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
日韩AV片| 超碰成人在线观看| 一起草无码视频| 国产婷婷色综合AV蜜臀AV | www.狠狠干com| 91大神在线免费看视频全集男男一起操| 另类视在线| 国产伊人五月天| 99国产97在线,| 天堂色婷婷| 丁香五色月婷婷网| 日本一级黄色电影| 五月天社区婷婷丁香社区| 亚洲综合激情五月久久| 五月婷婷中文字幕| 综合五月丁香97| 色墦五月丁香| 亚洲色图五月丁香| 五月天播播中文字幕| 九九成人精品免费视频| 偷偷操99| 色五月婷婷影视| 色狠狠色| 97香蕉碰碰人妻国产欧美| 久久婷婷五月免费视频| 色五狠狠| 五月婷婷丁香色吧网| 99视频九九热| 丁香婷婷五月综合| 日本天堂久久| 久久久久久9热不雅视频| 日产精品一线二线三线芒果| 国产超碰在线| 日本综合色图| 激情综合五月| 日韩无码专区| 久/久精品99看9| 天天日天天摸| 久久综合五月天| 人妻肉射免费观看| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇 | 亚洲色碰| 大香蕉精品视频| 丁香五月天堂网AV| 综合激情肏逼网| Www.久久| 亚洲另类毛片| 996精品热视频| 9色天堂| 免费视频WWW在线观看网站| www.五月天色色.com| 色婷婷激情五月天| 国产26uuu| 九九热视频免费观看| 国产1区2区| 婷婷五月丁香基| 中字幕视频在线永久在线观看免费| 色99在线视频| 亚洲日韩一页精品发布| A片试看120分钟做受视频红杏| 色噜噜婷婷| 婷婷涩涩五月天| 激情五月丁香六月综合AVXXXX| 伊人国产婷婷五月天| 思思99精品视频| 五月天天天综合| 性五月激情| AV在线大香蕉| 天天干夜夜操A片| 激情婷婷| 丁香五月久久综合| 五月丁香天堂网| 99这里只有精品|v| 大香蕉五月丁香| 亚洲欧洲中文日韩久久AV乱码| 看国产探花操逼三级片| 亚洲热视频| 亚洲va在线∨a天堂va欧美va| 久久婷婷综合五月天| 99精吕视频在线观看了| 综合激情视频| 婷婷五月色| 色情五月综合婷婷| 噜噜视频| 91制片厂久久久国产电影| 2015在线中文字幕| 欧洲S级在线观看| 台湾无码A片一区二区| 99热色婷婷| 99九色视频在线观看| 激情五月婷| 色狠狠综合网| 色综合久久伊伊婷婷五月| 天天做综合网色综合| 丁香五月激情无码视频| 人人九色| 欧美三级巜人妻互换| 久久久久亚洲AV综合| 日本一级黄色片。| 极品九九九九九九| 欧美精品久久久久久视频观看| 天天摸天天舔天天爽| 五月丁香六月婷婷免费| 五月婷婷啪啪| 亚洲综合五月天婷婷丁香| 成人做爰黄A片免费看直播室男男 久草热8精品视频在线观看 | 日日操日日撸| Blackedraw视频一区二区| 国产精品成人网址| 大香蕉综合网| 99热这里只有精品4| 99热在线精品观看| 伊人香大香蕉视频| 亚洲九九夜夜| 九九久久网| 婷婷色导航| 久久小说| 久久性视频| 99久久综合网| 亚洲AV免费在线| 天天射天天插天天干| 五月婷av| 综合亚洲五月天| 伊人AV五月婷| 99在线精品免费视频| 操b视频在线观看一区二区| 激情久久久久久久久久| 婷婷五月精品中文字幕| 欧洲色| 久久综合九色综合88i| 五月丁香啪啪| 色欲婷婷五月天丁香| 直接看的av| 色综合女人99| 人妻久久久久久久久妻久久久久久久久 | 9精品国产在热久久| 日韩操人| 日日夜夜天天| 香蕉色色网| 五月丁香啪| 成人丁香五月天| 亚洲精品成人| 婷婷成人综合| 激情五月婷| 超pen个人视频97| 国产精品汇聚精彩第二页 - 高清完整版在线 - 青蛙AV | 五月停性愛| 99热偷拍| 99re视频在线播放| 丁香五婷| 99免费| 国外亚洲成AV人片在线观看 | 色青青视频| 超碰91在线| 第四色色六月色综合| 婷婷五月天成人| 激情深爱综合网| WWW.