1.一种基于几何关联预测的点云域自适应方法，其特征在于，包括以下步骤：S1、采用特征编码器提取源域点云样本的特征获取源域特征，提取目标域点云样本的特征获取目标域特征；S2、基于源域特征对有监督任务头进行训练，基于目标域特征对自监督任务头进行训练；S3、重复S1~S2直至收敛，获得一次训练后的特征编码器、有监督任务头、自监督任务头；S4、采用一次训练后的特征编码器提取目标域点云样本的特征，获取目标域特征，采用一次训练后的有监督任务头对目标域特征进行处理获得目标域点云样本的类别概率分布；S5、基于目标域点云样本的类别概率分布获取目标域点云样本的熵；S6、根据熵的高低将目标域点云样本分为两组，低熵组的目标域点云样本作为新的源域点云样本，将高熵组的目标域点云样本作为新的目标域点云样本，重复步骤S1和S2直至收敛，获得二次训练后的特征编码器、有监督任务头；S7、采用二次训练后的特征编码器对待分类样本进行特征提取获得样本特征，采用二次训练后的有监督任务头对样本进行处理获得待分类样本的分类结果。
2.根据权利要求1所述的基于几何关联预测的点云域自适应方法，其特征在于，S1中，在提取之前，还包括：使用最远点采样法将源域点云和目标域点云样本降采样至 个点。
3.根据权利要求1所述的基于几何关联预测的点云域自适应方法，其特征在于，S2中，所述自监督任务头为几何关联预测网络，包括依次连接的多层卷积层、激活函数层、dropout层。
4.根据权利要求1所述的基于几何关联预测的点云域自适应方法，其特征在于，S2中，所述对自监督任务头进行训练，包括以下子步骤：S21、采用自监督任务头对目标域特征处理，获得几何关联特征向量；S22、获取目标域点云样本中每个点的协方差矩阵，选取每个点的协方差矩阵中最小的特征值对应的几何关联特征向量作为几何关联特征标签的预测值；S23、以几何关联特征标签预测值作为监督，训练自监督任务头。
5.根据权利要求4所述的基于几何关联预测的点云域自适应方法，其特征在于，S23中，训练时损失函数设置为余弦距离损失，表示为： ，其中， 表示几何关联特征预测损失， 表示目标域的样本数量， 表示目标域， 表示从目标域中选择的点云样本， 表示点云样本中的点， 表示点云中的点的几何关联特征标签， 表示点云中的点的几何关联特征标签的预测值， 表示向量取模操作。
6.根据权利要求1所述的基于几何关联预测的点云域自适应方法，其特征在于，S3中，训练过程中损失函数设置为： ，其中， 表示整体损失， 表示有监督任务损失， 表示几何关联特征预测损失， 表示有监督任务损失的权重。
7.根据权利要求1所述的基于几何关联预测的点云域自适应方法，其特征在于，S5中，获取的目标域点云样本的熵表示为： ，其中， 表示点云样本的熵， 表示样本的总类别数， c 表示不同的类别， 表示样本的类别概率分布。
8.根据权利要求1所述的基于几何关联预测的点云域自适应方法，其特征在于，S6中，根据熵的大小对目标域样本进行排序，将从小到大排序后前 的样本视为新的源域，并根据预测结果确认伪标签，将其余样本视为新的目标域。
9.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
10.一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
