲色婷婷久久99精品91 www.riverspirits.org www.hnnun.com www.changh | 婷婷久久免费| 亚洲成人婷婷| 丁香欧美| 亚洲激情五月丁香久久久久| 激情婷婷丁香五月天小说| 六月婷婷七月丁香| 六月丁香成人| 婷婷9月天| 男同91 | 五月天婷婷丁香六月| 婷婷五月天日逼| 亚洲艹网| www.狠狠操.co m| 99久久9| 五月丁香六月婷综合成人综合| 碰97久久| 精品九九网| 久久图色4| 九色在线观看91av| 久久五月天丁香花| 热久91| 婷婷五月天久草在线| 亚洲精品一二三| 色135综合网| 丰满少妇猛烈A片免费看观看| 大陆极品少妇内射AAAAAA| 日韩无码专区| 国产精品VIDEOSSEX久久发布| 99久久这里只有精品| 桃色五月天| www.婷婷五月| 97人人操人人干| 国产精品一区在线观看你懂的| 亚洲激情综合| 婷婷五月花| 午夜少妇在线观看视频| 久草热久草在线视频| 91欧美| 99久久网站| 被强行糟蹋的女人A片| WWW.桔色成人.COM| 日本V在线观看不卡视频网站| 搡BBBB搡BBB搡五十| 琪琪布丁香社区激情五月天| 日本成人内射| 99热久久日本| 色月九九| 丁香六月开心| 色欲丁香久久| 玖玖在线资源视频| 国产欧美大香蕉一区| 激情婷婷在线| 一婬一伦一区二区三区| 九月婷婷激情| 91viP在线看| 午夜理论片最新午夜理论剧| ss99热| 骚货艹网站视频| 天天爽,夜夜爽| 开心激情站| 激情综合网五月| 极品人妻VIDEOSSS人妻| 丁香五月婷婷激情97| 操比激情五月| 日本一毛片| 亚洲婷婷五月天综合| 5月丁香六月情| 开心激情网五月| 国产免费一区二区三州老师F1F1| 大香蕉久操| 亚洲熟妇AV乱码在线观看| 国产AV一区二区三区日韩| 123日本不卡在线| 久久综合伊人77777蜜臀| 色噜噜狠狠色综合日日| 丁香婷五月| 色五月偷偷| 婷婷五月色天| 亚洲欧洲美女在线观| 丁香五月综合久久| 五月丁香六月激情综合网| 色五月色综合| 五月欧美丁香在线观看| 色99网| 91妻人人爽人人看片| 五月天婷婷情色| 久久这里只有精品07| 操日挥操日日| 97久久久久| 五月丁香六月婷| 九九超日本| 色一区高清| 激情小说 五月天| 久婷婷| 极品少妇XXXX精品少妇偷拍| 伊人大蕉香| 久久这里只有国产| 婷婷五亚洲| 99啪啪| 中文成人在线| 伊人久久大香蕉网| 另类小说婷婷色| 人人操av| 亚洲乱码日产精品BD| 人人插9| 亚洲色激婷| WWW.17C亚洲精品| 亚洲精品99| 综合伊人久久| 思99热精品久久只有精品| 色五月成人| 丁香五月花| 五月丁香啪啪激情| 五月天伊人手机在线播放AV| 国产成人网| 九九色黄色| 五月天五月色婷婷综合| 五月丁香综合网| 99热久久这里只有精品| 久99热在线观看| 操熟女成人网| 激情欧美五月丁香| 综合网网欲色| 亚洲国产色婷婷| 97精品自拍视频| 婷婷五月丁香基| 99色激| 五月天社区| 91人妻九色大屁股| 99色视频| 色五月婷婷综合在线| 91色五月在线观看| 九九热在线亚洲免费视频| 九九无码| 人与禽A片啪啪| 丁香六月婷婷激情综合| 丁香五月成人| 婷婷五月天VI| .