1.一种用于点云分类分割的动态图语义特征提取方法，其特征在于：包括以下步骤：输入具有n个点的C维数据P；

构建局部动态图G＝(V,E)，定义xi的k个邻居点 边缘特征eij＝hθ(xi,xj)，则一层图的输出xi′表示为：xi′＝hθ(xi,xj)通过边缘函数hθ聚合点xi的邻居特征；

通过最大池化获得局部图上最有代表性的语义信息X′，获得语义特征最明显的位置；

1 C′

利用组整体的特征空间分布来调整单通道语义特征；X′＝{x ,...,x }，将特征图按照通道维数分为G组，即每组有m(m＝C’/G)维特征；首先求得组内各个通道均值，用于表示单i g通道特征c ,之后再更新组内特征，同时对组内点的不同特征相加，得到整组的语义特征p；

g

再对整组的语义特征p进行归一化处理；

g

最后将整组的语义特征p 经过sigmoid函数σ()处理得到组内特征的权重W，再与原来组数据相乘，得到交互后的特征求和来聚合局部图的特征，得到单个图注意将图注意力和语义特征通过可学习的标量α和β对特征进行聚合，得到聚合特征f；

g i～m i m

所述整组的语义特征p和原组特征x ＝{x ,...,x}相乘，得到交互后的特征 表示为：再将各组数据进行拼接，得到特征得到权重

W＝t(X)；

W为权重，t()为多层感知机MLP经过softmax处理；

单个局部图特征 权重 所述单个图注意的表示为：所有局部图的特征组成 之后经过MLP处理；

所述聚合特征f的标识为：

f＝α·fg+β·fp。

2.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征在于，所述C维数据P表示为：C

P＝{pi∈R ,i＝0,...,N‑1}。

3.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征在于，所述局部图G＝(V,E)的构建基于每个点周围邻近的k个点。

4.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征在于，所述边缘函数hθ表示为：hθ(xi,xj)＝hθ(xi,xj‑xi)其中，xi为全局特征，xj‑xi为局部特征；

并通过多层感知机MLP处理，得到所有局部图的语义特征X，表示为：X＝MLP(hθ(xi,xj))。

5.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征在于，所述最有代表性的语义信息X′表示为：X′＝max(X)。

6.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征i在于，所述单通道特征c表示为：其中，i表示通道上的特征，N表示有N个点，更新组内特征得到：其中，j表示点，取值范围在1～N；

g

对组内点的不同特征相加，整组的语义特征p，表示为：g

其中，p表示一个组的语义特征，i表示第g组的单通道，g表示是第G组特征。

7.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征g在于，所述整组的语义特征p进行归一化处理后表示为：g

引入学习尺度参数γ和偏移β调整组归一化数据，得到整组的语义特征p归一化后调整表示为：g g

a＝γ·p+β。