La segmentación semántica de nubes de puntos es esencial para comprender y analizar escenas. Sin embargo, realizar la segmentación semántica en nubes de puntos a gran escala presenta desafíos, incluidos los altos requisitos de memoria, la falta de datos estructurados y la ausencia de información topológica. Este documento presenta un método novedoso basado en la red de Fusión Adaptativa de Atención Inversa (RAAFNet) para segmentar nubes de puntos a gran escala. RAAFNet consta de un módulo codificador-decodificador de atención inversa, un módulo de fusión adaptativa y un módulo de agregación de características locales. El módulo codificador-decodificador de atención inversa se aplica para extraer características de nubes de puntos en diferentes escalas. El módulo de fusión adaptativa mejora la representación detallada dentro de mapas de características de múltiples resoluciones. Además, se introduce un clasificador de agregación local, que agrega las características de puntos vecinos al punto central para aprovechar la información contextual y mejorar la capacidad perceptiva del clasificador. Finalmente, se generan las etiquetas predichas. Es notable que nuestro método sobresale en la extracción de características de nubes de puntos en diferentes dimensiones y produce resultados de segmentación altamente precisos. Los resultados experimentales en el conjunto de datos Semantic3D lograron una precisión general del 89.9% y un mIoU del 74.4%.