1.一种多尺度深度特征聚合的三维场景点云分类方法，其特征在于，包括：获取待分类点云数据；

将所述待分类点云数据输入三维场景点云分类模型，获取与原始点云空间分辨率相同的点视觉特征，其中，所述三维场景点云分类模型对所述待分类点云数据的局部视觉特征汇聚融合，提取点云局部特征，对所述点云局部特征进行全局上下文信息提取；所述三维场景点云分类模型根据训练集训练获得，所述训练集包括三维点云数据和相应分类标注；

对待分类点云数据的局部视觉特征汇聚融合，提取点云局部特征包括：对所述待分类点云数据进行最远点采样，生成采样点子集，将每个采样点作为节点，建立拓扑关系，获取当前点及所述当前点预设范围内的邻域点，将所述当前点和所述邻域点作为点对构建边，生成图结构，即为所述每个采样点构建多尺度KNN邻域；

获取每个邻域中邻域点与采样点的差异，生成几何特征：其中， 表示每一个中心点， 表示每个

中心点所对应的 个邻域点， 表示中心点与其邻域点的欧氏距离， 表示中心点与邻域点坐标之差， 表示级联操作；

对所述几何特征进行卷积操作，获取包含局部信息的邻域特征集，将所述邻域特征集进行最大池化操作，聚合局部信息至所述采样点，获取每个尺度上采样点的聚合局部特征；

获取所述每个尺度上采样点的聚合局部特征包括：基于每个点最邻近的K个点的索引，建立所述中心点与所述邻域点间的有向边，并建立边向量：其中， 表示第i个点对应邻域下第j个点的局部几何视觉特征信息， 则表示第i个点与对应邻域下第j个点间有向边信息；

将所述边向量通过多层感知机操作提取边属性特征：其中， 表示可学习的三层连续堆叠多层感知机；

基于注意力机制自适应地学习邻域内显著视觉特征信息，将边属性特征聚合至对应中心点内，表征其所蕴含的邻域信息：其中， 表示给定邻域边属性特征， 表示边特征聚合后第 个点富有语义信息的特征向量， 表示可学习的多层感知机；

最终，在三个邻域尺度上，生成所述每个尺度上采样点的聚合局部特征；

根据所述聚合局部特征，获取每个尺度的注意力得分，将所述注意力得分与对应中心点边属性特征的元素相乘，生成具有局部代表性的中心点特征。

2.根据权利要求1所述的多尺度深度特征聚合的三维场景点云分类方法，其特征在于，获取所述每个尺度的注意力得分的方法为：其中， 为注意力得分， 为归一化注意力得分权重的softmax激活函数以及单层MLP， 为一组权重共享的权重， 为聚合局部特征。

3.根据权利要求1所述的多尺度深度特征聚合的三维场景点云分类方法，其特征在于，生成具有局部代表性的中心点特征的方法为：其中， 为具有局部代表性的中心点特征， 为当前点的邻域大小， 为聚合局部特征， 为注意力得分。

4.根据权利要求1所述的多尺度深度特征聚合的三维场景点云分类方法，其特征在于，对所述点云局部特征进行全局上下文信息提取的方法为：其中， 为对输

入数据的线性变换， 为 的向量维度， 为注意力机制， 为归一化指数函数，为转置操作。

5.根据权利要求1所述的多尺度深度特征聚合的三维场景点云分类方法，其特征在于，根据训练集训练过程中采用损失函数进行监督学习包括：所述损失函数包括交叉熵损失函数，基于所述交叉熵损失函数监督所述三维场景点云分类模型的模型参数优化，在所述交叉熵损失函数逐渐趋向收敛后，将类间对比损失函数加入到所述三维场景点云分类模型的模型参数优化中。

6.根据权利要求5所述的多尺度深度特征聚合的三维场景点云分类方法，其特征在于，基于所述交叉熵损失函数监督所述三维场景点云分类模型的模型参数优化的方法为：其中， 为交叉熵损

失，为类别数量， 为模型预测值， 为当前点的真值。

7.根据权利要求5所述的多尺度深度特征聚合的三维场景点云分类方法，其特征在于，获取所述类间对比损失函数的方法为：其中， 为类间对比损失， 为类别数量，为函数代表， 为断更新的在类别上的平均特征向量， 为网络末层提取的语义信息特征。