1.一种基于拓扑感知图网络的类别不均建筑立面点云分割方法，其特征在于，具体包括以下步骤：S1、构建立面拓扑提取模块，捕捉立面元素间抽象的对象级拓扑特征，具体包括：S11、对每个建筑立面样本数据采样得到完整的立面点云，将采样后的立面点云作为输入单元，采用拓扑信息编码器对输入单元进行编码，捕获具有强区分度的高维编码特征；具体为：采样后的立面点云先通过连续的两个边卷积操作扩大感受野；再通过维度为 的三层卷积操作进行维度扩展，得到具有强区分度的高维编码特征 ；公式表示为：；

；

其中， 为采样后的立面点云中的点，一共有N个； 为其邻近点，共K个； 和分别表示经过第一次边卷积操作后的立面输入点及其邻近点； 和 分别是边卷积操作和维度为 的三层卷积操作；是特征拼接操作；

S12、使用经拓扑注意力增强的拓扑信息解码器，从高维编码信息中提取出立面元素间抽象的对象级拓扑特征；

S2、构建增强采样几何提取模块，提取立面元素间点级别的层次化几何特征，具体包括：S21、采用自适应加权采样技术，自适应调整各类立面元素的采样权重来缓解类别不平衡问题，从而对完整的立面点云进行采样，将其划分为多个重叠的立面点云块；

S22、对步骤S21得到的立面点云块，通过堆叠三个层次化几何提取模块来学习多尺度的几何特征；

S3、构建双特征注意力融合模块，对步骤S1、S2得到的两种不同粒度、不同类型的特征进行融合，具体包括：S31、构建映射索引机制，将对象级拓扑特征和层次化几何特征进行关联和聚合；

S32、采用通道注意力机制融合拓扑和几何特征，保留在分割立面元素时的重要拓扑和几何特征，实现立面元素的分割；

S4、立面拓扑提取模块、增强采样几何提取模块、双特征注意力融合特征模块组合构成拓扑感知图网络FTG‑Net；将建筑立面样本数据划分为训练集、验证集和测试集后输入FTG‑Net，训练好整体网络之后进行测试并评估结果。

2.根据权利要求1所述的类别不均建筑立面点云分割方法，其特征在于，步骤S11中，对每个建筑立面样本数据采用K‑Means均匀采样得到完整的立面点云。

3.根据权利要求2所述的类别不均建筑立面点云分割方法，其特征在于，步骤S12具体包括：S121、为拓扑信息解码器引入二维黎曼方形网格；设置二维黎曼方形网格为 ，则立2

面输入点的个数N为a ；由高维编码特征 和二维黎曼方形网格 学习出初始拓扑信息fc，公式表示为：；

其中， 为维度为 的三层卷积操作；是特征拼接操作；

S122、在解码过程中添加拓扑注意力增强模块；基于fc计算注意力权重矩阵W，并进行线性变换；再根据fc、V和注意力权重矩阵W，生成偏移特征fsa，以降低弱相关拓扑保留强相关信息；fsa再依次通过线性变换、批量归一化和ReLU激活函数得到对象级拓扑特征 ；公式表示为：；

；

；

其中， 、 、 为注意力机制中的查询、键、值； 为Softmax激活函数；

为线性变换； 为批量归一化。

4.根据权利要求1所述的类别不均建筑立面点云分割方法，其特征在于，步骤S21中采样权重的计算过程具体为：对于输入的建筑立面样本数据，用i表示某一类立面元素，pi表示该类立面元素的样本容量占整体建筑立面样本数据的比例；构建自适应加权采样函数 以平衡小样本类和大样本类间的采样权重；自适应加权采样函数的公式表示为：；

其中， 、 、 ； 、 、 ；、 、 均为分段曲线系数；s和l表示小样本类和大样本类的边界值，边界值基于小样本类和大样本类的比例确定；

再根据采样权重计算出各类立面元素的采样数 ：；

其中，N表示各立面点云块中点的数量，C为类别数量。

5.根据权利要求1所述的类别不均建筑立面点云分割方法，其特征在于，步骤S22具体为：S221、在每个层次化几何提取模块中，对经自适应加权采样后的各点 ，通过K邻近搜索法搜索其邻近点 ，再通过边卷积操作得到边特征 ，公式表示为：；

其中， 为边卷积操作；是特征拼接操作；

S222、采用条带池化操作增强长距离几何特征；分别依次在水平和垂直方向上进行条带池化操作、卷积操作和批归一化，得到水平特征 和垂直特征 ；公式表示为：；

；

其中， 、 分别为水平条带池化操作、垂直条带池化操作； 为复制操作；

S223、水平特征和垂直特征叠加后再依次经过ReLU激活函数、卷积操作、Sigmoid归一化，得到融合特征 ，公式表达为：；

再计算边特征 和融合特征 之间的内积，并逐点相加，得到层次化几何提取块的提取特征；前一个层次化几何提取块的提取特征则作为下一个层次化几何提取块的输入；

S224、聚合三个层次化几何提取块的提取特征，采用卷积操作并进行最大池化，再复制到与原特征相同的维度再次进行聚合、卷积，最终输出点级别的层次化几何特征。

6.根据权利要求1所述的类别不均建筑立面点云分割方法，其特征在于，步骤S31具体包括：S311、创建映射索引机制，关联各立面点云与其划分的立面点云块；对于一个索引为的立面点云，其对应的立面点云块索引为 ，将立面点云块索引作为值，并将其所属的立面点云索引作为键，构建出映射机制；其中，d表示立面点云的数量，j为每个立面点云划分成的立面点云块数；

对于各立面点云块，由映射机制索引搜索其对应的立面点云；对于立面点云块中的各点，在立面中搜索其最近点，构成配对；配对后的一对点表示为： ；其中， 表示点云块中的第r个点， 表示其对应立面的第t个点；

S312、将各点云块中的所有点携带的层次化几何特征 ，与对应立面点携带的对象级拓扑特征 进行连接，得到双特征融合特征 ：；

其中， 是聚合操作；K和L是立面和点云块中已构成的点对中各点索引的合集。

7.根据权利要求6所述的类别不均建筑立面点云分割方法，其特征在于，步骤S32具体包括：S321、基于双特征融合特征 ，计算上下文注意系数 ，公式表示为：；

其中， 表示全局平均池化操作；

S322、利用上下文注意系数 作为特征权重，将其复制至与原特征相同的维度并相乘，以使最终提取出的特征集中于最相关的信息上；最终，通过MLP操作和Dropout操作得到各个类别的预测值。