国产| 丁香五月婷婷五月天在线| 综合五月婷婷| 亚洲a片免费观看| 玖玖在线资源视频| 操一区| www.97碰碰com| 丁香九月婷婷色| 色五月婷婷久久| 欧美六月| 久久性视频| 色天堂操| 色播五月天激情| 99在线免费视频播放| 成人婷婷五月天| 超碰在线看| 色五月激情综合| 丁香av网| 色亚洲激情| 青青草伊人婷婷| 99er国产| 香蕉婷婷五月| 99国产小视频| 九九精品婷| www久热com| 97caop| 婷婷五月天激情偷拍| 日本三级大片| 亚洲色色图片| 琪琪色网在线| 婷婷伊人久久综合| 毛片蕉地一二| 亚洲秘 无码一区二区三区妃光/1| 亚洲欧美日韩另类| 五月天色丁香| 婷婷的99视频网站| 婷婷综合网| 激情无码五月天| 丁香婷婷色五月激情综合| 99九色视频在线观看| 另类激情五月| 日韩欧美一区二区三区四区| 日韩人妻白浆视频系列| 99热这里只有精彩| 碰碰91| 激情五月婷婷丁香| 狠狠干2007| 亚洲欧美在线观看| 天天色天天日| 丁香九月婷婷| 国内熟女黄色系列| 中文色婷婷| 婷婷的99视频网站| 乱岳熟女50岁| 26uuu最新地址| 射久久丁香五月| 激情五月天综合网| www.sd-xiangsu.cpm| 1000部毛片A片免费观看| 亚洲综合网激情小说| 激情操逼婷婷| 欧美乱码国产一级A片| 182TV亚洲| 97人人射| 96五月丁香熟女| 97超碰99热99| 日本综合久久| 激情伊人五月天| 色婷婷91| 九九日伊人| 婷婷色av| 天天干,天天舔| 成人片在线播放| 丁香激激情网| 五月停亭六月,六月停亭的英语| 午夜五月天| 五月丁香综合伦理片| 婷婷狠狠爱| 丁香五月天激情综合| 人人操插| 久久ri精品视频| 情色五月天网站| 丁香 婷婷五月| 亚洲丁香婷婷| 亚洲天堂热| 成人五月天视频播放| 秋霞A V毛片| 无码人妻少妇色欲AV一区二区 | 五月婷婷久久综合| 日韩AV免费| 五月婷婷啪| 五月婷婷激情69| 成人av观看| 夜夜穞天天穞狠狠穞AV美女按摩| 九月av| 五月丁香六月婷婷不卡免费无码| 就是色婷婷五月亚洲色| 激情丁香五月天| 丁香色五月婷婷91桃色| 精品人人操| 丁香五月之久操视频| 五月丁香 啪啪| 五月熟妇婷婷久久| 九久9精品| 大香蕉在线99热| 九久9精品| 无月播播激情在线观看视频| 凹凸探花电影| 色婷婷视频| www.1024久久| 七七婷婷综合| 五月天色五月| 婷婷五月天开心网| 久久总和99| 激情网婷婷婷| 人人色人人摸人人看| 热九九九九| 五月日韩中文字幕| 五月天婷婷久久| 亚洲色图五月丁香| 伊人五月综合网| 色五月激情五月丁香五月婷婷啪啪综合| 91porn一起草| 亚洲操B视频| 欧美 色婷婷| 五月天婷婷社区| 婷婷 色 丁香 夜| 色五月婷婷久久爱| 激情五月丁香婷婷夜夜操| 免费看成人747474九号视频在线观看| 色婷婷第四色| 婷婷激情五月天激情小说| 大地9中文在线观看免费高清| 久青操| 亚洲激情综合免费| 日日插日日干| 婷婷五月天堂| 欧美影院| 97丁香婷婷| 色色色婷婷| 99热国产这里只有精品| 99色性爰网络| 天天天天天天操| 五月天堂在线| 久久一热| 伊人婷婷大香蕉| 久久丁香五月| 在线成人视频免费| 五月天综合久久| 