1.基于自适应特征融合的点云场景语义实例联合分割方法，其特征在于，具体按照如下步骤实施：步骤1，构建LPR‑AFFN网络；

步骤2，构建局部极坐标表示模块LPR并进行LPR操作；

步骤3，进行坐标转换，计算邻域质心点矩阵、更新极角；

步骤3的具体过程如下：

步骤3.1、对于任意一点 ，其坐标值为( ,  , )，利用K邻近算法采集它的k个邻近点 ，其坐标值为( ,   , )，点 和 的相对坐标表示为 ，其中，任意一邻近点 到点 的距离记为， 表示点 和点 对应射线和参考方向的夹角，表示任意一点的复数形式在极坐标系中的幅角，则邻近点的极坐标表示为 ；

(12)

(13)

(14)

步骤3.2、对于任意一点 ，通过 的k个邻近点，对特征矩阵 进行张量求和操作和平方根操作，得到邻域质心点特征矩阵 ；

=  (15)

步骤3.3、坐标转换特征矩阵 和邻域质心点特征矩阵 ，进行两次矩阵减法操作后拼接特征矩阵，更新极角 和 ，根据Z‑轴旋转不变性可知， 和 不会发生改变；

=   ‑ (16)

(17)

(18)

步骤3.4、对两次拼接后产生的新的特征矩阵 ，进行张量均值操作得到新的特征矩阵；

(19)

步骤3.5、新的特征矩阵 经降维后得到特征矩阵 ；

步骤3.6、将原始点云 、极坐标转换信息和几何距离信息进行拼接，输出大小为的特征矩阵 ；

(20)；

步骤4，构建特征表示模块GPM，并定义局部质心点，寻找质心点的邻近点以构建局部分组；

步骤4中，特征表示模块GPM由卷积层、ReLu激活函数、多层感知机MLP、更新组合局部特征gate操作组成；

具体过程如下：

步骤4.1，根据最远采样点算法从输入的点云中选取一个点A作为查询点，从剩余点云中选择一个最远的点B，此时查询点为(A,B)，再从余下点云中需选取最远距离点C，选取点A到点C距离和点B到点C的距离中的最小值作为到查询点的距离d，将采样后的点云分为N个查询点云集合，从查询点云集合中任意选择一组点，在查询点集合中定义一个局部质心点，采用K最邻近算法寻找质心点的邻近点以构造局部分组；

步骤4.2，对步骤4.1分组后的的点云经过 操作投影后，得到特征矩阵；

(21)

步骤4.3，对特征矩阵 进行矩阵变维和一维卷积操作得到特征矩阵 ；

(22)

步骤4.4，对特征矩阵 分别进行两次一维卷积操作得到同型特征矩阵 和 ；

(23)

(24)

步骤4.5，对特征矩阵 进行转置操作，得到特征矩阵 ；

(25)

步骤4.6，对特征矩阵 和 做矩阵加法，得到特征矩阵 ；

(26)

步骤4.7，特征矩阵 经ReLu函数和Softmax操作后，得到特征矩阵 ；

(27)

步骤4.8，特征矩阵 和 做矩阵乘法，得到特征矩阵 ；

(28)

步骤4.9，特征矩阵 经过激活函数和更新组合局部特征gate操作后，得到特征矩阵；

(29)

步骤4.10，特征矩阵 经过矩阵变维和更新组合局部特征gate操作后，得到特征矩阵 ；

(30)

步骤4.11，特征矩阵 经过激活函数、矩阵变维操作后和特征矩阵 进行矩阵乘法操作，得到特征矩阵 ；

(31)

步骤4.12，对特征矩阵 和 分别进行矩阵变维操作后做矩阵乘法，得到新的特征矩阵 ；

(32)

步骤4.13，对特征矩阵 和 进行矩阵拼接，得到大小为 的特征矩阵 ；

(33)；

步骤5，对输入的点云初步进行特征提取；

步骤6，构建特征提取模块PCFE并进行PCFE操作；

步骤7，构建自适应特征融合模块AFF，利用AFF构建点云的全局感知能力；

步骤7中，自适应特征融合模块AFF由卷积层、Softmax、矩阵点乘、矩阵相加操作组成；

具体过程如下：

步骤7.1，在语义分割任务中，自适应特征融合模块AFF首先对特征提取模块PCFE输入的大小为 的语义特征矩阵 扩充维度，然后进行二维卷积操作输出特征矩阵；

(40)

步骤7.2，对 进行归一化Softmax操作输出的特征矩阵 ；

(41)

步骤7.3，特征矩阵 与 做矩阵点乘运算，并输出特征矩阵 ；

(42)

步骤7.4，特征矩阵 降维后生成的大小为 的语义特征矩阵 ，语义特征矩阵 再经过全连接层中的一维卷积操作输出大小为 的语义预测 ，用于预测最终的语义类别，其中 是语义预测的类别个数，(43)

