1.一种图像分类网络的增量训练方法，包括：利用第一分类网络对多个类别的多个训练图像样本进行特征提取，得到所述多个训练图像样本的第一样本特征，其中，所述多个训练图像样本包括：第一数量的老类别图像样本及第二数量的新类别图像样本，所述第二数量大于所述第一数量；

对所述多个训练图像样本的第一样本特征进行归一化处理，得到多个训练图像样本的第一归一化特征；

对多个类别的分类权重进行归一化处理，得到所述多个类别的第一归一化权重；

基于所述老类别图像样本的第一归一化特征，从所述多个类别中选取所述老类别图像样本对应的K个新类别；其中，K为不小于2的正整数；

基于所述老类别图像样本的第一归一化特征和所述K个新类别的第一归一化权重，确定第一损失项；

至少根据所述第一损失项，确定网络损失；

基于所述网络损失，调整所述第一分类网络的网络参数。

2.根据权利要求1所述的方法，其特征在于，所述基于所述老类别图像样本的第一归一化特征，从所述多个类别中选取所述老类别图像样本对应的K个新类别，包括：基于所述多个类别中每个新类别的第一归一化权重与所述老类别图像样本的第一归一化特征之间的相似度，从所述多个类别中选取所述老类别图像样本对应的K个新类别。

3.根据权利要求1或2所述的方法，其特征在于，所述基于所述老类别图像样本的第一归一化特征和所述K个新类别的第一归一化权重，确定第一损失项，包括：基于所述老类别图像样本的第一归一化特征和所述K个新类别中每个新类别的第一归一化权重之间的相似度，确定所述第一损失项。

4.根据权利要求3所述的方法，其特征在于，所述至少根据所述第一损失项，确定网络损失，包括：

基于所述第一数量，确定第一加权系数；

基于所述第一加权系数与所述第一损失项的乘积，得到所述网络损失。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：基于所述多个训练图像样本中每个训练图像样本的第一归一化特征及所述第一分类网络得到的所述每个训练图像样本的预测类别的第一归一化权重，得到所述每个训练图像样本的分类概率；

基于所述多个训练图像样本中每个训练图像样本的分类概率和所述每个训练图像样本的标注类别信息，得到所述网络损失的第二损失项。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：获取利用第二分类网络对所述老类别图像样本进行特征提取得到的所述老类别图像样本的第二样本特征，其中，所述第二分类网络为所述增量训练的初始网络；

对所述老类别图像样本的第二样本特征进行归一化处理，得到所述老类别图像样本的第二归一化特征；

基于所述老类别图像样本的第二归一化特征和所述老类别图像样本的第一归一化特征之间的相似度，得到所述网络损失的第三损失项。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：根据所述多个类别中包含的类别的数量和新类别的数量，确定所述第三损失项的第二加权系数；

基于所述第三损失项和所述第二加权系数的乘积，得到所述网络损失。

8.一种图像分类方法，其特征在于，包括：获取待处理图像；

利用目标分类网络对所述待处理图像进行分类处理，得到所述待处理图像的分类结果，其中，所述目标分类网络是利用如权利要求1至7任一项所述的增量训练方法训练得到的。

9.一种图像分类网络的增量训练装置，包括：第一得到模块，用于利用第一分类网络对多个类别的多个训练图像样本进行特征提取，得到所述多个训练图像样本的第一样本特征，其中，所述多个训练图像样本包括：第一数量的老类别图像样本及第二数量的新类别图像样本，所述第二数量大于所述第一数量；

第一归一化模块，用于对所述多个训练图像样本的第一样本特征进行归一化处理，得到多个训练图像样本的第一归一化特征；

第二归一化模块，用于对多个类别的分类权重进行归一化处理，得到所述多个类别的第一归一化权重；

第一确定模块，还用于基于所述老类别图像样本的第一归一化特征，从所述多个类别中选取所述老类别图像样本对应的K个新类别；基于所述老类别图像样本的第一归一化特征和所述K个新类别的第一归一化权重，确定网络损失中的第一损失项，其中，K为不小于2的正整数；

所述第一确定模块，还用于至少根据所述第一损失项，确定网络损失；

调整模块，用于基于所述网络损失，调整所述第一分类网络的网络参数。

10.根据权利要求9所述的装置，其特征在于，所述第一确定模块，具体用于基于所述多个类别中每个新类别的第一归一化权重与所述老类别图像样本的第一归一化特征之间的相似度，从所述多个类别中选取所述老类别图像样本对应的K个新类别。

11.根据权利要求9或10所述的装置，其特征在于，所述第一确定模块，具体用于基于所述老类别图像样本的第一归一化特征和所述K个新类别中每个新类别的第一归一化权重之间的相似度，确定所述第一损失项。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：第二确定模块，用于基于所述第一数量，确定第一加权系数；

所述第一确定模块，具体用于基于所述第一加权系数与所述第一损失项的乘积，得到所述网络损失。

13.根据权利要求9至12任一项所述的装置，其特征在于，所述第一确定模块，具体用于基于所述多个训练图像样本中每个训练图像样本的第一归一化特征及所述第一分类网络得到的所述每个训练图像样本的预测类别的第一归一化权重，得到所述每个训练图像样本的分类概率；基于所述多个训练图像样本中每个训练图像样本的分类概率和所述每个训练图像样本的标注类别信息，得到所述网络损失的第二损失项。

14.根据权利要求9至12任一项所述的装置，其特征在于，所述装置还包括：第一获取模块，用于获取利用第二分类网络对所述老类别图像样本进行特征提取得到的所述老类别图像样本的第二样本特征，其中，所述第二分类网络为所述增量训练的初始网络；

第三归一化模块，用于第二对所述老类别图像样本的第二样本特征进行归一化处理，得到所述老类别图像样本的第二归一化特征；

所述第一确定模块，具体用于基于所述老类别图像样本的第二归一化特征和所述老类别图像样本的第一归一化特征之间的相似度，得到所述网络损失的第三损失项。

15.根据权利要求14所述的装置，其特征在于，所述装置还包括：第三确定模块，用于根据所述多个类别中包含的类别的数量和新类别的数量，确定所述第三损失项的第二加权系数；

所述第一确定模块，具体用于基于所述第三损失项和所述第二加权系数的乘积，得到所述网络损失。

16.一种图像分类装置，其特征在于，包括：获取模块，用于获取待处理图像；

分类模块，用于利用目标分类网络对所述待处理图像进行分类处理，得到所述待处理图像的分类结果，其中，所述目标分类网络是利用如权利要求1至7任一项所述的增量训练方法训练得到的。

17.一种电子设备，包括：

存储器；

处理器，与所述存储器连接，用于通过执行存储在所述存储器上的计算机可执行指令，实现权利要求1至7或8任一项提供的方法。

18.一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令在运行时实现权利要求1至7或8任一项提供的方法。