成人五月天丁香婷| 操碰91| 婷婷丁香在线| 99爱精品| 黑人巨粗进入警花疼哭A片| wwwss在线观看| 亚洲综合婷婷| 久爱综合| 天堂网色婷婷| 黄色五月婷婷| 99热这里只有精品亚洲| 婷婷娱乐丁香综合网| 米奇影视资源777狠狠色婷婷五月天激情网| 九九热视频首页/这里只有精品| 99色精品视频| 日韩九九视频| 操操操操操电影网| 婷婷五月天六月丁香| 五月天婷婷丁香导航| 激情久久丁香| 亚洲操B| www.99在线| 天天日夜夜| AA片在线观看视频在线播放| 白度黄视频| 亚洲性视频| 激情综合无码| 五月的丁香六月的婷婷| 天天插天天插天天插天天插| 超碰亚洲天堂| 国产肥白大熟妇BBBB视频| 丁香五月婷婷激情四射深爱激情| 五月天婷婷丁香人人操91| www.99热精品| 99 频99热国里只有精品| 5月丁香六月情| 深爱激情综合网| 中文字幕激情综合| 99国产精品白浆在线观看免费| 五月激情综合婷婷| 久99久在线观看| 97干在线观看视频| 99久久精品网| www.五月婷婷久久.com| 日韩AV免费看| 五月丁香91| 丁香五月第九色| 深爱激清网| 五月丁香色| 成人综合网站| 九色七七| 久久九九蜜| 久久看婷婷| 色五月激情五月天| www.九月婷婷丁香.com| 天天日夜夜B久久| 婷婷五月天激情在线| 97操操操| 91干在线视频| 综合逼五月激情婷婷| 99热8| 激情五月天色色| 人人97操| 亚洲精| 五月丁香自拍| 国产午夜精品AV一区二区麻豆| 99re久热只有精品6在线直播.com| 综合激情开心五月| 日本爆乳片手机在线播放| 婷婷中文字幕| 九月婷婷久久久| 停停五月天激情网| 婷婷成人五月天| 色婷婷影| 好好干av| 婷婷久久亚洲| 婷婷五月六月丁香| 九九热手机在线视频| 亚洲AV成人在线| 婷婷酒色网| 免费国产VA国产免费| 综合色播| 九九爱精品网站| 婷婷丁香久久| 五月婷婷色影院| 色域五月丁香| 在线观看玖玖资源免费观看| 午夜丁香| 丁香五月婷婷深爱综合激情| 青青草轻轻操| 久久一品区| 思思热99在线| 丁香五月天堂网| 97狠狠色| 免费黄色视频网址| 91丨九色丨白浆秘| 天天射影院| 狠狠爱丁香婷| 天天日日夜夜爽。| 拍色综合| 婷婷五月丁香网| 中文人妻AV久久人妻18| 激情五月深爱五月| 青青草五月天| 五月婷六月| 99网99热| 激情综合色婷婷啪啪六月天| 丁香五月伊人| 亚洲色综合色网| 伊人五月丁香| 亚州成人综合在线| 深爱五月日韩| 久草视频大香蕉99| 人人舔人人| 亚洲A片成人无码久久精品青桔 | 成人 在线 日韩| www.99热精品| 成人电影AV在线观看| 综合噜噜| 成人五月天丁香婷| 五月婷婷色色色| 123草逼网| 99国产精品久久久久久久久久久 | 五月丁香婷中文字幕| 97精品综合久久| 五月婷久久| 91久操| 伊人超碰| 综合激情五月丁香| 激情黄色五月天| 人妻久久久| 五月婷婷五月天激情视频| 九九热在线视频| 激情久久四色| 91.www综合| 婷婷久久六月费| www.色五月| 色综合久久久久久久久五月| 91亚洲免费片| 狠狠久久婷五月| 激情四射五月天| 开心五月深爱五月| 婷婷激情五月综合丁| 在线视频婷婷| 六月婷婷视频| 丁香五月亚洲AV| 亚洲不卡| 亚洲99在线视频| 九 九九九AV| 婷婷成人五月天| 99久久久久久| 熟妇人妻中文字幕无码老熟妇 | 99热亚洲精品| 婷婷五月天伊人网在线观看视频| 日本久久色| 天天日夜夜| 成人电影一区| 无码少妇高潮喷水A片免费| 天天色官网| 在线视频激情网站| 亚洲无码色| 久久96热| 色婷婷亚洲| 亚洲精品视频在线播放| 亚洲天天综合| 欧美噜噜噜草| 久9热视频在线| 五月激情天| 他改变了拜占庭| A片试看120分钟做受图片| 久久婷婷五月综合色和| 99er日韩| 久久九九经典| 婷婷在线精品| 婷婷五月天情色| 人妻久久久久久久久妻久久久久久久久| 99国产精品久久久久久久久久久| 天天色视频| 国产99热在线看| 大香蕉网 久久| 99视频久久| 婷婷五月天视频在线观看| 婷婷色操| 婷婷欠久少妇| 久久小视频| 激情综合网五月天| www.