• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于弱監(jiān)督學(xué)習(xí)的多標(biāo)簽紅外圖像分類算法

      2022-10-28 08:53:34苗傳開婁樹理蔡慧敏
      光學(xué)精密工程 2022年20期
      關(guān)鍵詞:類別紅外注意力

      苗傳開,婁樹理*,李 婷,蔡慧敏

      (1.煙臺大學(xué) 物理與電子信息學(xué)院,山東 煙臺 264005;2.天津津航技術(shù)物理研究所,天津 300308)

      1 引言

      紅外成像由于能夠全天候被動工作,且具有隱蔽性好、識別偽裝能力強、定位精度高等優(yōu)點,廣泛應(yīng)用于光電偵察與制導(dǎo)領(lǐng)域。紅外圖像分類與目標(biāo)識別作為紅外探測與制導(dǎo)的關(guān)鍵技術(shù),一直是國內(nèi)外研究的熱點。但紅外圖像中背景復(fù)雜多樣、目標(biāo)在視場中相對較小,且存在遮擋以及云霧等干擾,因此如何提取特征實現(xiàn)有效分類,進而實現(xiàn)目標(biāo)準(zhǔn)確識別,是目前研究的難點。當(dāng)前紅外圖像分類方法中,由于目標(biāo)圖像的多樣性及復(fù)雜性,常規(guī)圖像分類反饋信息有限,無法滿足多目標(biāo)、多背景的圖像分類任務(wù)要求。多標(biāo)簽圖像分類技術(shù)對空間信息網(wǎng)絡(luò)中的圖像進行內(nèi)容解析以獲取感興趣的信息,通過反饋多標(biāo)簽的形式更好地實現(xiàn)場景與目標(biāo)的感知分類。

      目前,國內(nèi)外研究者在圖像分類領(lǐng)域進行了大量工作,多標(biāo)簽圖像分類也取得了不錯的進展。在多標(biāo)簽場景圖像分類的研究中,傳統(tǒng)經(jīng)典算法常用的分類器包括支持向量機(Support Vector Machine,SVM)、決策樹(Decision Tree,DT)、隨機森林等[1],傳統(tǒng)分類器在場景分類等任務(wù)中表現(xiàn)較好,具有模型結(jié)構(gòu)簡單、計算量小等優(yōu)點,但隨著光電偵察與制導(dǎo)領(lǐng)域各類任務(wù)復(fù)雜程度的增加,對紅外圖像分類算法的要求越來越高,傳統(tǒng)經(jīng)典算法的性能與適應(yīng)性難以滿足當(dāng)前重要任務(wù)的要求。

