1.一种基于双向多尺度注意力的水利环境下的点云分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于双向多尺度注意力的水利环境下的点云分割方法，其特征在于，所述步骤1）中，数据预处理包括对原始点云坐标的体素化处理来统一点云密度以及最小值标准化、随机缩放、保持z轴不变的随机旋转、随机高斯噪声、随机水平旋转和随机的空间移动操作；对原始点云特征中的rgb进行色彩对比度增强、色彩偏移和抖动处理，经处理后的点云坐标与特征分别记为和，定义点云对应真实值，并分为训练集和测试集。
3.根据权利要求1所述的基于双向多尺度注意力的水利环境下的点云分割方法，其特征在于，所述步骤2-1）中，双向多尺度自注意力子模块由多尺度采样一致性结构与双向的向量自注意力结构构成，其中多尺度采样一致性结构的建立过程为：
4.根据权利要求3所述的基于双向多尺度注意力的水利环境下的点云分割方法，其特征在于，所述步骤2-1）中，双向的向量自注意力结构的建立过程为：
5.根据权利要求4所述的基于双向多尺度注意力的水利环境下的点云分割方法，其特征在于，所述步骤2-1）中，令双向多尺度自注意力子模块的点云输入特征和坐标分别为和，上标表示双向多尺度自注意力子模块，首先，将和通过多尺度采样一致性结构，获得输出特征，然后，通过k个残差连接的线性层linear、双向的向量自注意力结构和线性层linear对特征进行注意力增强，最终输出经过双向的多尺度注意力聚合特征；并保存对应的点云坐标，总结上述过程输入输出关系表达为：
6.根据权利要求5所述的基于双向多尺度注意力的水利环境下的点云分割方法，其特征在于，所述步骤2-2）中，采用所述步骤2-1）中双向多尺度自注意力子模块bimssc 进行特征融合、最远点采样算法进行下采样和三线性插值算法进行上采样，构建的双向多尺度自注意力编解码模块，输入为，输出为, 具体操作过程如下：
7.根据权利要求6所述的基于双向多尺度注意力的水利环境下的点云分割方法，其特征在于，所述步骤2-3）中，对输入特征使用两组线性层linear对特征进行提取，并将通道数调整为指定分类数，具体过程如下：
8.根据权利要求2所述的基于双向多尺度注意力的水利环境下的点云分割方法，其特征在于，所述步骤3）中，对建立的语义分割深度学习网络模型进行训练，将点云坐标和特征通过基于双向多尺度自注意力编解码模块获得特征图，再经过输出模块后获得预测值，将预测值与真实值gt进行交叉熵运算，度量预测值与真实值的误差，即计算损失；通过反向传播算法对定义的语义分割深度学习网络模型参数进行迭代优化训练，训练到整个模型收敛为止；其中损失函数如下：
9.根据权利要求2所述的基于双向多尺度注意力的水利环境下的点云分割方法，其特征在于，所述步骤3）中，将测试集的点云数据输入到训练好的语义分割深度学习网络模型中，推理测试点云的语义类别预测值，再通过对点云进行众位数滤波处理离散点获得新的预测值，具体过程如下：