精品99| 五月婷婷色啪| 五月伊人91| 久久久久9| 这里只有精品69| 五月婷婷性爱| 九色在线观看91av| 538在线精品| 五月天婷婷小说| 五月色导航| 97热这里精品在线视频| 五月激情婷婷偷拍| 国产FREESEXVIDEOS性中国| 久久色9| 久久久久99精品成人片| 国产亚洲99| 五月综合丁| 色五月综合激情网| 五月丁香色综合| AV成人在线播放| 久久开心五月婷婷| 亚洲色情免费网| 五月丁香琪琪| 7777精品伊人久久久大香线蕉最新版| 99久久国产综合精品五月天喷水\| 欧美色色色色色| 五月亭亭狠狠| 丁香五月天激情免费在线观看AV777 | 婷婷免费无马| 久久久久久久久久久月丁| 这里只有精品96| 九九热AV| 午夜色婷婷| 婷婷九九| 一区视频网站| 狼友超碰| 亚洲网站999| 天天爽,夜夜爽| 六月婷婷激情小说网| 五月丁香啪啪啪免费看| 婷婷激情综合网| 丁香五月婷婷亚洲色图| 天天色五月婷婷91久久久久久久| 黄色片avv| 色伦专区97中文字幕| 操骚货在线| 另类专区在线观看| 五月婷网| 啪啪激情网| 9l视频自拍9l视频自拍九色学生| 欧美狠狠色| 激情5月婷婷| 伊人久久丁香婷婷六月五月综合| 天天综合社区| 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 | 91超级碰| 久久五月天激情美女| 欧美影院婷婷| 久久久www| 久久综合干| 五月天婷婷av| 4399在线观看免费高清电视剧| 色五月成人婷婷| 人人草成人视频| 色婷婷久久| 婷婷六月激情小说网| 婷婷五月小说色综合| 99五月丁香丁| 日韩五月天婷婷| 99热这里只有精品23| 日日肏天天操| 亚洲色模骚货| 五月婷婷啪啪| 久久综合五月天| 79精品视频在线观看,| 色情成人五月天| 五月婷婷丁香| 9 7总站超级碰免费视频| 97人人操人人拍| 七月激情六月婷婷综合在线播放| 日本久久天堂| 五月色欧洲| 亚洲五月情| 激情婷婷六月天| 亚洲黄色精品| 涩五月婷婷| 色婷青青| 99精品97| 99久久99久久综合| 天天日,夜夜爽| 色婷婷久综合久久一本国产AV| 婷婷情爱五月天6| 精品成人久久久久久久_一二三四视| 色久天| 精品人妻午夜一区二区三区四区 | 超碰啪啪网| 五月天婷婷香蕉狠狠超碰综合| 91丨九色丨大屁股| 日本熟女一区二区| 日熟女| 九九热精品视频在线观看| 激情五月婷婷老师| 丁香五月情| 开心六月婷| 日本不卡五月婷婷丁香| 久久网日本| 国产成人精品123区免费视频| 婷婷丁香五月天色色| 婷婷精品在线| 丁香五月天AV| 伊人99热| 六月婷婷视频| 婷婷操逼网| 丁香五月六月婷婷综合| 无码免费人妻A片AAA毛片西瓜| 欧美日本99| 久久六月天| 79色色免费| 久久xxxx| av 一区三区四区| 色播五月丁香| 婷婷综合精品视频97| 六月婷婷最新网址| 深爱激情六月天| 呦呦v线| 亚洲久艹| 97色色色| 色综合xx| av在线免费网站 | 成人做爰A片免费看视频| 丁香五月23111| 