      隨著深度學(xué)習(xí)等智能算法的發(fā)展,近幾年圖像分類算法得到進一步發(fā)展,主要分為兩類,一是基于強監(jiān)督的方法,該方法需要對圖像進行目標(biāo)級標(biāo)注或像素級標(biāo)注,強監(jiān)督的標(biāo)簽獲取耗費大量的人力,而且繁重的標(biāo)記任務(wù)容易產(chǎn)生錯誤,從而影響最終分類效果;另一類是基于弱監(jiān)督學(xué)習(xí)的分類方法,弱監(jiān)督學(xué)習(xí)能夠在大幅度降低標(biāo)注工作量的情況下,充分、有效地利用數(shù)據(jù)。由于場景分類分級任務(wù)的特殊性,場景類別的標(biāo)簽難以進行強監(jiān)督中的目標(biāo)級或像素級標(biāo)注,而使用弱監(jiān)督學(xué)習(xí),能夠更加符合場景分類分級的任務(wù)要求,只需要對圖片進行圖像級標(biāo)注即可實現(xiàn)多標(biāo)簽圖像的分類分級任務(wù)。基于弱監(jiān)督的多標(biāo)簽圖像分類算法的實現(xiàn)思路一般有兩種,一種是將多標(biāo)簽分類轉(zhuǎn)換為多個單標(biāo)簽分類器的疊加問題,林春煥提出基于多路結(jié)構(gòu)的端到端卷積神經(jīng)網(wǎng)[2],將多標(biāo)簽分類轉(zhuǎn)換為多路單標(biāo)簽分類計算,在一定程度上解決了多標(biāo)簽之間的類別競爭問題,但該算法沒有考慮多標(biāo)簽之間復(fù)雜的拓撲關(guān)系,忽略了標(biāo)簽之間的相關(guān)性,精度及適應(yīng)性都難以達到要求;另一種是將原有的圖像分類算法優(yōu)化,完成對多標(biāo)簽分類的適應(yīng)。Sermanet等使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)與SVM相結(jié)合解決多標(biāo)簽分類的問題[3]。2016年,Wei等提出基于CNN網(wǎng)絡(luò)的Hyotheses-CNN-pooling(HCP)[4],該網(wǎng)絡(luò)精度較高,對多標(biāo)簽分類精度具有較大提升,但網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜,算法速度較慢。Wang將CNN與循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)相結(jié)合,通過表征標(biāo)簽之間的相關(guān)性及映射關(guān)系來解決多標(biāo)簽分類問題[5],使用預(yù)測標(biāo)簽路徑方法來解決多標(biāo)簽分類問題。Chen提出SSGRL(Semantic-specific Graph Representation Learning)多標(biāo)簽圖像分類器[6],該框架將注意力機制與圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network,GNN)相結(jié)合,使用圖神經(jīng)網(wǎng)絡(luò)推理建模標(biāo)簽之間的相關(guān)性,網(wǎng)絡(luò)性能較好,但結(jié)構(gòu)較為復(fù)雜。最 新 算 法 引 入Transformer算 法[7-9],設(shè) 計CNNtransformer結(jié)構(gòu),通過多頭注意力機制的Transformer算法計算回歸多標(biāo)簽的相關(guān)性,進一步提高分類精度與性能,但網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜,計算量龐大,且訓(xùn)練困難。

      目前多標(biāo)簽圖像分類技術(shù)主要應(yīng)用于遙感圖像以及醫(yī)學(xué)圖像等領(lǐng)域,但在紅外前下視圖像的分類分級任務(wù)中,多標(biāo)簽圖像分類是一個較新的方向,具有研究前景與應(yīng)用價值。本文針對紅外圖像場景,提出了一種基于弱監(jiān)督的多標(biāo)簽圖像分類技術(shù),針對無人機實拍不同場景、不同視角的紅外圖像數(shù)據(jù)集,通過使用主干網(wǎng)絡(luò)Resnet-50對圖像進行特征提取,引入空間注意力機制算法與先進的損失函數(shù),顯著提高了多標(biāo)簽學(xué)習(xí)算法的精度和泛化性,實現(xiàn)了多目標(biāo)、多場景的紅外圖像場景感知和分類分級。

      2 多標(biāo)簽分類算法模型

      在多標(biāo)簽分類中,需要預(yù)測未知目標(biāo)對應(yīng)的正確標(biāo)簽子集,但隨著場景及目標(biāo)種類的增多,預(yù)測過程中候選標(biāo)簽子集數(shù)量以及樣本預(yù)測輸出空間也會呈指數(shù)增長。因此,當(dāng)前的多標(biāo)簽分類任務(wù)中存在兩大難點,一是處理龐大的預(yù)測輸出空間與標(biāo)簽之間的關(guān)系,計算多標(biāo)簽之間的復(fù)雜拓撲關(guān)系;二是隨著數(shù)據(jù)規(guī)模增大,多標(biāo)簽分類任務(wù)不可避免的出現(xiàn)正負樣本失衡的問題,這種正負樣本數(shù)量失衡可能在訓(xùn)練過程占據(jù)主導(dǎo)地位,進而導(dǎo)致在訓(xùn)練過程中來自正標(biāo)簽的梯度強調(diào)不足,導(dǎo)致精度下降。

      多標(biāo)簽圖像分類可以理解為在常規(guī)圖像分類基礎(chǔ)上進行拓展而得到更加復(fù)雜的分類問題,一個實例可以有多個標(biāo)簽描述,或者被分為多個類別。在多標(biāo)簽分類中,將輸入對象表示為x,一個對象的標(biāo)注由多個類別標(biāo)簽組成,數(shù)據(jù)集標(biāo)簽包含目標(biāo)類別(如建筑物、農(nóng)田、艦船等)與場景類別(如城市、郊區(qū)、海洋等)。用y=[y1,…,yk]表示對象x所包含的類別,yk∈{0,1},yk=1表示對象x中包含類別k。多標(biāo)簽分類算法將預(yù)測每一個標(biāo)簽存在的概率,即p=[p1,…,pk]。多標(biāo)簽分類示意圖如圖1。

