1.一种神经网络模型的更新方法，所述方法包括：

获取输入图像和经训练的学生模型；

向经训练的学生模型中添加神经网络模块，包括：向学生模型的多个卷积层中的至少一个卷积层添加所述神经网络模块；其中，在所述至少一个卷积层中可添加神经元的数量小于神经网络模块中包含的神经元的数量的情况下，按照预设规则或随机地从所述多个卷积层中选择另外的至少一个卷积层，并向所述另外的至少一个卷积层添加所述神经网络模块；所述神经网络模块包括一个或多个神经元；

分别使用添加有神经网络模块的学生模型和老师模型对输入图像进行特征提取；以及基于学生模型的特征提取结果与老师模型的特征提取结果之间的差异，调整学生模型中所添加的神经网络模块的参数，得到学生模型的更新模型。

2. 根据权利要求1所述的方法，还包括：

在向经训练的学生模型中添加神经网络模块之前，获取当前使用的神经网络模型作为所述经训练的学生模型；以及在得到学生模型的更新模型之后，用所述更新模型替换当前使用的神经网络模型。

3.根据权利要求2所述的方法，还包括：

在得到学生模型的更新模型之后，利用预设的测试数据对得到的更新模型的特征提取准确率进行测试；

在更新模型的特征提取准确率高于当前使用的神经网络模型的特征提取准确率的情况下，执行所述用所述更新模型替换当前使用的神经网络模型的步骤。

4.根据权利要求1所述的方法，还包括：

在得到学生模型的更新模型之后， 返回所述获取输入图像的步骤。

5.根据权利要求1所述的方法，其中，所述神经网络模块包括一个或多个卷积层，所述向学生模型中添加神经网络模块包括：向学生模型添加所述神经网络模块，其中在学生模型中可添加卷积层的数量小于神经网络模块中包含的卷积层的数量的情况下，停止添加神经网络模块。

6.根据权利要求1所述的方法，其中，所述输入图像包括：当前使用的神经网络模型处理过的多个历史输入图像。

7.根据权利要求1至6中任一项权利要求所述的方法，其中，所述学生模型的特征提取结果与老师模型的特征提取结果之间的差异包括：学生模型的特征提取结果与老师模型的特征提取结果之间的蒸馏损失函数值。

8.根据权利要求1至6中任一项权利要求所述的方法，其中，所述学生模型为mobilenet系列神经网络模型。

9.根据权利要求1至6中任一项权利要求所述的方法，其中，所述老师模型为resnet152系列神经网络模型。

10.一种神经网络模型的更新装置，包括：

获取模块，用于获取输入图像；

扩展模块，用于向经训练的学生模型中添加神经网络模块，包括：向学生模型的多个卷积层中的至少一个卷积层添加所述神经网络模块；其中，在所述至少一个卷积层中可添加神经元的数量小于神经网络模块中包含的神经元的数量的情况下，按照预设规则或随机地从所述多个卷积层中选择另外的至少一个卷积层，并向所述另外的至少一个卷积层添加所述神经网络模块；所述神经网络模块包括一个或多个神经元；

提取模块，用于分别使用添加有神经网络模块的学生模型和老师模型对输入图像进行特征提取；以及训练模块，用于基于学生模型的特征提取结果与老师模型的特征提取结果之间的差异，调整学生模型中所添加的神经网络模块的参数，得到学生模型的更新模型。

11. 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1‑9中任一项所述的方法。

12.一种存储有计算机指令的非瞬时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权利要求1‑9中任一项所述的方法。