1.一种图像识别网络训练方法，其特征在于，包括：

获取第一图像样本和第二图像样本；其中，所述第一图像样本的分辨率大于所述第二图像样本的分辨率；

基于所述第一图像样本对第一图像识别网络进行训练；

基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练；其中，训练后的所述第二图像识别网络用于对待识别图像样本进行识别；

所述基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练，包括：基于所述第二图像样本和训练后的第一图像识别网络，确定所述第二图像识别网络的第二损失函数；

对所述第二损失函数进行最小化处理，得到训练后的第二图像识别网络；

其中，所述基于所述第二图像样本和训练后的第一图像识别网络，确定所述第二图像识别网络的第二损失函数，包括：将第二图像样本的类别标签作为硬标签，将所述第一图像识别网络的输出作为软标签，根据所述第二图像识别网络的输出、所述硬标签和所述软标签，计算损失加权获得所述第二损失函数；

所述第二损失函数满足下式：

其中，l为交叉熵损失函数，且 σ(f(xi))为所述第二图像识别网络输出的识别结果，λ为控制辅助卷积网络成分比例的权重，si为所述第一图像识别网络的输出，且si＝σ(ft(xi)/T)，T为所述第一图像识别网络预测标签硬度的参数，σ为sigmoid函数，ft为第一损失函数，yi为目标物体的类别，xi为第二图像样本，第二图像识别网络的样本输入为(xi,yi)。

2.如权利要求1所述的图像识别网络训练方法，其特征在于，所述获取第一图像样本和第二图像样本，包括：获取按照第一采样频率对所述目标物体中的部分物体进行采样得到的第一图像样本；

获取按照第二采样频率对所述目标物体进行采样得到的所述第二图像样本；

其中，所述第一采样频率小于所述第二采样频率。

3.如权利要求1所述的图像识别网络训练方法，其特征在于，所述基于所述第一图像样本对第一图像识别网络进行训练，包括：基于所述第一图像样本确定所述第一图像识别网络的第一损失函数。

4.一种图像识别方法，其特征在于，所述方法包括：

获取待识别图像样本；

通过图像识别网络对所述待识别图像样本进行识别；其中，所述图像识别网络为如权利要求1至3任一项中所述的第二图像识别网络。

5.一种图像识别网络训练装置，其特征在于，包括：

第一获取模块，用于获取第一图像样本和第二图像样本；其中，所述第一图像样本的分辨率大于所述第二图像样本的分辨率；

第一训练模块，用于基于所述第一图像样本对第一图像识别网络进行训练；

第二训练模块，用于基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练；其中，训练后的所述第二图像识别网络用于对待识别图像样本进行识别；

所述第二训练模块包括：

确定单元，用于基于所述第二图像样本和训练后的第一图像识别网络，确定所述第二图像识别网络的第二损失函数；

最小化单元，用于对所述第二损失函数进行最小化处理，得到训练后的第二图像识别网络所述确定单元，还用于将第二图像的类别标签作为硬标签，将所述第一图像识别网络的输出作为软标签，根据所述第二图像识别网络的输出、所述硬标签和所述软标签，计算损失加权获得所述第二损失函数；

所述第二损失函数满足下式：

其中，l为交叉熵损失函数，且 σ(f(xi))为所述第二图像识别网络输出的识别结果，λ为控制辅助卷积网络成分比例的权重，si为所述第一图像识别网络的输出，且si＝σ(ft(xi)/T)，T为所述第一图像识别网络预测标签硬度的参数，σ为sigmoid函数，ft为第一损失函数，yi为目标物体的类别，xi为第二图像样本，第二图像识别网络的样本输入为(xi,yi)。

6.一种图像识别装置，其特征在于，包括：

第二获取模块，用于获取待识别图像样本；

识别模块，用于通过图像识别网络对所述待识别图像样本进行识别；其中，所述图像识别网络为如权利要求1至3任一项中所述的第二图像识别网络。

7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的图像识别网络训练方法，或实现如权利要求4所述的图像识别方法。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的图像识别网络训练方法，或实现如权利要求4所述的图像识别方法。