      圖1 多標(biāo)簽分類示意圖Fig.1 Schematic of multi-label classification

      2.1 主干網(wǎng)絡(luò)的設(shè)計

      在圖像分類任務(wù)中,對于主干提取網(wǎng)絡(luò),通常直接使用最后一層特征層進行分類處理,在進行卷積網(wǎng)絡(luò)提取特征時,紅外目標(biāo)的重要灰度等信息在淺層卷積神經(jīng)網(wǎng)絡(luò)分布比重較高,因此在訓(xùn)練過程中極為重要的是突出淺層卷積神經(jīng)網(wǎng)絡(luò)的信息。ResNet網(wǎng)絡(luò)設(shè)計的殘差結(jié)構(gòu)能夠較好地解決紅外圖像特征不充分的問題,在訓(xùn)練中使模型達到較好的學(xué)習(xí)效果。本文使用ResNet-50[10]作為算法的主干網(wǎng)絡(luò)進行特征提取。原始Resnet-50網(wǎng)絡(luò)直接應(yīng)用于分類任務(wù)時,一般通過最后的全連接層進行類別回歸,生成最終效果,但將網(wǎng)絡(luò)直接應(yīng)用于多標(biāo)簽分類任務(wù)時,全連接層不僅造成計算冗余,而且不能很好地對多標(biāo)簽進行回歸分類。

      在網(wǎng)絡(luò)分類回歸部分,本文使用空間殘差注意力機制(Class-specific Residual Attention,CSRA)算法[11],為每個類別生成一個特定的特征,提出一個簡單的空間注意力,然后將特征圖的平均池化結(jié)果相結(jié)合,充分利用空間注意力捕捉不同類別所占據(jù)的不同空間區(qū)域,以此實現(xiàn)多標(biāo)簽之間拓撲關(guān)系的推理計算。其次,由于多標(biāo)簽分類中,正負標(biāo)簽數(shù)量極不平衡[12-13],這種正負不平衡的現(xiàn)象在優(yōu)化過程中占主導(dǎo)地位,常規(guī)的圖像分類損失函數(shù)如交叉熵損失函數(shù)、Focal Loss等無法勝任多標(biāo)簽損失函數(shù)的分類任務(wù)。為了解決多標(biāo)簽正負樣本失衡問題,本文引入適用于多標(biāo)簽分類的損失函數(shù)Asymmetric Loss(ASL)[14],控制負樣本對損失的貢獻,幫助網(wǎng)絡(luò)從積極樣本中學(xué)習(xí)到更有意義的特征。本文提出的多標(biāo)簽圖像分類主干網(wǎng)絡(luò)(Multi-label Infrared Image Classification,ML_IRI)如圖2所示。

      圖2 多標(biāo)簽圖像分類主干網(wǎng)絡(luò)Fig.2 Backbone network for multi-label image classification

      設(shè)輸入圖像為紅外圖像x∈Rd×h×w,其中d、h、w為圖像的維度、高度與寬度,通過主干網(wǎng)絡(luò)Resnet-50進行特征提取生成特征圖:

      其中,θ為特征提取網(wǎng)絡(luò)的參數(shù),在本文中,輸入圖片大小為224×224,最后主干網(wǎng)絡(luò)生成特征層 向量為x1,x2,…,x49(xi∈R2048)。

      2.2 CSRA注意力機制

      在多標(biāo)簽分類任務(wù)中,空間注意力機制可以更好地提取圖像中的有效區(qū)域[15-16],降低紅外圖像中背景對目標(biāo)的干擾,進行有效的場景感知,空間信息可以幫助網(wǎng)絡(luò)模型獲取更優(yōu)的目標(biāo)所在空間位置。為了更好地適應(yīng)多背景、多目標(biāo)的紅外圖像,本文引入了類特定空間殘差注意力機制(CSRA)算法,為每個類別生成特定的特征,通過提出一個簡單的空間注意力算法,然后與特征圖的平均池化結(jié)果相結(jié)合,充分利用空間注意力捕捉對象的不同類別所占據(jù)的不同空間區(qū)域。