步骤7.5，对于实例分割任务，对同样大小为 的实例特征矩阵 扩充维度，扩维后经二维卷积操作生成特征矩阵 ；

(44)

步骤7.6，对特征矩阵 进行归一化Softmax操作生成特征矩阵 ；

(45)

步骤7.7，特征矩阵 与 做矩阵点乘运算，并输出特征矩阵 ；

(46)

步骤7.8，对实例特征矩阵 和语义特征矩阵 做矩阵加法，输出特征矩阵 ；

(47)

步骤7.9，特征矩阵 经降维操作后生成大小为 的实例特征矩阵 ，实例特征矩阵 再经过全连接层进行一维卷积操作后输出大小为 的实例嵌入，其中 是实例特征嵌入的维度；

(48)。

2.根据权利要求1所述的基于自适应特征融合的点云场景语义实例联合分割方法，其特征在于，步骤1中，LPR‑AFFN网络由编码层和解码层以及跳跃连接组成；编码阶段由一个共享的编码器组成，一个共享的编码器包括四层编码，每层输出特征矩阵大小分别为、 、 、 512；解码阶段由两个并行的解码器组成，两个并行的解码器均包括四层解码，每一层输出的特征矩阵大小分别为 、 、、 ；

其中 、 、 、 、 分别为每层的采样点数；

编码层和解码层均使用与PointNet++相同的结构。

3.根据权利要求1所述的基于自适应特征融合的点云场景语义实例联合分割方法，其特征在于，步骤2中，局部极坐标表示模块LPR由K最邻近算法、张量最大值、邻域点、矩阵减法、张量平铺、矩阵拼接、张量均值、降维操作组成；

具体过程如下：

步骤2.1，对原始点云 采用K最邻近算法采集k个邻近点，k设置为20，得到邻近点特征矩阵 ；

(1)

步骤2.2、邻近点特征矩阵 进行邻域点操作得到特征矩阵 ；

(2)

步骤2.3、特征矩阵 进行张量最大值操作，得到特征矩阵 ；

(3)

步骤2.4，原始点云 和特征矩阵 ，进行矩阵减法操作、张量求和操作和平方根操作，得到特征矩阵 ；

=  (4)

步骤2.5，原始点云 进行一维张量平铺操作，得到特征矩阵 ；

(5)

步骤2.6，对特征矩阵 和特征矩阵 ，进行矩阵拼接操作，得到特征矩阵 ；

(6)

步骤2.7，对特征矩阵 和特征矩阵 ，进行矩阵拼接操作，得到特征矩阵 ；

(7)

步骤2.8，对特征矩阵 ，进行两次张量最大值操作，得到特征矩阵 ；

(8)

步骤2.9，对特征矩阵 ，进行幂指数操作，得到特征矩阵 ；

(9)

步骤2.10，邻近点特征矩阵 和原始点云做矩阵减法，得到矩阵特征 ；

=   ‑ (10)

步骤2.11，特征矩阵 进行一维张量平铺操作，得到特征矩阵 ；

(11)。

4.根据权利要求1所述的基于自适应特征融合的点云场景语义实例联合分割方法，其特征在于，步骤5的具体过程如下：步骤5.1，编码层的后三层采用的编码方式与PointNet++相同，每个编码层均会完成一次对输入特征的提取，则四个编码层提取的局部特征输出维度分别是 ；

步骤5.2，解码层采用的是和pointNet++相同的解码方式，均是对编码层的特征进行上采样，更新从插值操作和跳跃连接合并后的特征，尽可能地保存编码层生成的特征信息，编码层与解码层相互对应，经上采样后更新合并的特征输出维度分别是，即得到 128的特征矩阵。

5.根据权利要求1所述的基于自适应特征融合的点云场景语义实例联合分割方法，其特征在于，步骤6中，特征提取模块PCFE由卷积层、上采样操作、矩阵拼接操作组成；

具体过程如下：

步骤6.1，将步骤5.2得到的两个 128的特征矩阵，分别用 和 来表示，以语义分割为例，首先对 进行上采样得到新的特征矩阵 ；

(34)

步骤6.2，将 和 连接起来得到大小为 的特征矩阵 ；

(35)

步骤6.3，对特征矩阵 进行一维卷积操作，输出大小为 的特征矩阵 ；

(36)

步骤6.4，整个解码器存在两个并行分支，同理，对于实例分割任务，用 和 来表示

128的特征矩阵；

步骤6.5， 进行上采样得到新的特征矩阵 ；

(37)

步骤6.6，将 和 连接起来得到大小为 的特征矩阵 ；

(38)

步骤6.7，对特征矩阵 进行一维卷积操作，输出大小为 的特征矩阵 ；

(39)。