1.一种融合上下文语义的点云语义分割方法，其特征在于，具体操作步骤如下：步骤(1.1)、使用高层编码特征反馈机制增强低层编码特征，从而使高层语义特征在级联过程中获取高区分度，改善基础的点云语义分割结果；

其中，所述的高层编码特征反馈机制具体是：将高层编码特征以注意力图的形式与低层编码特征进行融合，指导低层编码特征的学习，增强其语义信息，使其为高层解码特征提供语义指导；

为使高层编码特征进行信息的反馈，确保该高层编码特征与低层编码特征具有相同的分辨率，其具体操作步骤如下：首先，通过一层非线性变换对X2进行特征映射，使其与X1具有相同的特征维度；如下式所示：其中，X2表示高层编码特征值，MLP(·)表示特征映射， 表示对X2进行特征映射后得到的值；

其次，通过上采样操作获取高层编码特征的反馈值，如下式所示：其中， 表示该反馈机制得到的反馈值，Upsampling(·)表示上采样操作；

再次，将获取的反馈值以注意力图的形式与低层编码特征进行融合，该融合过程如下式所示：其中，X1e表示融合后特征值，g(·)表示注意力图的操作方式，W表示该操作中的可学习参数，表示矩阵对应元素相乘，MLP(·)表示特征映射；

最后，将该融合后的特征级联到高层语义特征中生成含更高区分度的语义特征，该操作如下所示：Y1e＝Y1+X1e    (4)

其中，Y1表示高层语义特征值，Y1e表示级联后具有高区分度的语义特征值；

步骤(1.2)、利用高层语义特征的局部上下文信息以自适应地调整每个点的语义特征，从而进一步的优化分割结果的细节信息；

其中，所述的高层语义特征上下文信息具体是：设计一个局部图模型结构，使每个点根据其自身的局部上下文信息以自适应的调整其语义特征，使得最终的语义分割结果具有局部一致性；

所述的高层语义特征上下文信息是通过构建一个局部图模型结构实现，具体的的操作步骤如下：

1 2 K

首先，通过K近邻算法寻找每个点在欧式空间中K个近邻点的特征{fi ,fi ,...,fi}，并通过构造边的方式将每个点与这K个近邻点相连接，接下来利用K个近邻点的特征计算边的特征，具体如下式所示：其中， 表示第i个点与其第j个近邻点的边的特征，ReLU(·)表示ReLU激活函数，W表j示该操作中的可学习参数；fi表示第i个点的第j个近邻点的特征值；

接着，通过最大值操作聚合边的特征以更新该节点的特征，如下式所示：其中， 表示第i个点根据上下文信息更新后得到的新的特征值；

最后，通过利用一个残差连接的方式将点原始语义特征与更新后的语义特征相加，如下式所示：其中， 表示第i个点最终得到的特征值，fi表示i个点原始的特征值。