操區COm| 亚洲综合99| 人人草碰| 婷婷五月久久| 色五月婷婷在线| 色婷精品91| 综合网五月| 影音 五月 婷婷 久久| site:901-07.com| 天天操天天爱天天日| 丁香五月天在线| 日韩AV免费看| 99久久这里只有精品免费官网| 亚洲 视频 导航 一区| 黄色aa观看aaguochan| 伊人五月网| 久久婷色| 丁香五月,开心五月,成人婷婷| 亚洲性视频| 色婷大香蕉| 亚洲第一色区| 99免费超碰在线| 狠狠操.com| 99热免费在线| 色五月色五天色情网| 久久这里只有精品热在99| www久久久久久久| 色婷婷五月亚洲| 熟女人妻一区二区三区免费看| 亚洲五月天色| 91人碰| 91日韩美女被插视频| 成人va在线播放| 婷婷99视频在线| 夜夜骑日日夜夜| 欧美人与性动交CCOO| 九九99在线观看视频| 天天日夜夜拍| 99久久亚洲精品视频| 国产免费一区二区三区三州老师F1F1.CC| 婷婷性爱综合| www.99热视频| 人妻Av在线| 五月天婷婷色综合| 手机在线视频观看9| 婷婷五月天亚洲丁香| 黄网免费观看| 性婷婷| 精品色色| 26uuu青青| www.色五月| 婷婷久久亚洲| 91ncm视频| www.97碰碰com| 9l视频自拍9l视频自拍九色学生| 成人在线免费网址| 五月婷婷六月丁香综合| 久草婷妨| 五月草影视| 婷婷伊人綜合中文| 成人va视频| 一起肏在线视频| 日韩99视频| 99玖玖免费视频| 久久久久亚洲AV成人无码电影| 亚欧州精品视频| 91超级碰| 啊v视频在线观看| 久久五月综合| 激情综合网络插| 热久久这里只有精品| 丁香激惜男女| 欧美日韩精品人妻狠狠躁免费视频| 影音先锋女人av鲁色资源网小说免费| 亚洲中文字幕av| 婷婷五月天激情在线观看 | 亚洲无码色| 五月天丁香综合| 久草五月| 婷婷五月花免费视频在线| 国产亚洲成AV人片在线观黄桃| 开心五月综合激情综合五月| 日韩欧美不卡| 婷婷五月天黄色小说| 婷婷综合网性| 人人播| 五月天小说激情| 99精品综合在线| 色综合九九色综合88| 婷婷九月色| 日本熟妇乱妇熟色A片蜜桃| 2025天天操| 韩国19 主播内部福利vip免费播放| 丁香六月婷婷开心| 五月丁香好婷婷姑娘综合网| 超碰人人摸人人操| 国产偷人妻精品一区| 丁香五月婷婷黑人妻黄色电影院| 99热综合| 狠狠色综合五月| 五月天婷婷伊人| 欧美色色色| 日韩人妻操逼视频| 人妻久热| 少妇性BBB搡BBB爽爽爽电影| 五月草影视| 色婷婷免费观看| 国产乱子轮XXX农村| 开心五月婷婷婷美女| 一区二区成人电影| 欧美精品在线观看| 99色综合| 久久66er久久| WWW色色色COM| 超碰av在线| 《》【无码】想被搞到爽AV应募而来的超M素人 西纯子 10musume-011723-01 | 色噜噜狠狠狠狠色综合久欧美| 国产色网站| 成人婷婷五月天| 丁香97综合| 五月天婷婷综合| 玖色色综合| 涩婷婷五月天在线精品视频| 99久久精| 国产综合A片| 久久伊人五月天| 五月丁香六月合| 中文字幕欧美久久| 色噜噜狠狠色综无码久久合欧美| 丰满熟女人妻一区二区三| 噜噜噜噜噜在线| 4399精品一区二区| 六月激情网| 日日爱激情| 六月色伊人婷婷| 五月天婷婷亚洲| 九九色精品| 操骚货在线| 亚洲婷婷丁香五月亚洲| WWW.99视频| 国产精品色情AAAAA片软件| 五月天丁香成人| 99精品久久久久久久婷婷久久| 婷婷五月综合久久中文字幕| 婷婷五月色播天| 五月花激情| 激情欧美丁香五月| 99精品视频在线6| 色玖玖玖| 色色五月婷婷狠狠| 在线天堂9| 人人人舔人人人操人人人摸人人人97| 9l视频自拍9l九色成人| 激情五月天情色| 久9热| 久久久久激情| 丁香激情综合| 激情五月天无码| 91一起艹| 婷婷五月天丁香激情| 色五月婷婷成人| 99这里都是精品| 涩五月婷婷| 亚洲五月情| 婷婷五月综合欧美在线播放| 激情五月天婷婷色色色色色色色色色色色| 乱岳熟女50岁| www色色com| 丁香六月婷婷综合| 人妻操操色| 开心婷婷五月天电影院| 精品人人操| 99久久精品国产色欲| 色99久草在线|