色婷婷影| 久久精品99国产精品日本| 热久视频| 99热思思久| 中文婷婷狠狠| 超碰九色| 狠狠色大香蕉| 六月丁香五月亭亭| 91人人超碰在线| 天天日日夜夜| 色五月激情五月天| 就要去操亚洲成人精品五月天丁香婷婷| 激情网 久久| 久久免费操| 狠狠色激情在线| 伊人九九综合| 婷婷在线中文字幕| 久久久久这里只有精品| 久色大| 天天橾日日橾夜夜橾17| 五月激情综合网| 久久久全国免费视频| 色婷婷基地| 激情五月天伊人av| 99热这里只有精品21| 天堂网色色| WwW色婷婷| 96丁香六月婷婷蜜桃综合久久| 婷婷丁香五月综合激情视频| 99这里只有免费的精品| 九九综合伊人| www,超碰| 99在线播放| 国产精产国品一二三在观看| 99色综合| 精品久热| 欧美综合123区| 色噜噜婷婷| 国产va在线视频| 综合久| 五月天激情网址| 北京熟妇搡BBBB搡BBBB| 67194国产| 免费观看亚洲AV片| 涩五月婷婷| 五月开心深深爱激情综合| 国内婷婷丁香社区在线播放| 亚洲黄色影视| 99精品国产热久久91色欲| 五月婷婷天堂| 日韩在线视频中文字幕| 久热超碰91| 九伊人网| 97日本在线| 5Www色5夜| 九九99精品免费播放| 五月丁香六月婷婷啪啪| 国内外色色色色色成人视频| 色人久久| 狠狠干综合| 婷婷五月影院| www色婷婷| 能看的av| 五月天婷婷久久| 玖玖婷婷综合| 久久这里只有精品99| 香蕉婷婷| 大香蕉久操| 日本人妻伦在线中文字幕| 久/久精品99看9| 激情五月综合| 色优久久| 午夜激情四射影院| 婷婷久久18| 超碰av天堂| 五月天婷婷基地综合网| 亚洲精品国产setv| 99久久99视频只有精品| 国产va在线视频| 久久这里只有精品22| 夜丁香综合| 亚洲综合色网| 成人短视频在线观看| 婷婷五月天成人| 欧美性生交XXXXX无码小说| 99操99| 97在线天堂| se99热久久一本| 超碰在线免费| 色婷婷五月天天天天天天天天天| 久久这里只有精品网| 色久综合天天做视频| 深爱激情丁香| 色婷五月天| 六月婷婷色色网| avv在线| 九九综合精品| 日日夜夜噜噜爽爽| 六月丁香五月婷婷| 色五月大| 一级AV片| 91久久九久久九久久九久久九久久| 婷婷的99视频网站| 最新五月天婷婷影| av在线免费网站 | 五月综合激情网| 丁香婷婷综合激情五月色| 国产中文亚洲欧美日韩性交| 五月在线婷色| 丁香五月开心亚洲| 免费视频WWW在线观看网站| 热婷婷久| 亚洲激情网站无码| 婷婷在线激情| 天天插综合网| 9999热在线免费观看| 成人深爱丁香五月| 天天操夜夜操| 久久A极片| 久草视频一,二三四| http://www.lingjunshare.com/ | 色婷婷色情| 亚洲精品视频在线| 亚洲第二AV| 十月丁香婷婷| 婷婷五月综合社区| 久热伊人91| 99精品激情| 久久久久99精品成人片| 思思热视频在线| 婷婷玖玖丁香| 另类激情五月| 天天肏夜夜肏| 99干视频| 色婷婷亚洲六月婷婷中文字幕| 99精品视频推荐| 婷婷色五月天综合网| 在线成人av播放| 高潮毛片又色又爽免费| 亚洲精品国产成人AV在线| 性生活视频98791| 99rewww| 丁香五月婷婷亚洲综合精品| 日韩AV一区二区三区| 丁香婷婷五月份| 69精品人人人人| 91ncom.