1.一种基于图像语义分割的损失函数，其特征在于该损失函数如下所示：

式中，yi为像素点i的类别标签， 为像素点i的yi的预测概率，当 越大，说明输出越接近于正确的预测，此时Loss越接近于0；在损失函数中，加入对每个像素点的计算权重其中Υ＞0；参数wi为像素点i属于不同类别时，Loss计算过程中所应分配的权重，其大小由标签数据中，各个类别所占的面积决定，当图片中的某一语义类别在整幅图片中所占面积较小时，wi的数值便会相应增加，以使得网络的学习能够更加关注于这一小的语义对象。

2.根据权利要求1所述的一种基于图像语义分割的损失函数的设计方法，其特征在于该损失函数相关参数的设计方式包括以下步骤：步骤1：参数wi的确立；在网络训练过程中，通常的监督学习都会有每张图片对应的标签标注信息，可以从标签标注信息中提取此张图片中包含的语义类别个数n以及每个语义类别在图片中所占的面积s；在得到此两种标签信息后，将面积从大到小排列，并分别计算最大面积与各个面积之间的倍数，而后再将这些倍数关系归一化到[1，n]之间，即为训练时，每个损失函数计算时，不同类别对应的权重取值wi；

步骤2：参数Υ的确立；首先确定Υ＞0，而后在网络训练过程中，通过网格寻优的方式，对Υ的值进行进一步的确立。