      將CSRA應(yīng)用于主干網(wǎng)絡(luò)提取特征層x1,x2,…,x49(xi∈R2048)之 后,進 一 步 處 理 特 征層,用全連接層將[H,W]展平為HW,然后設(shè)mi∈R2048為第i類的分類器,定義si j表 示 第i類 出現(xiàn)在j空間位置上的概率[11]:

      然后,我們將每個類別所對應(yīng)的特征向量定義為特征張量的加權(quán)組合,其中第i類的空間注意力得分si為權(quán)重,即:

      CSRA算法將全局平均池化作為主要特征向量g,并將ai作為特定類別的殘差特征,如圖3所示,將兩個特征向量相加,得到CSRA的注意力特征fi[11]:最后將所有的CSRA特征向量送入分類器回歸出最終的預(yù)測值y。

      圖3 CSRA模型Fig.3 CSRA model

      其中,C代表多標(biāo)簽分類類別數(shù)量。

      CSRA能夠讓模型關(guān)注不同物體類別在不同位置的分類得分,因此相比于傳統(tǒng)的分類網(wǎng)絡(luò),CSRA更加適用于多標(biāo)簽分類的任務(wù)。

      2.3 ASL損失函數(shù)

      多標(biāo)簽分類中,正負樣本不平衡的問題可能導(dǎo)致在訓(xùn)練過程中對來自正面標(biāo)簽的梯度強調(diào)不足,從而導(dǎo)致準(zhǔn)確率低下。常用的場景分類損失函數(shù)已不足以解決多標(biāo)簽分類中正負樣本數(shù)量失衡問題,在此引入ASL損失函數(shù)。

      ASL損失函數(shù)針對Focal Loss[17]中的γ進行了修改,使γ->γ+,來解耦正負樣本損失函數(shù)的下降速率,從而在稀缺正樣本中學(xué)習(xí)到有效特征。

      ASL損失函數(shù)引入超參數(shù)m調(diào)整負樣本的損失函數(shù)曲線,能夠動態(tài)地降低簡單陰性樣本的重要性,使優(yōu)化過程更多地關(guān)注陽性樣本,式(7)變?yōu)椋?/p>

      其中,pm=max(p-m,0),m為網(wǎng)絡(luò)可調(diào)節(jié)的超參數(shù)。

      在訓(xùn)練過程中,網(wǎng)絡(luò)的權(quán)重根據(jù)損失的權(quán)重進行更新,為了更好地理解ASL的作用,對負樣本進行損失梯度分析。對L-進行導(dǎo)數(shù)分析,得到:

      由式(10)可知,ASL忽略過于簡單的負樣本權(quán)重,專注于更困難的樣本,即p<m,pm=1;對于負樣本,ASL傾向于平滑的降低其權(quán)重,對于過于困難的負樣本,ASL會自動降低其權(quán)重來減少困難負樣本對網(wǎng)絡(luò)的影響。

      ASL損失函數(shù)通過不同的γ+與γ-分別控制正負樣本對損失函數(shù)的貢獻,以限制負樣本對損失函數(shù)的貢獻,能有效解決正負樣本失衡問題,在多標(biāo)簽圖像處理問題上具有顯著效果。

      3 分析與討論

      3.1 試驗設(shè)計

      為了測試本文算法的實際應(yīng)用性能,本文選用無人機實采多種背景、多種目標(biāo)的紅外前視圖像以及前下視圖像,訓(xùn)練集5 570張,測試集582張。根據(jù)實際應(yīng)用情況,對數(shù)據(jù)集進行弱監(jiān)督圖像級別的多標(biāo)簽標(biāo)注,對整幅圖像進行關(guān)鍵詞描述,以達到圖像標(biāo)注的目的,在大幅度降低標(biāo)注工作量的前提下,更充分地利用數(shù)據(jù)進行訓(xùn)練。如圖4所示,數(shù)據(jù)集包括城市、郊區(qū)、海天等多種背景以及建筑群、工業(yè)設(shè)施、機場、艦船等多種目標(biāo),數(shù)據(jù)集標(biāo)簽數(shù)量為13種,箭頭表示標(biāo)簽之間存在包含關(guān)系,多標(biāo)簽之間具有復(fù)雜的拓撲關(guān)系,標(biāo)準(zhǔn)圖片大小為640×512。本文選用的數(shù)據(jù)集包含紅外圖像常見的多種背景與目標(biāo),可以滿足目前分類任務(wù)的要求。