色| 美欧成人视频| 思思国产99| 亚洲综合色丁香婷婷六月| 日韩欧美成人片| 午夜成人在线免费视频| 99热有精品在线观看| 亚洲人妻av伦理| 五月激情影视| 激情五月综合网| 色情丁香五月婷婷精品| 婷婷五月综合社区| 激情视频综合| 五月综合视频| 久久精品性爱| 人妻操逼视频| 亚洲丁香网| 国产乱妇乱子伦| 婷婷九月丁香久久| 99热综合在线观看| 激情五月丁香在线观看直播| 激情五月婷婷欧美极品| 情欲综合网| 精品一区二区三区四区五区六区介绍| 激情五月天婷婷直播| 色婷婷在线播放| 996er热| 久久女人天堂| 秋霞电影一级黄| 久久婷婷五月天激情新地址| 日韩中文欧美| 丁香六月婷婷一区| ay2区| www.zbzhongsen.com| 丁香五月香蕉在线| 五月天六月丁香| 99干日日干| 无码 av电影| 五月婷婷很很色| 五月丁香A片| 51XX嘿嘿午夜无码| 色欲久久久久久综合网综合网| xxxx久| www.久久爱| WWW.激情| 亚洲无码九九| 激情婷婷五月| 99欧州偷拍视频| 婷婷操逼| 色狠狠色噜噜AV天堂五区| 一区二区成人电影免费播放| 婷婷色基地在线看| 色五月五月婷婷| 女性自慰系列第五页| 深爱激情小说五月婷婷| 人妻videos人妻高清| 五月六月激情| 色色热| 97精品在线| 丁香六月婷| 操操综合网婷婷| 五月 成人 婷婷| 婷婷色啪| 中文字幕在线免费观看视频| 99在线观看这里都是精品| 伊人久久五月天综合| 开心激情婷婷| 九九这里有精品| 伊人久久丁香狠狠婷婷综合香蕉| 丁香五月WWW| 五月婷激情影院| 亚洲第一色色色色| 天天插插天天| 思思re99视频在线观看| 欧洲电影在线观看免费版英语版| 日韩久久日| 亚洲色久| 色五月综合网| 99干视频| 黄色三级毛片中字| 五月天激情四射| 色婷网站| 超碰人人射| 欧美va| 综合99久久天天综合| 婷婷视频网| 亚洲九九99精品视频在线播放| 久久综合影院| 丁香色播五月天| 亚洲99在线| 少妇人妻偷人精品无码视频新浪| 亚洲99精品九九在线| 五月婷婷激情| 丁香五月婷在线| 婷婷久久久| www超碰com| 影音先锋一区| 婷婷五亚洲| 五月丁香六月在线| 久久色午夜在线导航| 全亚洲最大的婷婷五月天网站COM| 涩涩涩.com| 大香蕉久操| 黑人熟妇一区二区三区| 婷婷激情综合网| 中文字幕av久久爽一区| 操草草草| 五月丁香在线国产| 久久9精品| 99精品九九| 天天爱天天日| 香蕉视频91| 天天网曰日曰夜夜综合永久免费| 99热在这里只有免费精品| 波多野结衣AV无码Porn| 五月激情综合网婷婷| 亚洲九区| 色女人久久| 91伦| 色色色.com| 五月丁香网站| 超碰99久久| 六月综合婷婷开心伊人| 国产精品久久久久久喷浆| 丁香五月婷婷啪啪| 91久久久久久久久18| 思思久久99| 91黄色五月天视频| 五月深爱婷婷| 激情五月天婷婷五月天| 91丨九色丨白浆秘| 久久婷婷视频| 丁香五月玖玖| 九九在线免费观看| 亚洲综合在线视频| 久久五月天精品视频| 六月丁香综合| 婷婷中文字幕网| 色久五月天| ..真实国产乱子伦对白在线_欧| 激情久久四色| 99热最新| 99人妻碰碰碰久久久久禁片| 狠狠色五月天| 日熟女| 99综合网| 丁香五月最新网址| 五月婷婷之综合激情| 超碰免费电影| 99热费观看| 操草草草| 丁香婷婷在线| 99婷五月| 99热中国| 超碰2021| 日日爱激情| 精品一区二区三区三区| 久久人妻精品| 97色天堂| 成人国产综合| 亚洲综合色婷婷| 激情綜合W W W,激情五月天| 婷婷久久久| 色婷婷综合网| 99精品视频在线6| 狠狠色丁香| 色色色色色色色色色999| 牛牛澡牛牛爽| 色色五月婷婷丁香| 操b视频在线观看一区二区| 天天澡天天狠天天天做| 久久九九国产| 五月丁香啪啪| 婷婷操久久| 91狠狠色色丁香婷婷综合久久| 