1.一种卷积神经网络中loss函数实现方法，其特征在于，包括如下步骤：步骤一：设计网络模型结构，引入三通道灰度图像，对输入图像数据进行均方差归一化预处理；

步骤二：设计下采样部分遵循卷积网络的代表性架构，提取的特征由内容感知重组上采样的解码器处理，重组特征图的语义信息；

步骤三：采用ACS损失函数计算网络在训练期间的误差损失，所述ACS损失函数包括基于区域、质心和形状三个条件的监督，最终总的Loss是对三个因素的真实值和预测值误差值计算的加权和，满足下式：LossACS＝C1×Lshape+C2×Lcentroid+C3×Lregion，其中C1、C2、C3为权重系数；Lshape为形状误差，使用Hu矩标识二值化图像的形状，通过计算预测图像和GT图像的Hu矩的欧几里得距离得到；Lcentroid为质心误差，通过计算预测图像和GT图像的质心之间的距离得到，公式为 Lregion为区域误差，通过计算加权交叉熵得到，公式为

ω(i)代表像素的重要性；

步骤四：将数据集内的弱光照图像用作模型训练和测试的基准，在三个不同的测试集上对网络性能进行测试；

步骤五：将测试后是实验结果自动生成报告发送至无线终端。

2.如权利要求1所述的一种卷积神经网络中loss函数实现方法，其特征在于，步骤一中，通过数据细化层引入三通道灰度图像，数据细化层可为DR，数据细化层在网络模型结构前端对放大、旋转、镜像、灰度转换后的图像数据准确读取。

3.如权利要求2所述的一种卷积神经网络中loss函数实现方法，其特征在于，步骤一中，通过数据归一化层对输入图像数据进行均方差归一化预处理，加速网络收敛，数据归一化层可为DN，数据归一化层和数据细化层位于网络模型结构的前端。

4.如权利要求1所述的一种卷积神经网络中loss函数实现方法，其特征在于，步骤二中，下采样部分包括两次重复使用两次3×3卷积和三次重复使用四次3×3卷积，两次3×3卷积和四次3×3卷积均连接有非线性纠正单元ReLU和一个2×2步长为2均值池化层。

5.如权利要求1所述的一种卷积神经网络中loss函数实现方法，其特征在于，步骤三中，ACS损失函数包括基于区域、质心和形状三个条件的监督，计算网络在训练期间的误差损失，最终总的Loss是对三个因素的真实值和预测值误差值计算的加权和满足下式：LossRCS＝C1·Shape+C2·Centroid+C3·Region其中，图像为T,预测为P∈[0,1]m×n，n为索引图像空间N中的每个像素值，每个类的标签在C类中写为L。

6.如权利要求5所述的一种卷积神经网络中loss函数实现方法，其特征在于，算式中第一项表示形状误差Lshape，从形状方面对网络性能进行监督，使用Hu矩标识二值化图像的形状,通过计算Hu矩的欧几里德距离来计算预测图像和GT图像中像素的强度及其位置，具体的满足下式：其中，D(P,T)是预测图像和标注GT的Hu矩之间的欧几里得距离，Hi,j取决于像素的强度及其在图像中的位置，捕获了目标的形状信息。

7.如权利要求5所述的一种卷积神经网络中loss函数实现方法，其特征在于，算式中第二项表示质心误差Lcentroid，通过计算两个质心之间的距离来进行质心匹配图像M(x,y)的质心定义满足下式：其中，ε(ε>0)是避免在计算中平方根为零的参数，包括左右一致性检查。

8.如权利要求5所述的一种卷积神经网络中loss函数实现方法，其特征在于，算式中第三项表示区域误差Lregion，从区域方面对网络预测性能进行监督，通过计算加权交叉熵进行计算目标区域匹配满足下式：其中，ω代表像素的重要性，像素越关键，权重越大。

9.如权利要求1所述的一种卷积神经网络中loss函数实现方法，其特征在于，步骤四中，数据集数据产生步骤为：

1)、训练数据准备，收集22338张图像，并进行手工标注；

2)、将数据集分为三个子集：训练集(18980)、验证集(2108)和测试集(1250)；

3)、通过图像旋转和按比例放大来增加训练数据集数量，其中，使用两个比例：0.6和

1.5，在三个方向上进行旋转：‑90、90和180的方法来增加训练数据，通过数据增强，训练图像不低于287500张。

10.如权利要求1所述的一种卷积神经网络中loss函数实现方法，其特征在于，步骤四中，测试集数据产生步骤：

1)、测试数据准备，在三个不同的测试集上对网络性能进行测试；

2)、测试集第一个是新的数据集NHWS，包括自然低照度环境中收集的1250张图像；

3)、测试集第二个是PASCAL VOC，从PASCAL VOC 2007～2012中随机选择了335张包含人的图像；

4)、测试集第三个是ADE20K，包括了从ADE20K中选择的215张包含人的图像。