      圖4 數(shù)據(jù)集多標(biāo)簽之間的拓撲關(guān)系Fig.4 Topological relationships between dataset multiple labels

      本文算法基于多標(biāo)簽圖像分類算法進行紅外圖像的分類分級處理,試驗平臺為Windows 10操作系統(tǒng),其中深度學(xué)習(xí)框架為Pytorch1.8,硬件條件為英特爾Core i9-10900X@3.50 GHz,內(nèi)存為64 GB,GPU為 一張NVIDIA GeForce RTX 2080Ti,顯存為12 GB。訓(xùn)練使用Adam為學(xué)習(xí)率優(yōu)化器,初始學(xué)習(xí)率為0.000 1,使用lr_scheduler算法在訓(xùn)練過程中動態(tài)調(diào)節(jié)學(xué)習(xí)率,訓(xùn)練基本參數(shù)如表1所示。

      表1 試驗部分參數(shù)Tab.1 Partial parameters of the experiment

      為了更好地驗證多標(biāo)簽分類算法的分類性能與應(yīng)用性,本文在使用深度學(xué)習(xí)中通用的Precision、Recall和F1作為評 價指標(biāo)的同時,將正檢率(Correct Detection)、誤檢率(False Detection)以及漏檢率(Missed Detection)作為評價應(yīng)用性的重要指標(biāo),其具體計算公式如下:

      其中:P為算法Precision值,R為算法Recall值,C為標(biāo)簽數(shù)量,Nci為第i類預(yù)測正確的正樣本數(shù);Npi為第i類預(yù)測的正樣本數(shù),Ngi為第i類的正樣本數(shù),F(xiàn)1為精確率與召回率的調(diào)和平均數(shù)。

      為了更好地反映模型的應(yīng)用性能,以圖像的正檢率(PC)、誤檢率(PF)與漏檢率(PM)作為應(yīng)用性能的重要評價指標(biāo),本文正檢率、誤檢率以及漏檢率計算如下:

      3.2 結(jié)果分析

      本文紅外圖像數(shù)據(jù)集待測圖片共582張,涵蓋數(shù)據(jù)集中所包含的13種應(yīng)用場景,在基于多標(biāo)簽圖像分類算法下,本文將數(shù)據(jù)集應(yīng)用于多種經(jīng)典常用網(wǎng)絡(luò),使用正檢率、誤檢率、Recall值等評價標(biāo)準(zhǔn),綜合評價算法分類性能,其算法結(jié)果數(shù)據(jù)見表2。

      表2 不同算法結(jié)果Tab.2 Results of different algorithm

      由上述表格數(shù)據(jù)可知,本文優(yōu)化后的算法性能相比于原始算法ResNet-50有較大幅度的提升,針對紅外圖像的多標(biāo)簽分類適應(yīng)性更強,與當(dāng)前優(yōu)秀的主干網(wǎng)絡(luò)相比,本文算法雖然漏檢率高于Multi_path與ResNeXt101算法,但從多維數(shù)據(jù)綜合分析,本文算法在正檢率以及減少錯誤率上都具有較大優(yōu)勢。在與優(yōu)秀主干網(wǎng)絡(luò)對比的同時,本文對多標(biāo)簽分類算法的多支路思想Multi_path算法[4]以及多標(biāo)簽分類算法最新成果的C_train算法[7]進行復(fù)現(xiàn)測試,相比于當(dāng)前提出的多標(biāo)簽分類算法,本文算法針對紅外圖像數(shù)據(jù)集具有更強的適應(yīng)性以及準(zhǔn)確性,正檢率高于91%,F(xiàn)1值高于96%,從正確檢測率以及標(biāo)簽精度綜合評價,本文算法具有明顯的優(yōu)勢,這也為多場景多目標(biāo)的紅外圖像分類處理提供了思路與參考。