亚洲视频99| 97色图片中文字幕视频在线观看| 91婷婷五月天嫩女| 男人天堂AV在线一区二区| 色五月激情网| 日韩一级A片黄色| 九九热免费视频| 狠狠搞综合色| 五月天天综合网色婷婷| 久久免费精彩视频| 天天久久66xxx| 国产成人精品亚洲线观看| 激情五月婷婷在线区| 色五月婷婷在线观看第一页舔| 五月色婷婷综合| 9人人操人人看| 99色精品| 亚洲 在线 性爱 | 久久综合干| 日日夜夜狠狠婷婷色| 日本综合九九| 看全色黄大色大片| 美欧日韩国产成人在战| 婷婷五月天综合网| 人人综合五月人人婷婷| 九九中文字幕九| 涩综合婷婷| 午夜无码精品色综合久久| 99啪啪骑| 九九久久网| 99re这里只有精品在线观看| 99综合熟女| 久综合网| 人人妻久久妻| a色色片| 日韩野外 无套| 国产.亚洲.欧洲视频在线| 99视频精品视频| 毛v一区二区视频| 丁香五月天堂| 无码色色| 婷婷五月天丁香| 欧美激情-区二区三区| 97碰在线| 婷婷激情欧美| 97操碰视频| 月婷婷婷婷五月| 大香蕉av在线| 亚洲丁香婷婷| 亚洲九九夜夜| 色婷婷婷婷| 激情婷婷五月亚洲| 99久久色| 色婷婷在线视频| 99操无码视频观看| 欧美噜一噜| 夜夜资源站| 九九热AV| 九色91国产| 亚洲婷婷五月天激情综合| 日韩在线视频中文字幕| 国产精品久久久久久久久久| 操逼巨乳91| 色色日韩无码| 色5月婷婷| 亚洲AV成人精品网站在线播放| 九九激情网| 五月天最新网| 草美女在线观看视频在线播放| 性色婷婷| 久久综合55| 天天天天操| 婷婷午夜精品久久久| 日本久久爱| 亚洲五月婷婷在线| 日韩狠狠色| 久久婷婷电影| 99丁香五月| 婷婷五月天视频| 开心激情站| 五月丁香人人婷婷在线观看| 九九国产精视频| 超碰97免费在线| 婷婷色网址| 91九色在线| 大香蕉99热| 色五月婷婷很很操| 婷婷成人综合五月| 久久婷婷五月草视频在线播放| 色婷久九| 99色.com| 久久九九九九| av婷婷丁香| 亚洲V国产V欧美V久久久久久| 99自拍网| 国产在线黄色| 婷婷色综合| 十月丁香九月婷婷综合| 天天草婷婷五月| 五月丁香手机在线| 免费亚洲婷婷中文字幕| 青青草原伊人网| 亚洲综合无码| 五月丁香影院| 人。妻久久| 激情欧美丁香五月| 五月宗合激情网| 久久99久久99精品免观看软件| 亚洲激情视频在线观看| 变态另类9| 婷婷人人操| 国产亚洲网站在线| 婷婷少妇激情| 日本婷久久| 激情婷婷久久| 久久99久久99精品免视看婷| 91久久综合亚洲噜噜成人在线| 在线免费观看激情视频| 婷婷最新地址| 色五月综合网站| 超碰2021| 丁香操逼| 久久日韩婷婷五月| 欧美操我| 婷婷七月丁香色色| 超碰com| 99色干| 婷婷激情五月| 超碰在线观看9| 秋霞性爱AV| 无码四色色色| 深爱婷婷基地| 99热精品一区| 狠狠干伊人| http://www.sd-xiangsu.com/| 五月丁香六月综合基地| 26uuu| 天堂综合久久| 五月丁香黄色视频| 色吧综合网| 国产AV国片偷人妻麻豆| 丁香婷婷五月综合欧美另类| 久久日曰| www.五月天婷婷| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 丁香五月综合激情久久潮喷| 天天人人天天爽| 日韩久久这里只有精品| 色偷偷色婷婷| 无码区婷婷五月花开| 久久996re热这里只有精品无码| 色丁香久综合在线久综合在线观看| 九九九九九九九热| 色五月激情婷婷| 99熟女视频| 久热无码| 伊人在线视频| 五月网站| 人操91在线| 九九偷拍网| 少妇激情基地| 五月天黄色激情小说| 激情五月色婷婷| 91丨九色丨东北熟女| AV中文在线| 狠狠ri| 色老久久| 天天色天天干天天插| 精品五月天| 婷婷久久亚洲| ..