1.一种融合空间注意力和自注意变换网络的雷达分割方法，其特征在于，所述融合空间注意力和自注意变换网络的雷达分割方法，包括：S1、将原始点云采用实例注入的方法，获得实例增强后的点云数据；

S2、将所述增强后的点云数据经过MLP模块提取每个点的特征，每一个体素保留特征值最大的点作为体素的特征；

S3、将体素特征和体素坐标构建成稀疏张量，输入构建好的语义分割网络进行训练，输出体素语义信息，并转化为点云的语义信息，输出语义分割结果，所述语义分割网络包括多个阶段，每个阶段从输入侧到输出侧依次包括编码器和解码器，第一阶段的编码器前还包括拓展维度的线性层，第一阶段的解码器后还包括SegHead层；各阶段所述编码器结合不对称残差卷积模块和空间注意力机制对输入特征进行编码，强化语义信息，获得编码器的输出特征；除最后一阶段的其他阶段编码器的输出特征经过下采样层后传递给下一阶段的编码器；最后一阶段的编码器的输出特征传入自注意变换网络Transformer；每阶段的编码器的输出特征与下一阶段解码器的输出特征经过上采样层后共同输入到本阶段的解码器中；

第一阶段解码器的输出特征经过所述SegHead层输出点云中每个体素属于每个类的概率；

其中，所述SegHead层从输入侧到输出侧依次包括3x3x3卷积层、BatchNorm层和ReLU激活函数；

所述不对称残差模块输入特征经过两个分支，第一分支从输入侧到输出侧依次经过

1x3x3卷积层、BatchNorm层、ReLU激活函数、3x1x3卷积层、BatchNorm层和ReLU激活函数；第二分支从输入侧到输出侧依次经过3x1x3卷积层、BatchNorm层、ReLU激活函数、3x1x3卷积层、BatchNorm层和ReLU激活函数，所述的不对称残差卷积模块将以上两个分支通过元素相加得到输出特征；

所述的空间注意力机制输入特征依次经过3x3x3卷积层、BatchNorm层，ReLU激活函数得到特征1，然后经过1x1x1卷积层、BatchNorm层和sigmoid激活函数得到特征2，所述的特征1和所述的特征2元素相加的到特征3，特征3和空间注意力机制输入元素相乘的到空间注意力机制的输出；

所述自注意变换网络，首先对位置信息进行位置编码计算得到点与点之间的位置关系特征，然后与特征信息相融合，融合后的信息先后经过两次layerNorm层、self‑attention模块和MLP层，跳跃连接对输入和self‑attention模块两者特征相加；self‑attention模块输入特征分别经过三个线性层的到query，key和value特征，再用query特征和key特征的转置矩阵相乘得到注意力图特征，最后将注意力图特征经过softmax后与value特征相乘作为模块的输出特征。

2.根据权利要求1所述的融合空间注意力和自注意变换网络的雷达分割方法，其特征在于，所述MLP模块的输入特征从输入侧到输出侧依次经过线性层、BatchNorm层和ReLU激活函数。

3.根据权利要求1所述的融合空间注意力和自注意变换网络的雷达分割方法，其特征在于，所述语义分割网络的网络整体损失函数由权重交叉熵损失函数Lwce、lovasz‑softmax损失函数Lls和TVLoss损失函Ltv数线性融合，其中：所述的权重交叉熵损失函数 为：

其中 yi和 分别表示每个类别的真值和预测值，fi表示第i类别出现的频率，在点云的语义分割中表示第i类点云的数量占总点云数量的比重，αi为每个类别的权重系数；p(yi)和 分别表示每个类别的真值和预测值的概率；

所述的lovasz‑softmax损失函数Lls为：

其中|C|表示类别数量，J是一个具有全局最小值分段线性函数，表示Iou的lovasz拓展，m(c)表示c类别的误差向量，xi(c)和yi(c)分别表示c类别的第i个点云的预测值和真值；

所述的TVLoss损失函数Ltv为：

其中 表示异或操作，y和 分别表示点云的真值和预测值，i，j和k表示体素的三个维度，和分别表示i,j,k三个维度的边缘的误差；

所述网络整体损失函数为：

Ltotal＝Lwce+Lls+Ltv；

其中，Ltotal表示整体损失函数，Lwce，Lls和Ltv分别表示权重交叉熵损失函数、lovasz‑softmax损失函数和TVLoss损失函数。