      表3所示數(shù)據(jù)為本文消融試驗的試驗結(jié)果,試驗數(shù)據(jù)顯示本文優(yōu)化后各個模塊對算法的影響程度。從表3消融試驗數(shù)據(jù)分析可知,CSRA注意力機制的引入充分利用了物體類別的空間注意力,大大降低了誤檢率與漏檢率,提升了算法性能。ASL損失函數(shù)能夠較好地控制負樣本對損失函數(shù)的貢獻,幫助網(wǎng)絡(luò)訓(xùn)練到更有意義的特征,應(yīng)用于原始Resnet-50以及與CSRA算法聯(lián)合作用時,都具有積極意義。從試驗結(jié)果來看,空間注意力機制與新的損失函數(shù)能夠?qū)Χ鄻?biāo)簽分類有較好的優(yōu)化性能,在紅外場景中具有較好的適應(yīng)性與準(zhǔn)確性。

      表3 消融試驗結(jié)果Tab.3 Results of ablation experiment

      圖5為部分測試集測試結(jié)果展示,詳細標(biāo)簽為a1:機場;a2:低矮建筑、工業(yè)區(qū)域;a3:城市、建筑物群;a4:城市、建筑物群;a5:郊區(qū)、建筑物群、農(nóng)田;a6:郊區(qū)、農(nóng)田;a7:郊區(qū)、水域;a8:海平面、天空、艦船;a9:海平面、天空、艦船。

      圖5 典型測試結(jié)果展示Fig.5 Typical test results display

      4 結(jié)論

      針對紅外圖像分類分級的特殊任務(wù),本文引入多標(biāo)簽分類算法進行多場景、多目標(biāo)的分類分級技術(shù)研究,針對現(xiàn)有多標(biāo)簽分類算法適應(yīng)性不足問題,本文引入類特定空間殘差注意力機制(CSRA)算法,通過添加空間注意力機制,充分利用空間注意力捕捉對象不同類別所占據(jù)的不同空間區(qū)域,提高多標(biāo)簽分類算法的性能與適應(yīng)性;針對正負樣本失衡問題,本文引入全新的損失函數(shù)ASL,動態(tài)降低負樣本對損失的貢獻,幫助網(wǎng)絡(luò)從正樣本中學(xué)習(xí)到更有意義的特征,進一步增強了網(wǎng)絡(luò)的適應(yīng)性與泛化性。試驗結(jié)果表明,本文優(yōu)化后的多標(biāo)簽紅外圖像分類算法,具有較好的檢測效果,正檢率在90%以上。本文算法對實采紅外圖像具有較好的泛化性與準(zhǔn)確性,具有較強的實際應(yīng)用價值,也為紅外圖像分類分級領(lǐng)域處理提供了新的思路與參考。

      猜你喜歡
      類別紅外注意力
      網(wǎng)紅外賣
      讓注意力“飛”回來
      閃亮的中國紅外『芯』
      金橋(2021年4期)2021-05-21 08:19:20
      TS系列紅外傳感器在嵌入式控制系統(tǒng)中的應(yīng)用
      電子制作(2019年7期)2019-04-25 13:17:14
      “揚眼”APP:讓注意力“變現(xiàn)”
      傳媒評論(2017年3期)2017-06-13 09:18:10
      基于快速遞推模糊2-劃分熵圖割的紅外圖像分割
      A Beautiful Way Of Looking At Things
      服務(wù)類別
      新校長(2016年8期)2016-01-10 06:43:59
      論類別股東會
      商事法論集(2014年1期)2014-06-27 01:20:42
      中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
      石河子市| 隆尧县| 蓝田县| 木里| 化州市| 城口县| 北辰区| 赣榆县| 旌德县| 武鸣县| 德昌县| 文化| 普洱| 青海省| 怀仁县| 通州区| 新竹县| 鄂温| 望谟县| 永州市| 和硕县| 金塔县| 通海县| 万盛区| 河池市| 吉安市| 怀化市| 上犹县| 陆川县| 瑞金市| 宜阳县| 泰来县| 昌乐县| 阳西县| 辽源市| 沾益县| 玉龙| 蚌埠市| 汤原县| 武强县| 凤庆县|