真实国产乱子伦毛片| 久久婷婷六月综合综合| 99精品国产热久久91色欲| 亚洲AAAA网| 五月天激情小说网| 97精品综合久久| 好叼操在线观看| 99在线免费视频| AV五月丁香| 日日爱激情| 无码99| 五月丁香A片| 噜综合| 在线观看中文字幕| 婷婷丁香十月| 激情九九九九| 这里只有精彩小视频视频网站| 狠狠干 狠狠操| 日本久久网| 色五月噜噜| 97在线精品| 久久精品只有这| 99视频这里有精品| 婷婷六月久久| 五月激情综合婷婷| 色色五月天婷婷丁香| 大学生高潮无套内谢视频| 久久性刺激| 激情五月五月五月婷婷| 激情久久肏屄视频| 男女av免费看| 五月丁香久久精品在线观看| 看国产探花操逼三级片| 欧美色五月| 99热网址| 五月婷婷激情综合拍| 99爱在线视频| 国产综合81p| 欧美天天综合网站上去吧| 另类A片| 婷婷五月激情在线| AV网站免费在线| 色小说五月天| 亚洲亚洲人成综合网络| 色99在线| 国产欧美va| 综合天堂AV久久久久久久| 亚洲综人色综网| 性色天| 婷婷五月婷| 夫妇交换刺激做爰| www.色99| 五月开心激情| 久久人人添人人爽添人人片αV| 97干在线观看| AAA久久久| 欧美成人网99网| 久久AAAA片一区二区| 轮奸综合网| 色婷婷超碰| 欧美日韩一区二区三区四区| 人人射av| 天天干天天干天天干| 狠狠色97| 日本色爽| 久久丁香综合精品综合| 五月天久久婷婷婷| 99热在线观看| 碰碰91| 五月丁香婷婷潮喷中文字幕| 成人做爰黄A片免费看直播室男男| 爱射综合| 激情视频综合| 岛国午夜视频| 99爱免费视频| 日本色99网站| 欧美性丁香色色五月天| 丁香六月婷婷| 九九激情网| 日本99热| 天堂色色色| 99热只有| 综合五月丁香97| 99爱精品| 五月亭亭欧美女人| 五月激情婷婷在线| 91xxxx九色| 五月花激情| 九九热91| 狠狠色综合精品视频在线| 超碰人人摸AV| 婷婷色情五月| 日本波多野结衣视频| 婷婷久久国产视频| 欧美成人AAA片一区国产精品| 婷婷九月激情| 婷婷六月丁香五月| 亚洲人妻av| 五月婷婷天| 包操45分钟网站| 婷婷99狠狠| 丁香五月婷婷色五月| 丰满女老板BD高清A片| 99热思思在线观看| 色www久视频| 思思久久96热在精品国产,| 婷婷中文字幕| 婷婷五日b| 亚洲深喉aV| 这里只有免费精品| 五月亭久久无码视频| 色播五月综合网| 天天综合色丁香| 五月综合丁香婷婷| 五月天色丁香| 激情婷婷五月亚洲| 亚洲乱码日产精品BD| www.ppypp| 五月丁香A∨在线| 激情婷婷五月| 五月婷婷六月丁香免费| 婷婷五月天电影网| 色狠狠六月| 999热在线观看视频| 婷婷丁香五月亚洲17cao| www.综合久久.com| 猫咪伊人久久| 婷婷激情五月吧| 国产午夜成人免费看片无遮挡| 亚洲综合激情五月| 色五月欧美| 六月婷婷五月天| 另类丁香五月天区图| 丁香五月 性爱| 人妻九九九九| 怡红院99| 婷婷狠狠香蕉综合| 色99色| 婷婷丁香射射| 激情性爱五月天网页| 美女天天爽| 热九九精品| 日本女色人人| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 国产成人+亚洲+欧洲| 婷丁香五月天| 五月天色图| 色五月综合婷婷| 激情伊人网| 国产69久久久欧美黑人A片| www.99情趣网| 激情五月深爱五月|